CN114094150A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN114094150A CN114094150A CN202010628824.9A CN202010628824A CN114094150A CN 114094150 A CN114094150 A CN 114094150A CN 202010628824 A CN202010628824 A CN 202010628824A CN 114094150 A CN114094150 A CN 114094150A
- Authority
- CN
- China
- Prior art keywords
- cost
- flow battery
- prediction model
- predicting
- cell stack
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000010801 machine learning Methods 0.000 title claims abstract description 21
- 230000006870 function Effects 0.000 claims abstract description 27
- 239000000463 material Substances 0.000 claims abstract description 15
- 238000012549 training Methods 0.000 claims abstract description 14
- 238000012360 testing method Methods 0.000 claims abstract description 12
- 238000012545 processing Methods 0.000 claims abstract description 10
- 238000004422 calculation algorithm Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000010606 normalization Methods 0.000 claims description 10
- 238000012417 linear regression Methods 0.000 claims description 9
- 238000012706 support-vector machine Methods 0.000 claims description 9
- 238000013507 mapping Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 6
- 239000006185 dispersion Substances 0.000 claims description 2
- 238000011156 evaluation Methods 0.000 claims description 2
- 238000012216 screening Methods 0.000 claims description 2
- 238000012983 electrochemical energy storage Methods 0.000 abstract description 3
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 12
- 229910052799 carbon Inorganic materials 0.000 description 12
- 239000012528 membrane Substances 0.000 description 6
- 238000004146 energy storage Methods 0.000 description 5
- 229910052720 vanadium Inorganic materials 0.000 description 5
- 230000006835 compression Effects 0.000 description 4
- 238000007906 compression Methods 0.000 description 4
- 239000007772 electrode material Substances 0.000 description 4
- 239000003792 electrolyte Substances 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000007789 sealing Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 2
- 238000005868 electrolysis reaction Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 241000282414 Homo sapiens Species 0.000 description 1
- 229920000557 Nafion® Polymers 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 230000005494 condensation Effects 0.000 description 1
- 238000009833 condensation Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- LEONUFNNVUYDNQ-UHFFFAOYSA-N vanadium atom Chemical compound [V] LEONUFNNVUYDNQ-UHFFFAOYSA-N 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
Images
Classifications
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
- H01M8/00—Fuel cells; Manufacture thereof
- H01M8/04—Auxiliary arrangements, e.g. for control of pressure or for circulation of fluids
- H01M8/04298—Processes for controlling fuel cells or fuel cell systems
- H01M8/04992—Processes for controlling fuel cells or fuel cell systems characterised by the implementation of mathematical or computational algorithms, e.g. feedback control loops, fuzzy logic, neural networks or artificial intelligence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
- Y02E60/30—Hydrogen technology
- Y02E60/50—Fuel cells
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Sustainable Development (AREA)
- Electrochemistry (AREA)
- Automation & Control Theory (AREA)
