首页 > 论文范文 > 工程工业论文 > 动力工程论文 > 新能源论文 > MXene/聚两性离子水凝胶在锌空气电池中的应用

MXene/聚两性离子水凝胶在锌空气电池中的应用

2024-10-23 99 上传者：管理员

摘要：水凝胶固态电解质有效避免了液态电解质易泄漏和难以封装的问题，使柔性可穿戴的便捷式供电设备成为可能。将MXene纳米片嵌入由丙烯酰氧乙基三甲基氯化铵（DMAEA-Q）和苯乙烯磺酸钠（NaSS）组成的聚两性离子水凝胶基质中，制备MXene/聚两性离子水凝胶。MXene作为物理交联剂和导电填料可以提高水凝胶的导电性，将其组装锌空气电池，电池保持较好的功率密度（50 mW/cm2）、比容量（753.1 mAh/g）和250次以上的长时间充放电循环寿命。

关键词：
MXene
两性离子
水凝胶
蓄电池
锌空气电池
加入收藏

阀控式密封铅酸（VRLA）蓄电池在长期的使用过程中，会受到水分流失、阴极劣化、正极板腐蚀等的影响，导致放电电压下降、内阻增加、实际满电容量下降。作为一种备用电源，VRLA蓄电池的运行状态直接影响工业生产，因而需要设计远程诊断和维护系统，实时掌握其健康水平。

1、VRLA蓄电池工作原理及常见故障

1.1工作原理

VRLA蓄电池在电力工业中应用广泛，其结构由安全阀、极柱、电池盖、负极板、正极板、电池槽、隔板等组成。VRLA蓄电池的正负极分别设置着不同的活性物质，以完成电化学反应，负极的活性物质为Pb，结构上呈海绵状[1]。PbO2为正极的反应物，其与Pb、H2SO4相互反应生成PbSO4和H2O。

1.2常见故障

1.2.1水分流失

一旦VRLA蓄电池内部发生失水，其额定容量通常会受到显著影响。如果失水量超过初始含水量的25%，则VRLA蓄电池进入报废状态，无法继续使用。造成失水的原因多样，如电池密封失效、正极板腐蚀、环境温度过高、排气阀压力偏低、自放电引起水分损耗等。以自放电过程为例，其化学反应原理分为两步，第一步为，第二步为

1.2.2负极劣化

从VRLA蓄电池的反应原理可知，在反复的充放电过程中，负极可产生PbSO4，充电时PbSO4被还原成Pb，放电时Pb又转化为PbSO4。由于充电不足、电池失水、使用不当等，负极所产生的PbSO4晶体存在板结的风险，无法完全参与反应，进而导致负极劣化，电池性能下降[2]。同时，PbSO4形成晶体之后，会增大VRLA蓄电池的内阻，从而使放电电流下降。

1.2.3正极板腐蚀

充电过程中，VRLA蓄电池正极可生成PbSO4，而VRLA蓄电池的密封性不足，导致O2进入，PbSO4受到O2的影响发生氧化，产生H2SO4和PbO2。H2SO4属于强酸物质，具有强烈的腐蚀性，会导致正极板逐渐腐蚀，严重时会造成VRLA蓄电池完全失效。蓄电池的正极板腐蚀实况如图1所示。

图1蓄电池的正极板腐蚀实况

1.2.4热失控

VRLA蓄电池的工作温度不宜过高，否则会引发安全风险。热失控通常出现在充电过程中，主要是蓄电池内部发生氧复合反应。从反应原理看，Pb和O2反应生成PbO，该过程释放的热量为219.2 kJ/mol。PbO和H2SO4发生化学反应，生成PbSO4、H2O、O2，该过程释放的能量为172 kJ/mol。上述两个反应过程相互叠加，会导致VRLA蓄电池热失控。

1.2.5电池组均匀性下降

在工程实践中，将多个VRLA蓄电池设计为一个电池组，根据VRLA蓄电池的健康状态，可将其分为健康电池和落后电池。落后电池的实际容量远低于额定容量，且其端电压和内阻与健康电池的端电压和电压也存在一定差异，当一个电池组中出现落后电池时，整个电池组的均匀性将受到影响。

