使用机器学习的钒液流电池的成本,性能预测和优化。
钒液流电池(VFB)具有安全性高,循环寿命长和效率高等优点,有望用于固定式大规模储能。
VFB系统的成本主要取决于VFB电池组,电解液和控制系统。从关键材料到电池架构,由于复杂的因素,从实验室到工业规模的VFB堆栈开发都可能需要进行多年的实验。
为了加速VFB的商业化,需要新颖的方法来准确地预测VFB堆栈和其他系统的性能和成本。
最近,由中国科学院大连化学物理研究所(DICP)的李宪峰教授领导的研究小组提出了一种基于机器学习的策略,以预测和优化VFB的性能和成本。
李教授说:“我们使用AI技术来提高效率,减少研究时间,并为VFB的研发提供重要指导。” “这可能会加速VFB的商业化。”
这项工作于9月22日发表在《能源与环境科学》上。
所提出的策略以工作电流密度为主要特征,而堆叠的材料和结构为辅助特征。
该机器学习模型可以高精度地预测VFB堆的电压效率,能量效率和电解质利用率,以及VFB系统的功率和能量成本。
此外,基于机器学习的模型系数,提出了VFB电池组的未来研发方向,即在更高电压效率和更高电解质利用率的条件下开发高功率密度VFB电池组。
这项工作不仅对VFB堆栈的研发具有重要意义,而且还突出了将机器学习与实验相结合以优化和预测复杂系统的动态行为的前景。
领取专属 10元无门槛券
私享最新 技术干货