我所提出基于機器學習的全釩液流電池性能和成本預測方法和優化策略

  近日,由我所儲能技術研究部(DNL17)李先鋒研究員、張華民研究員領導的團隊在優化全釩液流電池(VFB)性能和預測其成本的研究方面取得新進展,提出了一種基于機器學習的VFB電堆性能和系統成本的預測與優化策略,該方法為VFB的研究開發提供了指導作用,有望提高研發效率,縮短研發周期,加速VFB的產業化進程。

  VFB具有安全性高、循環壽命長、效率高等優勢,在大規模儲能領域具有廣闊的應用前景。目前,VFB正處于商業化示范階段,如何進一步降低成本、提高效率,對其大規模產業化具有重要意義。VFB系統成本由功率成本(電堆)、能量成本(電解液)和控制系統等組成。其中,功率與能量的成本與電堆的性能息息相關;而電堆的性能受關鍵材料、電堆結構、操作條件等多方面因素的影響。若僅采用實驗的方法來優化電堆結構和性能耗時較長,因此如何高效有針對性的對電堆結構和性能進行優化至關重要。

  該工作基于研究團隊在VFB電堆研發過程中十幾年的積累和大量的電堆數據,提出了一種基于機器學習的VFB電堆性能和系統成本預測方法和優化策略。該方法以操作電流密度為主要特征參數,電堆的材料和結構等為輔助特征參數,能夠對VFB電堆的電壓效率(VE)、能量效率(EE)、電解液利用率(UE)以及VFB系統的功率成本和能量成本做出精確的預測,預測結果的平均絕對偏差(訓練集/測試集)分別為0.54%/0.47%、0.62%/0.56%、3.40%/3.14%、5.14%/4.97%、3.22%/3.08%。此外,科研人員根據模型系數,分析并提出未來VFB電堆的研發方向,即在保證較高的VE和UE條件下開發高功率密度電堆;基于機器學習所建立的模型和目前的材料成本,預測VFB系統運行成本隨VE和UE的變化趨勢。此項研究工作不僅對VFB電堆的研發具有指導意義,而且也為將機器學習與實驗科學相結合的方法來優化和預測復雜系統的行為提供了新思路。

  上述工作于近日發表在《能源與環境科學》(Energy & Environmental Science)上。以上工作得到國家自然科學基金委、中國科學院戰略性先導科技專項(A類)“變革性潔凈能源關鍵技術與示范”、中國科學院電化學儲能技術工程實驗室等資助。(文/圖 李天宇)

版權所有 © 中國科學院大連化學物理研究所 本站內容如涉及知識產權問題請聯系我們 備案號:遼ICP備05000861號 遼公網安備21020402000367號
全天时时彩计划二期中