2、远程诊断与维护系统功能需求及实现方法

2.1功能需求分析

远程诊断与维护系统的核心功能是评价VRLA蓄电池的运行状态，及时发现VRLA蓄电池可能出现的故障。在VRLA蓄电池状态评价中，重点指标为荷电状态、内阻、健康状态以及剩余电荷。因此，远程诊断与维护系统应具备上述在线检测功能，并且能展示相应的检测数据。

2.2内阻检测方法

2.2.1内阻与VRLA蓄电池健康状态的关系

VRLA蓄电池内阻与其放电量、额定容量联系紧密，是影响电池性能的关键因素。以12 Ah的VRLA蓄电池为例，通过大量的充放电实验，检测分析内阻、电流和电压之间的关系，可进一步拟合出内阻R的数学计算方法：

式中：η———放电量和额定容量的比值。

从电池健康状态来看，对于健康的VRLA蓄电池，当其剩余电量低于40%时，内阻会明显升高。对于已经劣化的VRLA蓄电池，当其剩余电量低于75%时，内阻便会明显升高。可见，随着电池的劣化，内阻对电池性能的影响越发突出[3]。

2.2.2内阻的测量方法

内阻作为判断VRLA蓄电池运行状态的重要指标，是远程诊断与维护系统的重点检测内容。VRLA蓄电池的内阻具有多种检测方式，如直流放电法、交流注入法。以交流注入法为例，向VRLA蓄电池注入一个交流信号，根据端电压和输入电流计算出VRLA蓄电池的内阻。

2.3健康状态评估方法

健康状态是对VRLA蓄电池运行情况的综合评价，VRLA蓄电池的剩余容量、放电电压、内阻等都是体现其健康状态的重要评价指标。以放电电压为例，随着VRLA蓄电池的衰减和劣化，其剩余容量会持续下降，内阻不断增大，从而导致放电电压呈下降趋势，因此可根据VRLA蓄电池的压降判断其健康状态。

2.3.1检测算法

远程诊断和运维系统可通过特定的算法实现VRLA蓄电池的健康状态检测。在此次检测中，以Kˉmeans聚类算法为基础，并对其进行改进。假设一个电池组中含有n个单体VRLA蓄电池，将电池组记为集合V={V1,V2,...,Vn}。单体VRLA蓄电池Vj对应的历史电压数据记为Vjs=(Vj1,Vj2,...,Vjm)[4]。因此，电池组中所有单体VRLA蓄电池的历史电压数据可表示为一个矩阵Vn×m，该矩阵的数学描述如下：

式中：Vnm———第n个单体蓄电池的第m个端电压数据。

将VRLA蓄电池电压样本特征矩阵划分为k类，参数k用于描述VRLA蓄电池健康状态分类，其取值范围为（2,n]。将n组电压数据划分为k段，则每一段可形成一个聚类中心，记为C1、C2、…、Ck。Ck×s为k个聚类中心所形成的矩阵，则有Ck×s=[C1C2…Ck]T，其中T表示转置操作，矩阵Ck×s的数学表达式如下：

式中：Cks———第k个聚类中心矩阵Ck中的第s个元素。

每组电压数据和聚类中心的欧式距离计算公式如下：

式中：dij———第i组电压数据到第j个聚类中心的欧式距离，i∈（0,n],j∈（0,k]。

按照上述原理进行多次迭代，即可确定初始的聚类中心。

2.3.2健康状态的分类方法

远程诊断与维护系统记录VRLA蓄电池的放电数据，根据以上算法对VRLA蓄电池的电压数据进行分析，并通过聚类将VRLA蓄电池的状态分为3类，分别为健康状态、亚健康状态和劣化状态。

2.4剩余荷电状态评估方法

剩余荷电状态（SOC）用于表示VRLA蓄电池当前剩余容量和满电容量的比值，反映了VRLA蓄电池当前的可用电量。SOC受到多种因素的综合影响，难以直接进行测量，需要通过算法进行预测。

