Ванадиевые проточные батареи (VFB) перспективны для стационарных крупномасштабных накопителей энергии благодаря их высокой безопасности, длительному сроку службы и высокой эффективности.
Стоимость системы VFB в основном зависит от батареи VFB, электролита и системы управления. Разработка стека VFB от лабораторного до промышленного может занять годы экспериментов из-за сложных факторов, от основных материалов до архитектуры батареи.
Новые методы точного прогнозирования производительности и стоимости стека VFB и других систем необходимы для ускорения коммерциализации VFB.
Недавно исследовательская группа под руководством профессора Ли Сяньфэна из Даляньского института химической физики (DICP) Китайской академии наук предложила стратегию на основе машинного обучения для прогнозирования и оптимизации производительности и стоимости VFB.
«Мы используем технологию искусственного интеллекта для повышения эффективности, сокращения времени исследования и предоставления важных рекомендаций для исследований и разработок VFB», — сказал профессор Ли. «Это может ускорить коммерциализацию VFB».
Эта работа была опубликована в журнале Energy & Environmental Science 22 сентября.
Предлагаемая стратегия использует плотность рабочего тока в качестве основной характеристики, а материал и структуру батареи — в качестве дополнительных.
Эта модель машинного обучения может с высокой точностью прогнозировать КПД по напряжению, энергоэффективность и коэффициент использования электролита стека VFB, а также стоимость мощности и энергии системы VFB.
Кроме того, было предложено будущее направление исследований и разработок стека VFB на основе коэффициентов модели машинного обучения, т. е. Разработка стаков VFB с высокой плотностью мощности в условиях более высокого КПД по напряжению и более высокого коэффициента использования электролита.
Эта работа не только имеет большое значение для исследований и разработок стеков VFB, но также подчеркивает перспективы объединения машинного обучения и экспериментов для оптимизации и прогнозирования динамического поведения сложных систем.