CN113935225B - 一种基于机器学习的液流电池电堆优化和性能预测方法 - Google Patents
一种基于机器学习的液流电池电堆优化和性能预测方法 Download PDFInfo
- Publication number
- CN113935225B CN113935225B CN202010605912.7A CN202010605912A CN113935225B CN 113935225 B CN113935225 B CN 113935225B CN 202010605912 A CN202010605912 A CN 202010605912A CN 113935225 B CN113935225 B CN 113935225B
- Authority
- CN
- China
- Prior art keywords
- flow battery
- performance
- battery pile
- parameters
- parameter
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000010801 machine learning Methods 0.000 title claims abstract description 16
- 238000005457 optimization Methods 0.000 title claims description 11
- 239000013598 vector Substances 0.000 claims abstract description 22
- 239000000463 material Substances 0.000 claims abstract description 16
- 238000012360 testing method Methods 0.000 claims abstract description 13
- 238000012549 training Methods 0.000 claims abstract description 13
- 239000003792 electrolyte Substances 0.000 claims abstract description 11
- 230000006870 function Effects 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000012417 linear regression Methods 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 claims description 7
- 238000013507 mapping Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 238000012706 support-vector machine Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 4
- 239000006185 dispersion Substances 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims 2
- 238000012216 screening Methods 0.000 claims 1
- 238000002474 experimental method Methods 0.000 abstract description 6
- 238000012827 research and development Methods 0.000 abstract description 3
- 238000011056 performance test Methods 0.000 abstract 1
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 9
- 229910052799 carbon Inorganic materials 0.000 description 9
- 239000007772 electrode material Substances 0.000 description 5
- 239000012528 membrane Substances 0.000 description 5
- 238000006243 chemical reaction Methods 0.000 description 4
- 238000004146 energy storage Methods 0.000 description 4
- 238000013461 design Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 239000007788 liquid Substances 0.000 description 3