2.4.1算法原理

在此次研究中，基于反向传播（BP）神经网络构建SOC的预测算法。BP神经网络由输入层、隐藏层和输出层构成[5]。输入层的数据包括VRLA蓄电池的电压、内阻、电流以及环境温度，输入层的节点将数据传输至隐藏层，该过程的数学描述方法如下：

式中：xi———第i个输入层神经元的输入值；wi———第i个神经元的连接权重，用于表示输入信号xi的重要性；θj———第j个隐藏层神经元的阈值，当神经元接收到的信息达到阈值，该神经元才会被激活；uj——第j个隐藏层神经元向输入层节点传输的数据。

BP神经网络的激活函数可采用Sigmoid函数，其数学表示方法如下：

式中：x———输入变量；y———输出结果；e———自然常数。在SOC预测中，输出结果为蓄电池当前剩余容量和满电容量的比值。

2.4.2 VRLA蓄电池荷电状态预测效果

(1）训练数据采集。采集1 000组VRLA蓄电池放电数据，根据SOC预测模型，每一组数据中应包含5个基本参数，分别为放电电压、内阻、放电电流、环境温度、SOC实测值，利用上述数据对模型进行训练。表1为VRLA蓄电池SOC预测模型部分训练数据。由于数据量较大，难以一一列举，表1仅展示部分训练数据。

表1 VRLA蓄电池SOC预测模型部分训练数据

(2）数据预处理。训练数据具有不同的量纲，且数值差异较大，为了降低算法程序的计算量，可采用归一化方法对样本数据进行预处理，归一化处理的数学公式如下：

式中：xn———处理前的数据；xm———归一化处理后的数据；xmin———数据样本中的最小值；xmax———数据样本中的最大值[6]。

(3)SOC预测结果。采集100组数据，对训练完成的算法模型进行测试，对比SOC实测值和SOC预测值之间的偏差，得到相对误差。表2为SOC预测效果。由表2可知，该算法模型的SOC预测值与SOC实测值之间的偏差均未超过1%，说明预测较为准确，具有良好的参考价值。

表2 SOC预测效果

3、结论

(1)VRLA蓄电池在运行过程中可能出现多种故障，如失水、正极板腐蚀、电池组不均匀、阴极劣化、内阻增加等。而VRLA蓄电池供电的可靠性和稳定性主要受SOC、健康状态、内阻、端电压等的影响。因此，远程诊断和维护系统应针对上述关键指标，设计专门的在线采集和分析功能。

(2)VRLA蓄电池的内阻，可借助交流注入法或者直流检测法进行测量，将数据反馈至系统。VRLA蓄电池的健康状态，可通过采集放电数据，将端电压作为主要的判断指标，利用Kˉmeans算法对VRLA蓄电池的状态进行自动分类，可分为健康、亚健康和劣化3种状态。VRLA蓄电池的SOC，可借助BP神经网络构建预测模型，将环境温度、内阻、放电电压、放电电流作为输入值，由算法预测SOC，经检测，其预测精度较高，满足使用要求。

参考文献:

[1]周仕保.基于模糊专家系统的矿用电机车蓄电池故障诊断及状态评估[J].煤矿机械,2023,44(10):176-179.

[2]张雁,缑鹏超,韩应辉,等.蓄电池组运行状态在线诊断技术研究[J].自动化与仪表,2022,37(5):43-47.

[3]刘昌赫.并联蓄电池模块单体电流测量系统设计[J].电源技术,2019,43(5):857-860.

[4]谢翔杰,魏桃胜,贺星煚,等.变电站蓄电池开路故障定位及集中式续流方法[J].电气技术,2024,25(3):63-67,73.

[5]苏鹏.轨道车蓄电池组亏电故障的诊断分析[J].设备管理与维修,2022(18):153-156.

[6]宋涛.智能变电站蓄电池状态监测系统的研究[J].科技与创新,2022(4):38-40.

基金资助:大学生创新创业训练计划项目(S202310709023);陕西省高校科协青年人才托举计划项目(20210421);西安市纺织复合材料重点实验室科技指导性项目(xafzfc-zd05);

文章来源:张思瑶,孙元娜,杜莹,等.MXene/聚两性离子水凝胶在锌空气电池中的应用[J].印染,2024,50(10):19-23.