一种二元含氟磺酰亚胺及其碱金属盐的制备方法

    公开(公告)号:CN104193655A

    公开(公告)日:2014-12-10

    申请号:CN201410354413.X

    申请日:2011-05-20

    Abstract: 本发明公开了一种制备二元或三元含氟磺酰亚胺碱金属盐和由这些二元或三元含氟磺酰亚胺的碱金属盐制备离子液体的方法,以及这些碱金属盐、离子液体作为电解质在碳基超级电容器、二次锂(离子)电池等中的应用。本发明提供的制备二元或三元含氟磺酰亚胺碱金属盐的方法操作步骤简短,产物易分离提纯,其产物的产率和纯度都很高;本发明提供的二元元或三元含氟磺酰亚胺锂的热稳定性和耐水解性好,其非水电解液具有较高的电导率和锂离子迁移数,同时表现出了较好的耐氧化能力,并与广泛应用的电极材料有良好的相容性;同时,含有二元或三元含氟磺酰亚胺阴离子的离子液体表现出低粘度、高电导率的性质,并具有宽的电化学窗口。

    一种由全氟烷基磺酰亚胺碱金属盐合成的离子液体

    公开(公告)号:CN102786449A

    公开(公告)日:2012-11-21

    申请号:CN201210261329.4

    申请日:2008-12-05

    Abstract: 本发明公开了一种合成全氟烷基磺酰亚胺金属盐(M[Rf1SO2NSO2Rf2],简称M[PFSI];其中,Rf1、Rf2=CmF2m+1,m=1-8,M=Li,Na,K,Rb,Cs)的方法,该方法利用全氟烷基磺酰胺的钾(铷、铯)盐与全氟烷基磺酰氟,在碳酸钾(铷、铯)存在下反应,可以方便且高产率的制备全氟烷基磺酰亚胺的钾(铷、铯)盐,产率为70~90%;利用该钾盐(铷、铯)与高氯酸锂(或钠)等在非质子极性溶剂中(如乙腈、碳酸二甲酯、硝基甲烷等)的复分解交换反应,得到高纯度的相应锂(或钠)盐(M[PFSI],M=Li,Na)。将制备得到的碱金属盐与与侧链含功能化官能团的锍盐、铵盐或磷盐反应,即可得到锍、铵或磷阳离子与[PFSI]-组成的疏水性功能化离子液体。

    一种锂离子电池用非水电解液及其应用

    公开(公告)号:CN103515650A

    公开(公告)日:2014-01-15

    申请号:CN201210211497.2

    申请日:2012-06-26

    CPC classification number: H01M10/0568 H01M10/0525

    Abstract: 本发明提供了一种使用不对称(全氟烷基磺酰)(多氟烷氧基磺酰)亚胺锂为导电盐的非水电解液,该非水电解液具有热稳定性高,耐氧化还原能力强,无铝箔腐蚀性等特点。在未使用任何非水电解液功能性添加剂的情况下,以LiN(SO2CF3)[SO2OCH(CF3)2](LiTFHFSI)为导电盐,碳酸酯、环状内酯、或羧酸酯等为溶剂组成的非水电解液制备的锂离子电池,比使用现有LiPF6电解液制备的锂离子电池,具有更加优异的宽温工作性能,特别是高温循环和储存性能。本发明非水电解液的上述优点是由于使用的不对称(全氟烷基磺酰)(多氟烷氧基磺酰)亚胺锂盐具有高的热稳定性和对水不敏感等优良特性所致。

    含氯磺酰基亚胺锂盐的非水电解液在一次锂电池中的应用

    公开(公告)号:CN115621478A

    公开(公告)日:2023-01-17

    申请号:CN202110795897.1

    申请日:2021-07-14

    Abstract: 本发明提供了一种含氯磺酰基亚胺锂盐的非水电解液在一次锂电池中的应用及使用含氯磺酰基亚胺锂盐非水电解液的一次锂电池,所述含氯磺酰基亚胺锂盐的非水电解液,由含有双(氯磺酰)亚胺锂盐和/或(氯磺酰)(烷基磺酰)亚胺锂盐的导电锂盐和非水溶剂组成的非水电解液。本发明所采用的含有双(氯磺酰)亚胺锂盐和/或(氯磺酰)(烷基磺酰)亚胺锂盐的导电盐具有离子导电和高电压放电平台放电增容的双重功能,该盐在一次锂电池的非水电解液中发挥锂离子导电的基本功能,在电池放电过程中,其阴离子能在正极上直接发生多电子还原反应,显著提供额外放电容量。实验结果显示,本发明能显著提高一次锂电池放电容量和能量密度。

    一种基于并行CNN-BiLSTM的发电机局放模式识别方法

    公开(公告)号:CN115586407A

    公开(公告)日:2023-01-10

    申请号:CN202211259783.6

    申请日:2022-10-14

    Abstract: 本发明公开一种基于并行CNN‑BiLSTM的发电机局放模式识别方法,在实验室环境下采集不同电压等级、不同缺陷类型的发电机定子线棒典型缺陷局放数据,绘制不同去噪系数的局放相位图谱、采集不同相位的电压信号、提取局放相位图谱特征和局放波形特征共十种参数,作为十通道并行CNN神经网络训练的输入参数,不同参数经过并行CNN网络对各特征进行卷积池化,送入分别与CNN特征输出层连接的BiLSTM神经网络,对BiLSTM神经网络进行训练,进行发电机局放典型缺陷的模式识别,十通道BiLSTM分别输出基于不同参数的模式识别结果,与现场样本进行结果对比,确定每个输出通道的权重完成对发电机定子线棒缺陷类型的判别。此方法基于多形式的输入训练多通道并行网络,提高模式识别的精确度。

Patent Agency Ranking