聚氧化乙烯(PEO)基固体电解质具有成本低、对锂稳定、易于大规模生产等优点, 是固态锂电池最有前途的固体电解质。然而, PEO对高压正极不稳定, 严重限制了其在高能量密度领域的应用。本研究在LiNi0.6Co0.2Mn0.2O2 (NCM)正极颗粒上部分包覆环化聚丙烯腈(cPAN)纳米层作为电子导电层, 在NCM/PEO界面上引入离子液体作为离子导电通道, 用以提高PEO与高压NCM正极的相容性。其中, cPAN层不仅在物理上隔离了PEO电解质与NCM正极的直接接触, 而且cPAN中具有非局域的sp2 π键, 有助于正极内部的电子传输。同时, 高离子电导率的离子液体的流动性较高, 可以充分润湿正极侧界面, 并在循环过程中分解为富LiF和Li3N的CEI层, 进一步限制PEO电解质的氧化分解。基于上述复合策略的固态NCM/Li电池可在0.1C (1C=0.18 A·g-1), 4.30 V截止电压下稳定循环100次, 且容量保持率可达85.3%。本研究通过表面包覆和界面修饰, 为提高PEO基电解质对高压正极的稳定性提供了可行方案。
聚氧化乙烯 环化 高电压正极 界面工程 固态锂电池 poly(ethylene oxide) cyclization high-voltage cathode interface engineering solid-state lithium battery
1 华中农业大学工学院, 湖北 武汉 430070
2 漯河食品职业学院汽车工程系, 河南 漯河 462300
为提高锂电池温度在线监测能力, 通过双路解调方案构建分布式拉曼光纤温度测试系统, 采用外部触发方式, 实现相互协调的工作状态。温度测试结果表明, 常温状态下系统各通道距离10 m范围的温度精度达到±1 ℃。经过8次测试后温度值误差均在0.17 ℃内, 表明系统常温条件下可以保持良好的稳定性, 满足设计条件。该系统能够满足锂电池的测温要求, 能够对锂电池局部温度异常情况进行准确反馈, 有效预防锂电池各类事故。10 m传感距离内行程误差最大值只有2 m, 符合锂电池测温要求。模拟试验测试结果表明, 该系统能够对故障进行准确辨别与定位, 表明系统具备优异的分布式测试性能。DTS系统可以达到±1 m的分辨能力, 可以快速响应锂电池故障引起的温度变化。
锂电池 温度 在线监测 系统设计 测试 lithium battery temperature online monitoring system design test
1 岛大学化学化工学院，山东 青岛 266071中国科学院青岛生物能源与过程研究所，山东 青岛 266101
2 中国科学院青岛生物能源与过程研究所，山东 青岛 266101
3 岛大学化学化工学院，山东 青岛 266071
要：深海蕴藏着人类远未认知和开发的自然资源和宝藏，要想得到这些，就必须在深海进入、深海探测、深海开发等方面掌握关键技术。耕海探洋、装备先行。鉴于深海具有超高压、低温等极端苛刻环境，深潜器成为探索和开发深海资源的重要利器。深海电源系统是深潜器的核心动力，其性能直接影响到深潜器的作业能力和安全可靠性。因此，世界海洋强国高度重视深海电源的研发。截至目前，深海电源先后经历了铅酸电池、银锌电池、锂离子电池、高能量密度固态锂电池等不同蓄电池发展阶段。因此本文从深海电源用蓄电池主要分类等方面进行系统阐述，并在文末对深潜器用蓄电池等方面所存在的挑战和未来发展趋势进行了详细论述。
深潜器 蓄电池 铅酸电池 银锌电池 锂电池 submersibles batteries lead-acid batteries silver-zinc batteries lithium batteries
强激光与粒子束
2023, 35(10): 105003
1 金陵海关技术中心，江苏南京 210014
2 南京诺威尔光电系统有限公司，江苏南京 210014
锂电池端盖作为保障锂电池安全的关键部件，端盖是一种铝制的薄片，采用激光焊接工艺，焊接过程中容易造成焊穿孔、断焊、虚焊的现象，目前主要依靠目视检测、可见光图像检测，但上述检测方式不能检测出虚焊问题。本文使用脉冲红外热成像技术对激光焊接进行检测，制作了焊接率为 100%、50%、33%、25%共 4个试件，采用信号重建方法可以消除试件表面不匀的影响，一阶导图像可以看到焊接区域，焊接率越大，焊接区域亮斑越大；对图像进行二值分割，结果表明激光焊接率和检测面积成正相关线性关系，验证了脉冲红外热成像技术对锂电池端盖焊接质量检测的有效性，为锂电池端盖焊接质量检测提供了一种新方法。
脉冲红外热成像 锂电池 端盖 激光焊接 焊接检测 pulsed infrared thermography, lithium battery, exp
1 南京邮电大学 电子与光学工程学院、柔性电子学院，南京 210023
2 江苏省特种光纤材料与器件制备及应用工程研究中心，南京 210023