- Life Sciences & Earth Sciences (AREA)
- Manufacturing & Machinery (AREA)
- Health & Medical Sciences (AREA)
- Sustainable Energy (AREA)
- Chemical & Material Sciences (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Fuzzy Systems (AREA)
- General Chemical & Material Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Fuel Cell (AREA)
Abstract
本发明属于大规模电化学储能领域,具体说是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。包括以下步骤:建立数据库;对数据库中的类型变量参数进行数值化和标准化处理;将参数变量组成多维特征向量<X>,将电堆的功率成本和能量成本分别作为目标函数y,将多维特征向量<X>及和目标函数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,同时构建成本预测模型;利用成本预测模型对数据库内的材料和成本变量参数进行预测,并计算系统运行总成本。本发明通过少量的测试即可确定研发的每个液流电池电堆的最佳操作性价比区间以及最佳操作参数。
Description
技术领域
本发明属于大规模电化学储能领域,具体说是一种基于机器学习的液流电池电堆最优操作条件的预测方法。
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,被认为是支撑可再生能源普及的战略性技术,在电力系统发展和能源变革有望发挥重要作用。在众多储能技术里,以全钒液流电池储能系统为代表的电化学储能技术因具有环境友好、安全性高、功率和容量可独立设计等优点,在大规模储能领域中具有广阔的前景。但液流电池电堆的设计还没有具体的标准可依,液流电池电堆开发和系统运行成本计算主要基于大量尝试性的实验,而不同材料和结构的液流电池电堆即使在相同的操作条件下运行,系统的运行成本也不尽相同,液流电池电堆材料和结构、操作参数和系统运行成本之间的关系十分复杂又相辅相成。并且液流电池电堆的研发成本高,周期长,仅通过实验的方法来确定电堆的最佳操作条件需要耗费大量的人力、物力和时间成本。
机器学习能利用计算机模拟实现人类的学习行为,自动获取知识并不断改善自身性能,拥有能够处理结构复杂的高维数据、在一定程度上减少计算量和提高预测精度的能力。利用机器学习的方法,从现有开发的液流电池电堆及其在不同操作条件下的运行性能数据和成本中挖掘出数据之间的映射关系,并利用这种映射关系对数据库中的电堆和新设计的液流电池电堆的最优操作条件提前预测,寻找到液流电池电堆的最佳操作条件,能够有效指导液流电池电堆的操作。
发明内容
本发明目的是提供一种基于机器学习的液流电池电堆最优性价比操作区间的预测方法。
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最优操作条件预测方法,包括以下步骤:
获取液流电池电堆组装的类型变量参数、材料价格参数、数值变量参数和性能参数,并建立数据库,其中,数值变量参数包括:操作参数、结构参数,操作参数又包括操作温度、操作电流密度或操作功率;
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;
在标准化处理后的变量参数中,选取数值变量参数中的操作电流密度参数或操作功率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>,将电堆的功率成本和能量成本分别作为目标函数y,将特征向量<X>及其对应的目标函数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,并选出评价结果在阈值范围内的特征向量<X>作为成本预测模型的输入,目标函数f(<X>,w,b)作为成本预测模型的输出,构建成本预测模型;
利用成本预测模型对数据库内每一个液流电池电堆的运行成本进行预测,得到不同操作电流密度或操作功率下的功率成本和能量成本,并计算系统运行总成本。
还包括不同电堆运行成本的优化方法,具体为:对数据库中的液流电池电堆的表示材料和结构的类型和数值变量参数进行任意匹配,组成新的液流电池电堆,利用成本预测模型对新的液流电池电堆的总成本进行预测,筛选出系统运行总成本最小的液流电池电堆的组合方式。
所述目标函数f(<X>,w,b)为功率成本或能量成本中的一种。
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。
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功率成本或能量成本f(<X>,w,b)。
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:
均方误差MSE的计算公式如下:
平均绝对误差MAE的计算公式如下:
所述系统运行总成本的计算公式为:
系统运行总成本=功率成本+能量成本。
本发明具有以下有益效果及优点:
1.应用本发明实例,通过少量的测试即可确定研发的每一个液流电池电堆的最佳操作性价比区间,明确液流电池电堆系统的最佳操作参数,指导液流电池电堆操作条件。
2.应用本发明实例,可以设计并筛选出具有操作高性价比的液流电池电堆材料参数和结构参数的组合,缩短液流电池电堆的研发时间和成本,加速液流电池电堆在大规模储能领域的产业化应用。
附图说明
图1是本发明一种基于机器学习的液流电池电堆系统的运行成本预测方法的流程图
图2是应用本发明建立的全钒液流电池电堆系统的运行成本预测模型来预测3kW级电堆系统的各项运行成本及其与实验值的对比图。
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它实施例,都属于本发明保护的范围。
本发明所要解决的技术问题在于一种基于机器学习的液流电池电堆最优性价比操作区间的预测方法。
本发明是通过以下技术方案解决上述技术问题的:
如图1所示为本发明的方法流程图,本发明包括以下步骤;
步骤1:获取全钒液流电池(VFB)电堆的测试数据并建立数据库,其中组装液流电池电堆的材料和成本参数包括:电极材料类型(Carbon_felt_type)和单价(Carbon_felt_Price)、双极板材料类型(Bipolar_plate_type)和单价(Bipolar_plate_price)、端板类型(Beam_type)和单价(Beam_price)、密封类型(Seal_type)和单价(Seal_price)、隔膜材料类型(Membrane_type)和单价(Membrane_price)、框体类型(Frame_type)和单价(Frame_price);设备的结构参数至少包括:电极厚度(Carbon_felt_thickness)、电极面积(Electrode_area)、电极数量(Electrode_number)、电极结构厚度(Electrode_structure_thickness)和价格(Electrode_structure_price)、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);液流电池电堆系统的运行成本包括:功率成本(Power_cost)和能量成本(Energy_cost);
