印度理工學院和圣路易斯華盛頓大學在液流電池運行容量預測上取得進展
文章信息
技術領域：氧化還原液流電池的容量預測
開發(fā)單位：印度理工學院德里分校，Anil Verma；圣路易斯華盛頓大學，Vijay K. Ramani.
文章名稱：Manshu Kapoor, Anil Verma, Vijay K. Ramani, et al. Predicting operational capacity of redox flow battery using a generalized empirical correlation derived from dimensional analysis. Chemical Engineering Journal, 2020
技術突破：將放電時間td作為因變量，利用無量綱分析的基本原理，本研究導出了一系列新的相關無量綱數(shù)。這些無量綱數(shù)的經驗關聯(lián)式可以預測RFB的工作容量和td，是采用特定的VRFB案例產生的。驗證的關聯(lián)式舒適地預測了VRFB的td在±7%誤差范圍內。此外，還利用關聯(lián)式對已發(fā)表文獻的少數(shù)提取數(shù)據(jù)進行td預測。通過對從文獻研究中提取的實驗數(shù)據(jù)中的無量綱數(shù)的評估，該關聯(lián)式能在±10%誤差范圍內預測VRFB的放電時間。
應用價值：該關聯(lián)式有助于理解不同變量對RFB性能的影響，并且可用于縮放需要提供特定設計容量的RFB。
在現(xiàn)有儲能技術中，氧化還原流動電池(RFB)是最適合于大規(guī)模電能存儲應用的技術之一。給定功率下的RFB設計大體上受電化學反應器中氧化還原對（活性物種）的選擇和電極尺寸的影響，而儲能容量的設計受氧化還原對和體積濃度的影響。RFB的工作容量預測取決于其放電時間的準確量化，而放電時間受到電化學參數(shù)、組成參數(shù)、幾何參數(shù)和流動參數(shù)的影響，同時對每個參數(shù)的獨立研究都是一項相當繁瑣的工作。RFB的設計和擴展都離不開能夠預測其運行容量的合理方法。建立由相關幾何變量和物理變量組成的無量綱參數(shù)，及其廣義經驗關聯(lián)式是預測RFB在特定條件下運行能力的有效方法，特別在工程應用中，可以大大減少實驗和計算工作量。
圖1 氧化還原液流電池的無量綱分析模型（左）及預測放電時間對比（右）
印度理工學院和圣路易斯華盛頓大學的研究人員利用無量綱分析的基本原理，開發(fā)了由決定RFB放電過程的變量組成的無量綱數(shù)，即理論容量利用(TCU)、體積單位數(shù)(NVU)、瓦格納數(shù)(Wa)和Damkohler數(shù)(RDa)的倒數(shù)等。此外，利用VRFB的特定案例，導出了能夠預測RFB的工作容量或td的無量綱數(shù)間的經驗關聯(lián)式，適用于TCU（0.4-0.8）、NVU（4.6-13.9）、Wa（1-4）和RDa（33-161）的范圍。在本研究無量綱數(shù)的范圍內，關聯(lián)式成功地預測了VRFB的td或工作容量，且在±7%(R2=0.93)誤差帶內。通過對一些文獻研究的驗證，還評估了導出的關聯(lián)式的預測能力，能在±10%誤差范圍內預測VRFB的td。該關聯(lián)式有助于理解不同操作變量對RFB性能的影響，也可用于縮放需要提供特定設計容量的RFB。
推薦相關閱讀：
中科院大連化物所研究人員在釩液流電池的預測和優(yōu)化上取得進展
文章信息
技術領域：釩液流電池的優(yōu)化和預測
開發(fā)單位：中科院大連化學物理所 李先鋒
文章名稱：Tianyu Li, Xianfeng Li, et al. Cost, performance prediction and optimization of a vanadium flow battery by machine-learning. Energy & Environmental Science, 2020.
技術突破：開發(fā)了一種創(chuàng)新機器學習(ML)方法，以精確優(yōu)化和預測VFB的效率和成本，該模型可以定量預測電壓效率和能量效率的平均絕對誤差在1%以內，電解質利用率、功率成本和能量成本在5.2%以內，在現(xiàn)有技術下，預測VFB的系統(tǒng)成本可降低到200mA cm-2以下的$223kW h-1(在E/P=4 h)。
應用價值：該方法可以指導液流電池的堆棧設計和優(yōu)化，從而進一步加速其商業(yè)化。
由于具有靈活設計、高安全性、高效率和長周期壽命等優(yōu)勢，處于商業(yè)示范階段的釩液流電池（VFB）是大規(guī)模儲能具吸引力的技術之一。VFB成本和性能與堆棧和電解質高度相關，其中堆棧性能隨著材料、架構和操作條件的變化而變化。目前，VFB堆棧的研發(fā)，包括關鍵材料、堆棧結構和性能優(yōu)化，主要是基于仿真、設計和實驗。這種方法耗時且昂貴，且很難厘清各種因素對系統(tǒng)性能和成本的影響。對于VFB堆棧的研發(fā)及快速商業(yè)化，開發(fā)可以精準預測VFB的堆棧性能和進一步動態(tài)評估成本的有效方法是至關重要的。
圖2 數(shù)據(jù)集的“完整特征”模型的殘差圖
圖3 在不同電壓效率和能量效率(E/P=4 h)系統(tǒng)成本預測隨著工作電流密度的變化
中國科學院大連物理化學所的研究人員在VFB堆棧研發(fā)實驗基礎上，整合了一種機器學習（ML）方法，并對其材料和結構進行了優(yōu)化，進而預測了未來的發(fā)展。該方法可顯著縮短VFB技術的研發(fā)和產業(yè)化，并可推廣到其他材料和結構設計或液流電池的設備運行條件優(yōu)化上。該模型在實驗和預測結果之間，可以實現(xiàn)電壓效率（VE）和能量效率（EE）的預測精度均在1%以內，電解質利用率（UE）、功率成本（P-cost）和能量成本（E-cost）在5.2%以內，可用于輔助VFB堆棧的優(yōu)化，并預測其性能和成本。
