固态钠离子电池 (SSSB) 的发展在很大程度上取决于超离子 Na + 导体 (SSC) 的开发,该导体具有高导电性、(电)化学稳定性和可变形性。异质结构的构建提供了一种有前途的方法,可以以不同于传统结构优化的方式全面增强这些特性。在这里,这项工作利用高配位和低配位卤化物骨架之间的结构差异来开发一类新型卤化物异质结构电解质 (HSE)。结合 UCl 3 型高配位框架和非晶低配位相的卤化物 HSE 实现了迄今为止卤化物 SSC 中最高的 Na + 电导率(室温下 2.7 mS cm − 1,RT)。通过辨别晶体本体、非晶区域和界面的各自贡献,这项工作揭示了卤化物 HSE 内的协同离子传导,并对非晶化效应提供了全面的解释。更重要的是,HSEs优异的可变形性、高压稳定性和可扩展性使得SSSB能够有效地集成。使用未涂覆的Na 0.85 Mn 0.5 Ni 0.4 Fe 0.1 O 2和HSEs的冷压正极电极复合材料,SSSBs表现出稳定的循环性能,在0.2 C下经过100次循环后容量保持率为91.0%。
摘要:本文对锂离子电池中的浮点电流分析进行了全面的探索,这是一种有希望的新测试方法来评估日历老化。浮点电流定义为瞬态部分后的稳态trick流动电流。在文献中,报告了与容量损失的相关性。假设浮点电流会补偿随着时间的推移的电压衰减,并且与日历老化有关,则必须考虑电压滑动的效果。DU/DQ分析仅表明活跃锂的损失。因此,我们研究了固体电解质相(SEI)的生长,作为解释浮点电流起源的一般老化机制。我们的结果表明,电压滑理论在低至中间测试电压范围内保持真实。然而,该理论的解释能力开始在更高的电压范围内减少,这表明存在影响浮动电流的其他但未知的因素。通过电解质分解对阴极的穿梭反应或晶石是高压下最有前途的替代老化机制。本文提出了一个独特的电压滑模型,以检查老化机制,浮点电流测试和检查测试之间的相关性。为了更好地理解,提出了测试策略来验证/伪造SEI以外的老化机制。
电动汽车 (EV) 在德国和其他欧洲国家的道路上越来越普遍。这导致涉及至少一辆高压车辆的事故可能性增加。尽管最近的 AZT 研究表明,只有极少数电动汽车事故会导致高压 (HV) 电池或其他高压部件受损,但这些事故可能会造成高昂的成本,从而导致电动汽车的整体索赔平均数增加。最近的 GDV 研究表明,电动汽车的维修成本平均比同类内燃机汽车高出 30% 至 35%。虽然这对保险公司来说是一个挑战,但从长远来看,它会影响电动汽车的保险费,从而增加车主和车队的拥有成本。
Sb 2 S 3 是一种很有前途的环保半导体,可用于高性能太阳能电池。但是,与许多其他多晶材料一样,Sb 2 S 3 受到非辐射复合和晶界 (GB) 载流子散射的限制。这项工作表明,通过在 Sb 2 S 3 沉积的前体溶液中加入适量的 Ce 3 +,Sb 2 S 3 薄膜中的 GB 密度可以显著从 1068 ± 40 nm μ m − 2 降低到 327 ± 23 nm μ m − 2。通过对结构、形貌和光电特性的广泛表征,并辅以计算,我们发现一个关键因素是在 CdS/Sb 2 S 3 界面处形成一层超薄 Ce 2 S 3 层,这可以降低界面能并增加 Sb 2 S 3 和基底之间的粘附功,以促进 Sb 2 S 3 的异质成核,并促进横向晶粒生长。通过减少晶界和/或 CdS/Sb 2 S 3 异质界面的非辐射复合,以及改善异质结处的载流子传输特性,这项工作实现了高性能 Sb 2 S 3 太阳能电池,其功率转换效率达到 7.66%。开路电压 (V OC ) 达到了惊人的 796 mV,这是迄今为止报道的 Sb 2 S 3 太阳能电池的最高值。这项工作提供了一种同时调节 Sb 2 S 3 吸收膜的成核和生长的策略,以提高设备性能。