具体的,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[400-2000]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;密封类型可选线密封类型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;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:如图2所示,此实施例中选择选择操作参数——恒定电流密度下的充放电电流密度为主要特征参数,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_structure_thickness[0-4],Electrode_Structure_price[20-400],Electrode_area[400-2900],Carbon_felt_Price[300-3000],Electrode_number[4-60],Bipolar_plate_type[自制复合双极板,SGL双极板],Bipolar_plate_size[1200-3360],Bipolar_plate_price[120-600],Seal_type[密封类型1,密封类型2,密封类型3],Seal_price[10-100],Membrane_type[PBI-1,PBI-2,PBI-3,Nafion115,Nafion212],Membrane_price[100-5000],Flow-field_type[普通流场,双并联流场,交指流场],Beam_size[875型,1000型,2000型],Beam_price[2360,3960,6560,19300],Electrolyte_concentration[1.5-1.65],Electrolyte_price[24-36],Compression_ratio[1.3-4.2],Operating_current_density[80-300])
将电堆的功率成本(Power cost)和能量成本(Energy cost)作为目标函数y,其中y=Power cost或Energy cost。
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5:利用所述训练集中的数据训练液流电池电堆功率成本和能量成本预测模型;
具体的,可以在步骤4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,构建液流电池电堆成本预测模型。
(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6: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:
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)功率成本(Power cost)的模型精度对比如表1所示,选取R2>0.95,MSE<0.02,MAE<0.1时的多维向量作为特征向量<X>,模型可靠,可作为功率成本预测模型;
(2)能量成本(Energy cost)的模型精度对比如表2所示,选取R2>0.93,MSE<0.04,MAE<0.15时的多维向量作为特征向量<X>,模型可靠,可作为能量成本预测模型;
通过支持向量机算法拟合:
(1)功率成本(Power cost)的模型精度对比如表3所示,选取R2>0.95,MSE<0.02,MAE<0.1时的多维向量作为特征向量<X>,模型可靠,可作为功率成本预测模型;
(4)能量成本(Energy cost)的模型精度对比如表4所示,选取R2>0.93,MSE<0.04,MAE<0.15时的多维向量作为特征向量<X>,模型可靠,可作为能量成本预测模型;
步骤7:利用液流电池电堆系统的运行成本预测模型,对数据库中的每一个电堆在操作电流密度为[80-400]mA/cm2之间的功率成本和能量成本分别进行预测,并计算液流电池电堆在不同电流密度下运行的总成本,其中系统运行的总成本的计算公式为;
系统运行总成本=功率成本(Power cost)+能量成本(Energy cost)
并以液流电池电堆的操作电流密度为横轴,其对应的总成本为纵轴,对预测的液流电池电堆系统作图,从而确定其最佳操作性价比区间;
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,用上述所建立的功率成本预测模型和能量成本预测模型对新设计的VFB液流电池电堆的电功率成本和能量成本别进行预测,并计算其总成本。根据步骤7所述方法计算全钒液流电池电堆系统运行的总成本并作图,确定新设计电堆的最佳操作性价比区间和最佳的全钒液流电池电堆运行的最佳功率和能量的匹配。
表1.VFB液流电池电堆功率成本取ln函数,多元线性回归拟合调参结果对比
表2.VFB液流电池电堆能量成本取ln函数后,多元线性回归拟合调参结果对比
表3.VFB液流电池电堆功率成本取ln函数后,用线性支持向量机回归拟合调参结果对比
表4.VFB液流电池电堆能量成本取ln函数后,用线性支持向量机回归拟合调参结果对比
Claims (10)
1.一种基于机器学习的液流电池电堆最优操作条件预测方法,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、材料价格参数、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;
在标准化处理后的变量参数中,选取数值变量参数中的操作电流密度参数或操作功率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>,将电堆的功率成本和能量成本分别作为目标函数y,将特征向量<X>及其对应的目标函数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,并选出评价结果在阈值范围内的特征向量<X>作为成本预测模型的输入,目标函数f(<X>,w,b)作为成本预测模型的输出,构建成本预测模型;
利用成本预测模型对数据库内每一个液流电池电堆的运行成本进行预测,得到不同操作电流密度或操作功率下的功率成本和能量成本,并计算系统运行总成本。
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最优操作条件预测方法,其特征在于,还包括不同电堆运行成本的优化方法,具体为:对数据库中的液流电池电堆的表示材料和结构的类型和数值变量参数进行任意匹配,组成新的液流电池电堆,利用成本预测模型对新的液流电池电堆的总成本进行预测,筛选出系统运行总成本最小的液流电池电堆的组合方式。
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最优操作条件预测方法,其特征在于,所述目标函数f(<X>,w,b)为功率成本或能量成本中的一种。
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最优操作条件预测方法,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。
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最优操作条件预测方法,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。
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最优操作条件预测方法,其特征在于,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功率成本或能量成本f(<X>,w,b)。
7.根据权利要求6所述的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,其特征在于,
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。