锂电池内部的应力和温度变化难以监测是影响电池安全运行的最大隐患，提出采用光纤布拉格光栅传感技术，在锂电池内部植入光栅对电池阳极的温度和应力变化信息进行实时采集，实现了对锂离子电池阳极的原位监测，建立了电信号与光学传感信号之间的联系。实验结果表明，锂电池工作循环中，锂离子的脱嵌和嵌入会引起温度变化，对应传感器波长偏移达100 pm，温度上升11.1 ℃；在排除温度因素的影响后，循环电流的跳变会引起阳极收缩，产生的应力使波长漂移达21.96 pm，约为18.3 με。此外，研究了不同充放电速率对电池的影响，10 mA电流比2.5 mA电流时温度提高了2.8倍，应力提高了4.4倍。所植入光栅监测系统既可以高精度地测量电化学反应引起的温度、应力变化，同时解调速度快，有利于实时、准确监测锂电池的热失控及形变鼓包故障，研究结果有望为锂电池的安全使用提供有效的实验依据。
锂电池 光纤布拉格光栅 温度 应力 原位监测 Lithium battery Fiber Bragg grating Temperature Stress In-situ monitoring
1 国网浙江省电力有限公司温州供电公司, 浙江 温州，325000
2 中国电力科学研究院有限公司，北京 100192
3 国网浙江省电力有限公司，杭州，310063
以固态电解质构建的全固态锂离子电池具有极高的安全性及可靠性，是目前锂离子电池领域的研究热点，其中研发无机物-高分子复合固体电解质用于全固态锂离子电池具有重要意义。通过溶胶-凝胶法及球磨细化制备了纳米级Li7La3Zr2O12 (LLZO)粉末，进而采用溶液浇注法制备出以LLZO为活性填料，聚氧化乙烯(PEO)和聚偏氟乙烯(PVDF)共混的固态复合聚合物电解质。通过场发射扫描电子显微镜以及X射线衍射仪对材料的形貌、物相及电化学性能表征表明：添加质量分数为10%LLZO的LLZO/PEO/PVDF固态复合聚合物电解质具有高离子电导率(8.93×10-5 S/cm)以及稳定的电化学窗口(4.9 V)。添加LLZO之后的LiFePO4/Li全固态电池的倍率性能以及循环性能均得到提高，在60 ℃高温下，容量恢复率为99.4%，0.2 C循环100圈后容量保持率为84.1%。
锂镧锆氧 共混聚合物 固态复合聚合物电解质 全固态锂电池 lithium lanthanum zirconium oxygen blending polymer solid-state composite polymer electrolyte all-solid-state lithium-ion battery
1 陕西科技大学图书馆, 西安 710021
2 陕西科技大学材料科学与工程学院, 西安 710021
本文从文献计量分析视角出发, 对磷酸铁锂(LiFePO4, LFP)电池材料研究领域的SCI-E论文进行梳理分析。利用CiteSpace6工具, 基于SCI-E数据库构建了LFP电池材料研究领域的突显词时区图谱和关键词聚类可视化知识图谱, 探究了LFP电池材料知识演进及可视化发展趋势。通过LFP电池材料突显词时区图谱, 发现LFP电池材料的知识演进路径由制备方法延伸至应用领域的性能研究, 最后到退役LFP电池材料的回收再利用。通过LFP电池材料关键词聚类可视化知识图谱发现, LFP电池材料的代表性发展趋势涉及动力电池性能提升技术、退役电池回收再利用和电池在线热失控管理等。
磷酸铁锂电池材料 知识演进 突显词时区图谱 聚类可视化知识图谱 lithium iron phosphate battery material knowledge evolution highlight word time zone map clustering visualization knowledge map
清华大学, 化学工程系绿色反应工程与工艺北京市重点实验室, 北京 100084
固态锂电池因其具有高能量密度等优势, 被认为是最具潜力的下一代电池技术之一。固态锂电池的诸多优势源于其中固态电解质材料的使用。机器学习方法的兴起为锂电池固态电解质研究提供了新的机遇。机器学习可以拓展传统理论模拟方法在固态电池研究中的应用边界, 推动高精度、跨尺度模拟方法的发展; 预测固态电解质离子导率、力学性质等关键指标, 在原子层面理解固态电解质的构效关系, 实现高性能固态电解质的高通量筛选; 辅助固态电池实验研究, 指导新型固态电解质合成, 深入定量解析固态电池谱学表征。因此, 机器学习方法的引入及其与理论模拟、实验之间的深度耦合将极大地推动固态电解质研究, 促进固态锂电池的实用化进程。
锂电池 固态电解质 机器学习 离子导率 分子动力学模拟 lithium batteries solid-state electrolytes machine learning ionic conductivity molecular dynamics simulations