- 239000002131 composite material Substances 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 229920000557 Nafion® Polymers 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 229910052720 vanadium Inorganic materials 0.000 description 1
- VLOPEOIIELCUML-UHFFFAOYSA-L vanadium(2+);sulfate Chemical compound [V+2].[O-]S([O-])(=O)=O VLOPEOIIELCUML-UHFFFAOYSA-L 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/08—Fluids
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Optimization (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Operations Research (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Artificial Intelligence (AREA)
- Medical Informatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Geometry (AREA)
- Algebra (AREA)
- Computer Hardware Design (AREA)
- Databases & Information Systems (AREA)
- Fuel Cell (AREA)
Abstract
本发明涉及一种液流电池电堆性能预测方法,更具体涉及一种基于机器学习的液流电池电堆性能预测和电堆材料及结构的优化方法。包括以下步骤:获取液流电池电堆的组装和性能测试参数(包括电压效率、能量效率和电解液利用率),并建立数据库;对数据库中的变量参数进行数值化和标准化处理;计算标准化处理后的变量参数与液流电池电堆性能参数之间的皮尔逊相关系数;将特征向量<X>及其对应的液流电池电堆性能参数y随机分成训练集和测试集;利用训练集中的参数数据训练液流电池电堆性能预测模型;使用测试集中的参数数据评价训练好的液流电池电堆性能预测模型。本方法能够有效指导实验、提高液流电池电堆的研发速度、降低实验成本。
Description
技术领域
本发明涉及一种液流电池电堆性能预测方法,更具体涉及一种基于机器学习的液流电池电堆性能预测和电堆材料及结构的优化方法。
背景技术
大规模储能技术能够解决可再生能源发电过程的不连续、不稳定、不可控的问题,是构建智能电网,实现削峰填谷,提高可再生能源利用率的重要技术。液流电池储能系统因具有环境友好、安全性高、功率和容量可独立设计等优点,是大规模储能的首选技术之一。但由于液流电池电堆的设计还没有标准可以参考,主要基于大量尝试性的实验,因此液流电池电堆在开发过程耗时长。另外,由于组装液流电池电堆所用的材料成本高,通过实验全面的了解不同液流电池电堆材料和液流电池结构对液流电池性能的影响需要耗费大量的研发成本。
机器学习方法能够从已有的液流电池电堆数据及其运行数据中挖掘出数据之间的映射关系,并利用历史数据和映射关系对新设计的液流电池电堆性能进行预测和分析,寻找到液流电池电堆材料之间的最佳匹配参数,提前预测液流电池电堆的性能,因此能够有效指导实验、提高液流电池电堆的研发速度、降低实验成本。
发明内容
本发明提供一种基于机器学习的液流电池电堆性能的预测方法
本发明为实现上述目的所采用的技术方案是:
一种基于机器学习的液流电池电堆优化和性能预测方法,包括以下步骤:
获取液流电池电堆组装的类型变量参数、数值变量参数和性能参数,并建立数据库;
对数据库中的类型变量参数进行数值化处理;
对数值变量参数以及数值化后的类型变量参数进行标准化处理;
计算标准化处理后的变量参数中,数值变量参数与液流电池电堆性能参数之间的皮尔逊相关系数;
提取皮尔逊相关系数绝对值最大的变量参数作为主要特征参数,其它变量参数为辅助特征参数,共同组成多维特征向量<X>,将液流电池电堆各性能参数分别作为目标函数y,将特征向量<X>及其对应的液流电池电堆性能参数y随机分成训练集和测试集;
利用训练集中的参数数据训练液流电池电堆性能预测模型;
使用测试集中的参数数据评价训练好的液流电池电堆性能预测模型的泛化能力。
还包括电堆材料及结构的优化方法,具体为:
对数据库中表示液流电池电堆的组装的类型变量参数和数值变量参数进行任意匹配,组成新的液流电池电堆,使用液流电池电堆性能预测模型对新的液流电池电堆的各性能参数进行预测,并利用公式,库伦效率=能量效率÷电压效率,计算库伦效率;从而从新的液流电池电堆中筛选出在相同操作条件下液流电池电堆性能参数最大的电堆的组合方式。
所述液流电池电堆组装的类型变量参数和数值变量参数包括液流电池电堆的材料参数和结构参数。
所述对数据库中的变量参数进行数值化处理采用独热编码或数值映射编码。
所述对数值化后的变量参数进行标准化处理采用离差标准化、标准差标准化、log函数转化、atan函数转化中的至少一种。
所述皮尔逊相关系数ρX,Y的计算公式为:
其中E是数学期望,cov(X,Y)表示X与Y的协方差,N表示变量取值的个数, X和Y表示两个随机变量,μX表示随机变量X的平均值,μY表示随机变量Y的平均值,σX表示随机变量X的标准差,σY表示随机变量Y的标准差。
所述液流电池电堆性能参数包括电压效率VE、能量效率EE和电解液利用率 UE。
采用多元线性回归算法或支持向量机回归算法进行拟合回归,构建液流电池电堆性能预测模型,输入为多维特征向量<X>,输出为液流电池电堆的性能参数:
所述多元线性回归算法拟合的计算公式为:
f(<X>,w,b)=wT<X>+b
其中,f(<X>,w,b)为目标函数的预测值,<X>为多维特征向量,w为多维特征向量的系数矩阵,wT为系数矩阵的转置,b为截距;
所述支持向量机回归拟合中,调整的参数包括:核函数类型、惩罚因子、误差回归上限、惩罚因子系数。
评价预测模型的精度的方法包括:残差图、决定系数、均方误差、平均绝对误差。
决定系数R2的计算公式如下:
其中,RSS表示残差平方和,TSS表示总体平方和,y是性能参数的实际值, f是性能参数的预测值,是性能参数实际的平均值,下标i表示第i个值;
均方误差MSE的计算公式如下:
其中,f是性能的预测值,是性能预测值的平均,n是数据的总个数;
平均绝对误差MAE的计算公式如下:
其中,f是性能的预测值,是性能预测值的平均。
本发明具有以下有益效果及优点:
1.本发明可以实现对现有液流电池电堆性能随操作条件变化的连续预测,减少液流电池电堆的测试时间。
2.本发明可以筛选出液流电池电堆在组装过程中能提高其运行性能的材料参数、结构参数和操作参数,指导液流电池电堆的研发,加速液流电池电堆在大规模储能领域的研发和产业化应用。
附图说明
图1本发明的方法流程图;
图2本发明的应用实例中额定设计功率为1kW级电堆的性能预测结果与实验测试结果的对比图;
图3本发明的应用实例中额定设计功率为3kW级电堆的性能预测结果与实验测试结果的对比图;
图4本发明的应用实例中额定设计功率为15kW级电堆的性能预测结果与实验测试结果的对比图。
具体实施方式
下面结合附图及实施例对本发明做进一步的详细说明。对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明提供一种基于机器学习的液流电池电堆性能的预测方法,如图1,现以全钒液流电池(VFB)电堆性能的预测方法为例说明,具体包括以下步骤:
步骤1:获取液流电池电堆的组装和测试数据并建立数据库,其中组装液流电池电堆的材料参数包括:电极材料类型(Eletrode_type)、双极板材料类型 (Bipolar_plate_type)、隔膜材料类型(Membrane_type);设备的结构参数至少包括:碳毡厚度(Electrode_thickness)、电极面积(Electrode_area)、电极数量(Cell_Number)、电极结构厚度(Electrode_Structure_thickness)、双极板尺寸(Bipolar_plate_size)、端板尺寸(Beam_size)、密封类型 (Seal_type)、隔膜面积(Membrane_area)、流场类型(Flow-field_type)、电解液浓度(Electrolyte_concentration)、压缩比(Compression_ratio);液流电池电堆的操作参数包括:操作温度(Temperature)、操作电流密度 (Operating_current_density)或操作功率(Operating_power);电堆性能参数包括:电压效率(VE)、能量效率(EE)、电解液利用率(UE)和库伦效率(CE);
具体的,液流电池电堆数据的电极材料类型可选国产碳毡和日本碳毡;电极厚度范围[4-4.35]mm;电极面积范围[400-2900]cm2;电极数量范围[4-60] 节;双极板材料类型可选自制复合双极板、SGL双极板;双极板尺寸范围 [1200-3360]cm2;电极结构厚度范围[0-4]mm;端板尺寸可选类型875型、1000 型和2000型;密封类型可选密封类型1、密封类型2和密封类型3;隔膜面积范围同双极板面积;流场类型可选普通流场、双并联流场、交指流场;隔膜材料类型可选PBI类隔膜、Nafion类膜;隔膜面积同双极板面积;电解液组固定,为硫酸钒溶液;电解液浓度范围为[1.5-1.65]M;压缩比范围[1.3-4.2];操作温度为室温;操作电流密度范围[80-300]mA/cm2;操作功率范围[0.25-30]kW。
步骤2:对液流电池电堆参数数值化处理,将非数值特征参数做数值化处理,其中,对于离散型特征参数,如果取值没有大小意义,采用独热(one-hot)编码,例如,电极材料类型包含国产碳毡和日本碳毡,其取值没有大小意义,采用独热(one-hot)编码,用数组(10)表示国产碳毡,用(01)表示日本碳毡;对于离散型特征参数,如果取值有大小意义,采用数值映射编码,例如,电极材料厚度的取值有大小意义,则采用数值映射编码。
步骤3:对数值参数作标准化处理,其中标准化方法可使用离差标准化 (Min-maxnormalization)、标准差标准化(Zero-meannormalization)、log函数转换、atan函数转换;此实施例中采用了标准差标准化处理。
步骤4:计算有取值大小意义的变量与VFB电堆性能之间的皮尔逊相关系数(Pearson Correlation Coefficient),计算公式为:
其中E是数学期望,cov(X,Y)表示X与Y的协方差,N表示变量取值的个数,建立皮尔逊相关系数矩阵。
步骤5:提取与性能参数的皮尔逊相关系数绝对值最大的参数作为主要特征参数,其它变量为辅助特征参数,组成多维特征向量<X>;此实施例中选择恒定电流密度下的操作电流密度为主要特征参数,其他参数为辅助特征参数,此时输入的多维特征向量<X>=(Carbon_felt_type[国产碳毡,日本碳毡], Electrode_thickness[4-4.35],Electrode_area[400-2900], Electrode_number[4-60],Bipolar_plate_type[自制复合双极板,SGL双极板],Bipolar_plate_size[1200-3360],电极结构厚度[0-4],Seal_type[密封类型1,密封类型2,密封类型3],Membrane_type[PBI-1,PBI-2,PBI-3, Nafion115,Nafion212],Flow-field_type[普通流场,双并联流场,交指流场],Beam_size[875型,1000型,2000型],Electrolyte_concentration [1.5-1.65],Compression_ratio[1.3-4.2],Operating_current_density [80-300])
将电堆的性能参数分别作为目标函数y,其中y=(VE)或(EE)或(UE)。
将所述特征向量<X>及其对应的性能y随机分成训练集和测试集,此实施例中训练集和测试集的数据比例为0.75:0.25。
步骤6:利用所述训练集中的数据训练液流电池电堆性能预测模型;
具体的,可以在步骤5中所得的训练集上,使用Pyhon的sklearn模块中的机器学习算法,如多元线性回归算法或支持向量机回归算法进行拟合回归,构建液流电池电堆性能预测模型。
(1)所述多元线性回归算法拟合的计算公式为:
f(<X>,w,b)=wT<X>+b
其中,f(<X>,w,b)为目标函数的预测值,<X>为多维特征向量,w为多维特征向量的系数矩阵,wT为系数矩阵的转置,b为截距;
(2)所述支持向量机回归拟合中,调整的参数包括:核函数类型、惩罚因子C、误差回归上限ε、各类别惩罚因子系数;
步骤7:使用所述测试集中的数据评价训练好的液流电池电堆性能预测模型。
其中,评价预测模型的精度的方法包括:残差图(X轴为预测值,Y轴为残差值(预测值减去真实值))、决定系数(Coefficient of Determination,R2)、均方误差(MeanSquared Error,MSE)和平均绝对误差(Mean Absolute Error, MAE)。
决定系数(R2)的计算公式如下:
式中,RSS表示残差平方和(Residual sum of squares),TSS表示总体平方和(Total sum of squares),y是实际值,f是预测值,是实际的平均值。
均方误差(MSE)的计算公式如下:
式中,f是预测值,是预测值的平均。
平均绝对误差(MAE)的计算公式如下:
通过多元线性回归算法拟合:
(1)电压效率(VE)的模型精度对比如表1所示,选取R2>0.95,MSE<1.30,MAE<0.75时的多维向量作为特征向量<X>,模型可靠,可作为电压效率预测模型;
(2)能量效率(EE)的模型精度对比如表2所示,选取R2>0.95,MSE<1.00, MAE<0.60时的多维向量作为特征向量<X>,模型可靠,可作为能量效率预测模型;
(3)电解液利用率(UE)的模型精度对比如表3所示,选取R2>0.93,MSE<16, MAE<3时的多维向量作为特征向量<X>,模型可靠,可作为电解液利用率预测模型;
(4)液流电池电堆的库伦效率可以通过公式:CE%=EE/VE×100%计算获得。
步骤8:对数据库中的液流电池电堆的材料参数和结构参数进行任意匹配,组成新的VFB电堆,并确定操作电流密度范围为[80-400]mA/cm2,用上述所建立的三种性能预测模型对新新的VFB液流电池电堆的电压效率、能量效率和电解液利用率分别进行预测,并计算其库伦效率;从而可以从新的VFB液流电池电堆中筛选出在相同的操作电流密度下具有最佳VE、EE、UE的VFB电堆参数。
为了验证上述方法的可行性,现以数据库中的2个VFB液流电池电堆为例,将预测结果与实验结果进行对比,结果如图2~4所示。
其中,图2表示1kW的VFB电堆在操作电流密度范围为[80-300]mA/cm2之间效率的预测值与实验值的对比;图3表示3kW的VFB电堆在操作电流密度范围为[100-400]mA/cm2之间效率的预测值与实验值的对比;图4表示15kW的 VFB电堆在操作电流密度范围为[100-400]mA/cm2之间效率的预测值与实验值的对比;从图2~4可得模型预测不同功率VFB电堆性能与实验值的偏差较小,模型可靠,并且所建立性能预测模型具有一定的操作范围扩展性。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
表1.不同特征向量条件下,VFB电堆的电压效率预测精度评估
表2.不同特征向量条件下,VFB电堆的能量效率预测精度评估
表3.不同特征向量条件下,VFB电堆的电解液利用率预测精度评估
Claims (7)
1.一种基于机器学习的液流电池电堆优化和性能预测方法,其特征在于,包括以下步骤:
获取液流电池电堆组装的类型变量参数、数值变量参数和性能参数,并建立数据库;
对数据库中的类型变量参数进行数值化处理;
对数值变量参数以及数值化后的类型变量参数进行标准化处理;
计算标准化处理后的变量参数中,数值变量参数与液流电池电堆性能参数之间的皮尔逊相关系数;
提取皮尔逊相关系数绝对值最大的变量参数作为主要特征参数,其它变量参数为辅助特征参数,共同组成多维特征向量<X>,将液流电池电堆各性能参数分别作为目标函数y,将特征向量<X>及其对应的液流电池电堆性能参数y随机分成训练集和测试集;
利用训练集中的参数数据训练液流电池电堆性能预测模型;
使用测试集中的参数数据评价训练好的液流电池电堆性能预测模型的泛化能力;
还包括电堆材料及结构的优化方法,具体为:
对数据库中表示液流电池电堆的组装的类型变量参数和数值变量参数进行任意匹配,组成新的液流电池电堆,使用液流电池电堆性能预测模型对新的液流电池电堆的各性能参数进行预测,并利用公式,库伦效率=能量效率÷电压效率,计算库伦效率;从而从新的液流电池电堆中筛选出在相同操作条件下液流电池电堆性能参数最大的电堆的组合方式;
采用多元线性回归算法或支持向量机回归算法进行拟合回归,构建液流电池电堆性能预测模型,输入为多维特征向量<X>,输出为液流电池电堆的性能参数:
所述多元线性回归算法拟合的计算公式为:
f(<X>,w,b)=wT<X>+b
其中,f(<X>,w,b)为目标函数的预测值,<X>为多维特征向量,w为多维特征向量的系数矩阵,wT为系数矩阵的转置,b为截距;
所述支持向量机回归拟合中,调整的参数包括:核函数类型、惩罚因子、误差回归上限、惩罚因子系数;
评价预测模型的精度的方法包括:残差图、决定系数、均方误差、平均绝对误差。
2.根据权利要求1所述的一种基于机器学习的液流电池电堆优化和性能预测方法,其特征在于,所述液流电池电堆组装的类型变量参数和数值变量参数包括液流电池电堆的材料参数和结构参数。
3.根据权利要求1所述的一种基于机器学习的液流电池电堆优化和性能预测方法,其特征在于,所述对数据库中的变量参数进行数值化处理采用独热编码或数值映射编码。
4.根据权利要求1所述的一种基于机器学习的液流电池电堆优化和性能预测方法,其特征在于,所述对数值化后的变量参数进行标准化处理采用离差标准化、标准差标准化、log函数转化、atan函数转化中的至少一种。
5.根据权利要求1所述的一种基于机器学习的液流电池电堆优化和性能预测方法,其特征在于,所述皮尔逊相关系数ρX,Y的计算公式为:
或
其中E是数学期望,cov(X,Y)表示X与Y的协方差,N表示变量取值的个数,X和Y表示两个随机变量,μX表示随机变量X的平均值,μY表示随机变量Y的平均值,σX表示随机变量X的标准差,σY表示随机变量Y的标准差。
6.根据权利要求1所述的一种基于机器学习的液流电池电堆优化和性能预测方法,其特征在于,所述液流电池电堆性能参数包括电压效率VE、能量效率EE和电解液利用率UE。
7.根据权利要求1所述的一种基于机器学习的液流电池电堆优化和性能预测方法,其特征在于,
决定系数R2的计算公式如下:
其中,RSS表示残差平方和,TSS表示总体平方和,y是性能参数的实际值,f是性能参数的预测值,是性能参数实际的平均值,下标i表示第i个值;
均方误差MSE的计算公式如下:
其中,f是性能的预测值,是性能预测值的平均,n是数据的总个数;
平均绝对误差MAE的计算公式如下:
其中,f是性能的预测值,是性能预测值的平均。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010605912.7A CN113935225B (zh) | 2020-06-29 | 2020-06-29 | 一种基于机器学习的液流电池电堆优化和性能预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010605912.7A CN113935225B (zh) | 2020-06-29 | 2020-06-29 | 一种基于机器学习的液流电池电堆优化和性能预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113935225A CN113935225A (zh) | 2022-01-14 |
CN113935225B true CN113935225B (zh) | 2024-05-07 |
Family
ID=79273027
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010605912.7A Active CN113935225B (zh) | 2020-06-29 | 2020-06-29 | 一种基于机器学习的液流电池电堆优化和性能预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113935225B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114725449A (zh) * | 2022-04-22 | 2022-07-08 | 湖北工业大学 | 一种燃料电池发动机出堆温度传感器故障信号重构及预测方法 |