8.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最优操作条件预测方法,其特征在于,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。
10.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最优操作条件预测方法,其特征在于,所述系统运行总成本的计算公式为:
系统运行总成本=功率成本+能量成本。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010628824.9A CN114094150B (zh) | 2020-06-29 | 2020-06-29 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010628824.9A CN114094150B (zh) | 2020-06-29 | 2020-06-29 | 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 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114094150A true CN114094150A (zh) | 2022-02-25 |
CN114094150B CN114094150B (zh) | 2023-11-17 |
Family
ID=80294785
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010628824.9A Active CN114094150B (zh) | 2020-06-29 | 2020-06-29 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114094150B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115621516A (zh) * | 2022-12-20 | 2023-01-17 | 上海氢晨新能源科技有限公司 | 电堆核心零部件批量化装配方法、装置、设备及介质 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102479295A (zh) * | 2010-11-30 | 2012-05-30 | 中国科学院大连化学物理研究所 | 一种计算机预测蛋白功能的方法 |
WO2018056639A2 (ko) * | 2016-09-26 | 2018-03-29 | 주식회사 엘지화학 | 인공지능형 연료전지 시스템 |
CN108712404A (zh) * | 2018-05-04 | 2018-10-26 | 重庆邮电大学 | 一种基于机器学习的物联网入侵检测方法 |
CN109743200A (zh) * | 2018-12-25 | 2019-05-10 | 人和未来生物科技(长沙)有限公司 | 基于资源特征的云计算平台计算任务成本预测方法及系统 |
CN109902379A (zh) * | 2019-02-26 | 2019-06-18 | 电子科技大学 | 一种三元太阳能电池活性层材料的筛选系统及其筛选方法 |
JP2019102187A (ja) * | 2017-11-29 | 2019-06-24 | 株式会社カネカ | 二次電池製造システム |
CN209085657U (zh) * | 2017-08-02 | 2019-07-09 | 强力物联网投资组合2016有限公司 | 用于与化工生产工艺有关的或工业环境的数据收集系统 |
CN110190306A (zh) * | 2019-06-04 | 2019-08-30 | 昆山知氢信息科技有限公司 | 一种用于燃料电池系统的在线故障诊断方法 |
CN110188408A (zh) * | 2019-05-08 | 2019-08-30 | 武汉理工大学 | 一种基于粒子群算法的全钒液流电池储能系统运行优化方法 |
WO2020047469A2 (en) * | 2018-08-30 | 2020-03-05 | Saudi Arabian Oil Company | Machine learning system and data fusion for optimization of deployment conditions for detection of corrosion under insulation |
WO2020097562A1 (en) * | 2018-11-09 | 2020-05-14 | Iocurrents, Inc. | Machine learning-based prediction, planning, and optimization of trip time, trip cost, and/or pollutant emission during navigation |
US20200184131A1 (en) * | 2018-06-27 | 2020-06-11 | Dalian University Of Technology | A method for prediction of key performance parameter of an aero-engine transition state acceleration process based on space reconstruction |
-
2020
- 2020-06-29 CN CN202010628824.9A patent/CN114094150B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102479295A (zh) * | 2010-11-30 | 2012-05-30 | 中国科学院大连化学物理研究所 | 一种计算机预测蛋白功能的方法 |
WO2018056639A2 (ko) * | 2016-09-26 | 2018-03-29 | 주식회사 엘지화학 | 인공지능형 연료전지 시스템 |
CN209085657U (zh) * | 2017-08-02 | 2019-07-09 | 强力物联网投资组合2016有限公司 | 用于与化工生产工艺有关的或工业环境的数据收集系统 |
JP2019102187A (ja) * | 2017-11-29 | 2019-06-24 | 株式会社カネカ | 二次電池製造システム |
CN108712404A (zh) * | 2018-05-04 | 2018-10-26 | 重庆邮电大学 | 一种基于机器学习的物联网入侵检测方法 |
US20200184131A1 (en) * | 2018-06-27 | 2020-06-11 | Dalian University Of Technology | A method for prediction of key performance parameter of an aero-engine transition state acceleration process based on space reconstruction |
WO2020047469A2 (en) * | 2018-08-30 | 2020-03-05 | Saudi Arabian Oil Company | Machine learning system and data fusion for optimization of deployment conditions for detection of corrosion under insulation |