电荷转移的确切机制仍在研究中。旁边是电子传递,10、14、29该现象通常归因于离子电荷。2,32 - 36在水或高含量液体中,大多数固体表面都会充电。这些表面电荷自发形成,例如,通过溶液中的离子吸附,通过表面基团的质子化或去质子化或通过离子的优先溶解,从而形成静电双层(EDL)。37,38 Sosa等。 表明接触电气与液体的Zeta电位,pH和盐串联相关。 39因此,先前的模型基于这样的假设:从接触线移动时,来自EDL的某些电荷被留在实心表面上。 13最近,从理论上描述了回收接触线及其参数依赖性的这种电荷传输机制。 4037,38 Sosa等。表明接触电气与液体的Zeta电位,pH和盐串联相关。39因此,先前的模型基于这样的假设:从接触线移动时,来自EDL的某些电荷被留在实心表面上。13最近,从理论上描述了回收接触线及其参数依赖性的这种电荷传输机制。40
具有集成电气隔离,如陶瓷基板。安装半导体的首选方法是低压低温银烧结工艺。该方法具有一些优点:首先,它能够在大型面板格式上组装芯片,从而实现高度并行处理。此外,芯片粘合精度对后续工艺步骤很重要,主要取决于芯片粘合工艺的精度,因为除了
摘要:必须精确地确定锂离子电池的健康状况(SOH),以确保包括电动汽车中的储能系统的安全功能。尽管如此,通过分析日常情况下的全电荷 - 放电模式来预测锂离子电池的SOH可能是一项艰巨的任务。通过分析放松阶段特征来进行此操作,需要更长的闲置等待期。为了面对这些挑战,本研究根据恒定电压充电阶段观察到的特征提供了一种SOH预测方法,并深入研究了有关恒定电压充电期间所包含的有关电池健康的丰富信息。创新,这项研究表明,使用恒定电压(CV)充电时间作为SOH估计模型的健康特征的统计数据。特定的新特征,包括恒定电压充电的持续时间,CV充电序列时间的香农熵以及持续时间增量序列的香农熵,是从CV充电相数据中提取的。然后,通过弹性净回归模型执行电池的健康估计。实验得出的结果验证了该方法的效率,因为它的平均平均绝对误差(MAE)仅为0.64%,最大根平方误差(RMSE)为0.81%,平均确定系数(R 2)为0.98。上述陈述可以证明所建议的技术对SOH的估计具有很高的精度和可行性。
9300 的性能受到持续监控。测量模糊性、低于/超出范围的情况、散热器温度限制和电网频率限制等项目会向控制设备触发适当的警告消息。每个测试仪都提供可编程跳闸限制,以连续检查操作员请求的设置(图 5);可连接到外部测试装置的联锁输入;紧急手动开关;以及远程断电输入。当检测到跳闸限制、联锁或紧急断电时,测试仪会停止电流并遵循内部断电序列,包括打开接触器并将其自身与 UUT 隔离。
电池C的能量能力C表示它可以存储多少能量。它以称为'amp.hours,(ah)的单位进行测量。该电池的额定值为“ 6V 1.2AH”,这意味着,充满电后,电池应在6V时输送约1.2A的电流1小时。
基于机器学习(ML)型号和现实世界中收集的锂离子电池(LIB)数据的电池性能预测技术最近受到了很多关注。但是,对于使用现实世界数据的ML模型来说,较差的外推精度是一个主要挑战,因为数据频率分布可能不均匀。在这里,我们使用电化学模拟模型生成的人工数据研究了ML模型的外推精度。特别是,我们为训练数据设置了较低的开路电压(OCV)限制,并生成数据限于较高的充电状态(SOC)区域,以训练电压预测模型。我们已经验证了在几个较低的OCV限制设置下测试数据的电压的均方根误差(RMSE),并将其平均 + 3标准偏差定义为评估度量。评估了八种代表性的ML模型,发现多层感知器(MLP)的精度为92.7 mV,这是最佳的外推精度。我们还评估了具有已发布的实验数据的模型,发现MLP的精度为102.4 mV,重新确定其具有最佳的外推精度。我们还发现,MLP对感兴趣数据的变化具有鲁棒性,因为从模拟到实验数据变化时的准确性降解为1.1。此结果表明,即使为全面的SOC条件收集数据很困难,MLP也可以实现更高的电压预测准确性。