CN116148681A (zh) * | 2023-04-24 | 2023-05-23 | 北京和瑞储能科技有限公司 | 一种铁-铬液流电池性能预测方法 |
CN117454186B (zh) * | 2023-12-22 | 2024-05-14 | 宁德时代新能源科技股份有限公司 | 模型训练、电池性能预测方法、装置、设备及存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20160061659A (ko) * | 2014-11-24 | 2016-06-01 | 김영한 | 기계학습 기반 학습자 맞춤형 학습과정 제공 방법 및 학습자 맞춤형 학습 시스템 |
CN105678077A (zh) * | 2016-01-07 | 2016-06-15 | 北京北交新能科技有限公司 | 一种混合动力车用锂离子电池功率性能的在线预测方法 |
CN106383315A (zh) * | 2016-08-29 | 2017-02-08 | 丹阳亿豪电子科技有限公司 | 一种新能源汽车电池荷电状态soc预测方法 |
CN108805217A (zh) * | 2018-06-20 | 2018-11-13 | 山东大学 | 一种基于支持向量机的锂离子电池健康状态估计方法及系统 |
CN109726802A (zh) * | 2018-12-29 | 2019-05-07 | 中南大学 | 一种铁路和风电场环境风速机器学习预测方法 |
CN110288136A (zh) * | 2019-06-11 | 2019-09-27 | 上海电力学院 | 风电功率多步预测模型建立方法 |
WO2020000248A1 (zh) * | 2018-06-27 | 2020-01-02 | 大连理工大学 | 一种基于空间重构的航空发动机过渡态加速过程关键性能参数预测方法 |
-
2020
- 2020-06-29 CN CN202010605912.7A patent/CN113935225B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20160061659A (ko) * | 2014-11-24 | 2016-06-01 | 김영한 | 기계학습 기반 학습자 맞춤형 학습과정 제공 방법 및 학습자 맞춤형 학습 시스템 |
CN105678077A (zh) * | 2016-01-07 | 2016-06-15 | 北京北交新能科技有限公司 | 一种混合动力车用锂离子电池功率性能的在线预测方法 |
CN106383315A (zh) * | 2016-08-29 | 2017-02-08 | 丹阳亿豪电子科技有限公司 | 一种新能源汽车电池荷电状态soc预测方法 |
CN108805217A (zh) * | 2018-06-20 | 2018-11-13 | 山东大学 | 一种基于支持向量机的锂离子电池健康状态估计方法及系统 |
WO2020000248A1 (zh) * | 2018-06-27 | 2020-01-02 | 大连理工大学 | 一种基于空间重构的航空发动机过渡态加速过程关键性能参数预测方法 |
CN109726802A (zh) * | 2018-12-29 | 2019-05-07 | 中南大学 | 一种铁路和风电场环境风速机器学习预测方法 |
CN110288136A (zh) * | 2019-06-11 | 2019-09-27 | 上海电力学院 | 风电功率多步预测模型建立方法 |
Non-Patent Citations (3)
Title |
---|
基于聚类分析的风电功率预测数据预处理方法;张里;王兰;李红军;廖小君;王婷婷;张江林;刘友波;;可再生能源;20181217(第12期);全文 * |
大规模高效液流电池储能技术的基础研究;张华民;李先锋;刘素琴;严川伟;曹高萍;科技资讯;20161231;第14卷(第004期);全文 * |
磷酸铁锂电池的SOC 预测;李国进;董第永;陈双;计算机仿真;20150315;第32卷(第3期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113935225A (zh) | 2022-01-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113935225B (zh) | 一种基于机器学习的液流电池电堆优化和性能预测方法 | |
Arenas et al. | Redox flow batteries for energy storage: their promise, achievements and challenges | |
Li et al. | Cost, performance prediction and optimization of a vanadium flow battery by machine-learning | |
Toghyani et al. | Optimization of operating parameters of a polymer exchange membrane electrolyzer | |