WO2020097562A1 (en) * | 2018-11-09 | 2020-05-14 | Iocurrents, Inc. | Machine learning-based prediction, planning, and optimization of trip time, trip cost, and/or pollutant emission during navigation |
CN109743200A (zh) * | 2018-12-25 | 2019-05-10 | 人和未来生物科技(长沙)有限公司 | 基于资源特征的云计算平台计算任务成本预测方法及系统 |
CN109902379A (zh) * | 2019-02-26 | 2019-06-18 | 电子科技大学 | 一种三元太阳能电池活性层材料的筛选系统及其筛选方法 |
CN110188408A (zh) * | 2019-05-08 | 2019-08-30 | 武汉理工大学 | 一种基于粒子群算法的全钒液流电池储能系统运行优化方法 |
CN110190306A (zh) * | 2019-06-04 | 2019-08-30 | 昆山知氢信息科技有限公司 | 一种用于燃料电池系统的在线故障诊断方法 |
Non-Patent Citations (2)
Title |
---|
CHRISTINE MINKE等: "\"Techno-economic assessment of novel vanadium redox flow batteries with large-area cells\"", 《JOURNAL OF POWER SOURCES》, vol. 361, pages 2 * |
郑伟达等: "基于不同机器学习算法的钙钛矿材料性能预测", 《中国有色金属学报》, vol. 29, no. 04, pages 803 - 809 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115621516A (zh) * | 2022-12-20 | 2023-01-17 | 上海氢晨新能源科技有限公司 | 电堆核心零部件批量化装配方法、装置、设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN114094150B (zh) | 2023-11-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
Li et al. | Cost, performance prediction and optimization of a vanadium flow battery by machine-learning | |
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 | |
Song et al. | Effect of Electrode Degradation on the Membrane Degradation in PEMFC | |
Yu et al. | Parametric analysis of the proton exchange membrane fuel cell performance using design of experiments | |
Lobato et al. | Direct and inverse neural networks modelling applied to study the influence of the gas diffusion layer properties on PBI-based PEM fuel cells | |
Hao et al. | An improved empirical fuel cell polarization curve model based on review analysis | |
Kim et al. | Electrokinetic parameters of a vanadium redox flow battery with varying temperature and electrolyte flow rate | |
CN114447378B (zh) | 一种质子交换膜燃料电池的参数优化方法 | |
Souissi | Adaptive sliding mode control of a PEM fuel cell system based on the super twisting algorithm | |
Cai et al. | Construction and analysis of photovoltaic directly coupled conditions in PEM electrolyzer | |
De Silva et al. | Performance comparison of mono-polar and bi-polar configurations of alkaline electrolysis stack through 3-D modelling and experimental fabrication | |
Khatib et al. | Experimental and analytical study of open pore cellular foam material on the performance of proton exchange membrane electrolysers | |
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 | |
Li et al. | Voltammetric and galvanostatic methods for measuring hydrogen crossover in fuel cell | |
Kishor et al. | Fuzzy modeling of fuel cell based on mutual information between variables | |
Kunusch et al. | Linear identification and model adjustment of a PEM fuel cell stack | |
Chatillon et al. | Differential capacity plot as a tool for determination of electroactive surface area within a PEMFC stack | |
Crawford et al. | Development and validation of chemistry agnostic flow battery cost performance model and application to nonaqueous electrolyte systems | |
Hwang et al. | The Effect of Membrane Thickness on Durability and Performance of Proton Exchange Membrane Fuel Cell | |
CN112666462A (zh) | 评估质子交换膜燃料电池pemfc性能的方法及装置 | |
Santana-Villamar et al. | Relative humidity impact on the performance and internal resistances of a PEFC working at maximum output power | |
CN113721457A (zh) | 基于lmi的氢燃料电池最优参数可变控制器的设计方法 | |
CN115221816B (zh) | 确定燃料电池水管理状态操作条件组合的方法和装置 |
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 |