Mo et al. | Parameter optimization for a PEMFC model with a hybrid genetic algorithm | |
Restrepo et al. | Identification of a proton-exchange membrane fuel cell’s model parameters by means of an evolution strategy | |
Feng et al. | Artificial intelligence-based multi-objective optimisation for proton exchange membrane fuel cell: A literature review | |
Seyezhai et al. | Mathematical modeling of proton exchange membrane fuel cell | |
Tafaoli-Masoule et al. | Optimum design parameters and operating condition for maximum power of a direct methanol fuel cell using analytical model and genetic algorithm | |
Zheng et al. | Pathways toward enhanced techno-economic performance of flow battery systems in energy system applications | |
Miao et al. | Metamodel based design optimization approach in promoting the performance of proton exchange membrane fuel cells | |
Liu et al. | Multi-objective optimization of proton exchange membrane fuel cell geometry and operating parameters based on three new performance evaluation indexes | |
Alotto et al. | Large scale energy storage with redox flow batteries | |
CN114447378A (zh) | 一种质子交换膜燃料电池的参数优化方法 | |
Belmokhtar et al. | Modelling and fuel flow dynamic control of proton exchange membrane fuel cell | |
Kishor et al. | Fuzzy modeling of fuel cell based on mutual information between variables | |
CN114094150B (zh) | 一种基于机器学习的液流电池电堆最优操作条件预测方法 | |
Sun et al. | Data-driven modeling and monitoring of fuel cell performance | |
Wahdame et al. | Analysis of a fuel cell durability test based on design of experiment approach | |
Ouaidat et al. | Sensitivity analysis of the uncertainties of the mechanical design parameters: stochastic study performed via a numerical design of experiment | |
Crawford et al. | Development and validation of chemistry agnostic flow battery cost performance model and application to nonaqueous electrolyte systems | |
Celtek | Estimation of PEMFC design parameters with social learning-based optimization | |
Niu et al. | Machine learning-enabled performance prediction and optimization for iron–chromium redox flow batteries | |
CN112666462A (zh) | 评估质子交换膜燃料电池pemfc性能的方法及装置 | |
Hwang et al. | The Effect of Membrane Thickness on Durability and Performance of Proton Exchange Membrane Fuel Cell |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |