CN116312837A - 一种基于多尺度模型的液流电池当地极化预测方法 - Google Patents
一种基于多尺度模型的液流电池当地极化预测方法 Download PDFInfo
- Publication number
- CN116312837A CN116312837A CN202310278003.0A CN202310278003A CN116312837A CN 116312837 A CN116312837 A CN 116312837A CN 202310278003 A CN202310278003 A CN 202310278003A CN 116312837 A CN116312837 A CN 116312837A
- Authority
- CN
- China
- Prior art keywords
- pore
- scale model
- battery
- neural network
- electrode
- 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.)
- Pending
Links
- 230000010287 polarization Effects 0.000 title claims abstract description 50
- 238000000034 method Methods 0.000 title claims abstract description 39
- 239000011148 porous material Substances 0.000 claims abstract description 108
- 239000013543 active substance Substances 0.000 claims abstract description 16
- 238000012546 transfer Methods 0.000 claims abstract description 13
- 238000003487 electrochemical reaction Methods 0.000 claims abstract description 11
- 230000008569 process Effects 0.000 claims abstract description 10
- 238000012549 training Methods 0.000 claims description 51
- 238000013528 artificial neural network Methods 0.000 claims description 50
- 239000003792 electrolyte Substances 0.000 claims description 36
- 210000004027 cell Anatomy 0.000 claims description 20
- 230000035699 permeability Effects 0.000 claims description 14
- 238000007086 side reaction Methods 0.000 claims description 14
- 239000011149 active material Substances 0.000 claims description 10
- 206010024769 Local reaction Diseases 0.000 claims description 9
- 239000012530 fluid Substances 0.000 claims description 9
- 210000002569 neuron Anatomy 0.000 claims description 7
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 4
- 230000000704 physical effect Effects 0.000 claims description 3
- 230000005012 migration Effects 0.000 claims description 2
- 238000013508 migration Methods 0.000 claims description 2
- 238000010801 machine learning Methods 0.000 abstract description 10
- 238000004088 simulation Methods 0.000 abstract description 3
- 229920000049 Carbon (fiber) Polymers 0.000 abstract description 2
- 239000004917 carbon fiber Substances 0.000 abstract description 2
- 239000007789 gas Substances 0.000 description 12
- 238000006243 chemical reaction Methods 0.000 description 8
- 238000005457 optimization Methods 0.000 description 8
- 239000000126 substance Substances 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 6
- 238000004146 energy storage Methods 0.000 description 5
- 238000011160 research Methods 0.000 description 5
- 238000009826 distribution Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000013461 design Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000004907 flux Effects 0.000 description 3
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 description 2
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 239000003638 chemical reducing agent Substances 0.000 description 2
- 230000001276 controlling effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 239000001257 hydrogen Substances 0.000 description 2
- 229910052739 hydrogen Inorganic materials 0.000 description 2
- 239000012528 membrane Substances 0.000 description 2
- 238000012821 model calculation Methods 0.000 description 2
- 239000001301 oxygen Substances 0.000 description 2
- 229910052760 oxygen Inorganic materials 0.000 description 2
- 238000005086 pumping Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- -1 bipolar plates Substances 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- UPHIPHFJVNKLMR-UHFFFAOYSA-N chromium iron Chemical compound [Cr].[Fe] UPHIPHFJVNKLMR-UHFFFAOYSA-N 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 239000007772 electrode material Substances 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 230000002102 hyperpolarization Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- QELJHCBNGDEXLD-UHFFFAOYSA-N nickel zinc Chemical compound [Ni].[Zn] QELJHCBNGDEXLD-UHFFFAOYSA-N 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 239000000376 reactant Substances 0.000 description 1
- 230000036647 reaction Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000013341 scale-up Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000003325 tomography Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000005514 two-phase flow Effects 0.000 description 1
- 229910052720 vanadium Inorganic materials 0.000 description 1
- LEONUFNNVUYDNQ-UHFFFAOYSA-N vanadium atom Chemical compound [V] LEONUFNNVUYDNQ-UHFFFAOYSA-N 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/378—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC] specially adapted for the type of battery or accumulator
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/10—Analysis or design of chemical reactions, syntheses or processes
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/70—Machine learning, data mining or chemometrics
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Crystallography & Structural Chemistry (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Medical Informatics (AREA)
- Analytical Chemistry (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Hybrid Cells (AREA)
Abstract
本发明公开了一种基于多尺度模型的液流电池当地极化预测方法，属于液流电池领域。本发明构建了电池尺度模型和孔隙尺度模型，其中电池尺度模型能够模拟厘米至米尺度的活性物质传质过程和电化学反应，具有较大的模拟范围；而孔隙尺度模型能够模拟纳米至微米尺度的活性物质传质过程和电化学反应，能够反应碳纤维组成的几何结构，具有高准确性。本发明的多尺度模型通过机器学习方法学习孔隙尺度几何条件、电池尺度入口条件与孔隙尺度当地极化情况之间的关系，实现了电池尺度模型与孔隙尺度模型的连接。本发明可降低当地极化情况的预测时间，提高当地极化预测的准确性。
Description
技术领域
本发明属于液流电池领域，具体涉及一种基于多尺度模型的液流电池当地极化预测方法。
背景技术
在双碳目标下，随着可再生能源包括风能和太阳能的大规模开发，为了解决供给侧和需求侧之间的矛盾，一个能够将可再生能源并入电网的安全、高效、成本低的储能技术亟待开发。在众多储能技术中，由于模块化设计、原材料丰富、设计灵活等特点，氧化还原液流电池被视为最有前景的储能技术之一。作为大规模储能系统，氧化还原液流电池的安全性、可靠性和高能量效率是应用时最先考虑的因素。大部分改进措施面向液流电池的不同组件，包括电极、膜、双极板和电解液。此外，液流电池的副反应会产生气体，可能导致安全性问题，也是液流电池安全运行需要解决的关键。
在液流电池领域，全钒液流电池、锌镍液流电池、铁铬液流电池等都是水系电池，其中发生的析氢反应、析氧反应会降低多孔电极的电化学反应面积，导致电池的能量效率降低。长期的析氢和析氧反应可能还会腐蚀电极，降低电池的运行寿命。在高电压下，电池的副反应会加剧，因此在充放电过程中常用低截止电压来抑制气体副反应。然而，由于电极孔隙结构的复杂性和电解液的优先流动路径，电极中的当地过度极化有可能在局部发生，而当地过度极化会导致气体副反应。为了研究导致当地极化情况，基于X射线断层扫描技术和格子玻尔兹曼方法开发的孔隙尺度模型以及基于孔隙结构简化后的孔网结构开发的孔网模型相继被学者提出。其中，前者常被用于电极材料开发、电极结构优化以及两相流研究，具有较高的准确性；而后者常用于探究电极内部活性物质传递和反应过程，准确性稍低，但能够节省大量计算资源。
另一方面，为了解决液流电池的当地极化问题，常采用流量管理技术来抑制浓差过电势并提高电池的能量效率。常用的流量优化策略通常会考虑电池性能和泵功损耗之间的矛盾：高流量能够强化电极表面的离子传质过程，从而降低浓差过电势；然而，相应的泵功同样会增加，使得系统效率下降。从这点出发，流量优化策略从传统的分段式策略发展到动态优化策略。研究表明，相比于恒定流量，变流量策略能够提升电池整体系统效率，降低当地的浓差过电势。然而，目前的流量优化策略没有考虑当地极化可能带来的气体副反应，单独依据系统效率来制定策略可能会导致特定情况下的气体副反应发生，进而引发安全问题。
总之，在探究气体副反应使用的模型中，学者常常使用孔隙尺度模型来分析多孔介质的结构以及入口条件对于当地极化的影响，而在控制和调节当地极化时，电池尺度的流量优化策略常被提及。两者之间尺度的不匹配使得针对气体副反应的研究和调节措施难以统一，从而造成控制当地极化和气体副反应的技术瓶颈。针对这一瓶颈，如何将孔隙尺度模型扩大至包括整个电极在内的电池尺度是研究的关键。
发明内容
针对以上提出的现有技术中存在电池模型尺度不匹配的问题，本发明提出一种基于多尺度模型的液流电池当地极化预测方法。该多尺度模型应用于可再生能源电池储能领域，在液流电池运行过程中存在的孔隙尺度模型与电池尺度流量优化的尺度不匹配问题，通过训练深度神经网络预测电极内部的当地极化，避免气体副反应的发生。
本发明所采用的技术方案如下：
一种基于多尺度模型的液流电池当地极化预测方法，其包括以下步骤：
S1、基于孔网模型建立液流电池中电极的孔隙尺度模型；生成不同的电极微观孔隙结构作为第一训练样本的样本输入，并将各第一训练样本中的电极微观孔隙结构代入孔隙尺度模型中进行求解，得到电极微观孔隙结构对应的孔隙率、渗透率和比表面积并作为第一训练样本的样本标签，从而构建第一训练样本集；
S2、利用第一训练样本集对第一深度神经网络进行训练直至网络收敛，使其能够基于电极微观孔隙结构预测对应的孔隙率、渗透率和比表面积；
S3、结合Naiver-Stokes方程、Brinkmann方程、Nernst-Planck方程、Butler-Volmer方程、质量守恒方程和电荷守恒方程，基于有限体积法建立描述液流电池内部速度场、浓度场和电势场的电池尺度模型，以模拟电解液流动和活性物质传质过程；生成不同的电解液活性物质浓度、电解液输入流量、电池所受施加电压和电极微观孔隙结构作为第二训练样本的样本输入，并利用训练后的第一深度神经网络预测各第二训练样本中电极微观孔隙结构对应的孔隙率、渗透率和比表面积，再将预测得到的孔隙率、渗透率和比表面积与同一第二训练样本中的电解液活性物质浓度、电解液输入流量、电池所受施加电压代入所述电池尺度模型中，求解得到液流电池内部的速度场、浓度场和电势场后将其作为所述孔隙尺度模型的入口条件，由孔隙尺度模型根据入口条件以及电极微观孔隙结构，计算电极中各孔隙内部活性物质的当地反应速率并作为对应的第二训练样本的样本标签，从而构建第二训练样本集；
S4、利用第二训练样本集对第二深度神经网络进行训练直至网络收敛，使其能够基于电解液活性物质浓度、电解液输入流量、电池所受施加电压和电极微观孔隙结构预测电极中各孔隙内部活性物质的当地反应速率，从而反映液流电池当地极化情况。
作为优选，所述孔隙尺度模型满足以下假设：孔隙内包括压力和浓度等物性不发生变化，电解液是稀溶液，且电化学反应仅发生在孔隙内而不发生在喉管内。
作为优选，所述电池尺度模型满足以下假设：电池中的所有组件是绝热的，电池中的流体是不可压缩流体，电池中的气体副反应被忽略，且电池中活性物质和水的跨膜迁移被忽略。
作为优选，所述述孔隙尺度模型和电池尺度模型在求解时，均对电池和电极的空间进行离散化，对每个离散单元分别进行数值求解。
作为优选，所述第一深度神经网络和第二深度神经网络均采用BP神经网络。
作为优选，所述第一深度神经网络中，BP神经网络包含输入层、4层隐藏层和输出层，每层隐藏层包含100个神经元。
作为优选，所述第二深度神经网络中，BP神经网络包含输入层、4层隐藏层和输出层，每层隐藏层包含400个神经元。
作为优选，所述第一深度神经网络和第二深度神经网络中，电极微观孔隙结构均通过将电极所在空间离散化为单元后，将每一个单元坐标[xi,yi,zi]与该网格中的孔隙孔径dpi的乘积进行累加，以累加后的向量
作为网络输入。
本发明与现有技术相比，具有以下特点：
1.相比于传统的孔隙尺度模型或电池尺度模型，本发明将孔隙尺度模型和电池尺度模型通过机器学习组合为兼具高精度和大尺度的多尺度模型，能够准确预测受到电极纤维结构影响的当地极化情况。
2.本发明通过通过机器学习方法来学习孔隙尺度几何条件、电池尺度入口条件与孔隙尺度当地极化情况之间的关系，实现了电池尺度模型与孔隙尺度模型的连接，大幅降低了模型的计算时间，减少了模型所需的计算资源。本发明可实现电池尺度下的当地极化预测，将孔隙尺度模型拓展到了整个电极甚至整个电堆的范围。
3.本发明能够通过多尺度模型预测不同情况下的当地极化，可以用于对液流电池当地极化的机理和控制策略进行深入研究，为未来的控制当地极化技术提供理论基础。
附图说明
图1为本发明中一种基于多尺度模型的液流电池当地极化预测方法的流程示意图。
图2为本发明所采用的深度神经网络示意图。
图3为本发明实施例中的电池尺度模型(左图)与孔隙尺度模型(右图)的模型验证。
图4为本发明实施例中的不同电解液流量和不同电荷状态下的当地极化分布图。
具体实施方式
下面结合附图和具体实施方式对本发明做进一步阐述和说明。
如图1所示，在本发明的一个较佳实施例中，提供了一种基于多尺度模型的液流电池当地极化预测方法。该多尺度模型中包括电池尺度模型、孔隙尺度模型和机器学习模型。其中，本发明中所采用的电池尺度模型具有通过输入参数计算预测所需的入口条件的功能，用来模拟电解液流动和活性物质传质过程；孔隙尺度模型具有构建微观结构和计算当地极化的功能，用于预测受到微观结构、电极渗透率、比表面积和电化学反应影响的当地极化情况；机器学习模型采用深度神经网络，具有学习入口条件、微观结构与参数、当地极化之间关系的功能。本发明通过组合和连接三部分功能，发明了能够快速预测当地极化的多尺度模型。
下面具体对本发明中的电池尺度模型、孔隙尺度模型和机器学习模型构建方法进行详细描述。
本发明中的电池尺度模型用于描述电极内部的流速、浓度和电势分布。该模型是一个结合Naiver-Stokes方程、Brinkmann方程、Nernst-Planck方程、Butler-Volmer方程、质量守恒方程和电荷守恒方程，基于有限体积法建立的描述液流电池内部速度场、浓度场和电势场的模型。其中，流道中的流速分布使用Navier-Stokes方程描述，电极中的流速分布使用Brinkmann方程描述，这些方程如下所示：
其中，ρ为流体密度，u为流体速度，p为压力，μ为运动粘度，εp为孔隙率，κ为渗透率，Fb为体积力，βF为Forchheimer系数，它考虑了密度、孔隙率、渗透率和零维摩擦系数。
电解液中离子浓度通过质量守恒方程描述，如下所示：
其中，ci为电解液中物质i的浓度，Si为源项，εp为电极孔隙率，
为电解液中物质i的通量，电解液中物质的通量可以用Nernst-Planck方程计算：
其中，F为法拉第常数，φe为离子电势，
和/>
为有效扩散率和有效离子迁移率，Di为电解液中物质i的扩散率，ui为电解液中物质i的离子迁移率，zi为电池反应中转移的电子数。
模型中的电荷守恒方程如下所示：
其中，j为当地电流密度，
和/>
为离子电流密度和电子电流密度，它们可以通过下面方程计算：
其中，φs为集流板中的电子电势，σs为集流板的电导率。当地电流密度可以通过Butler-Volmer方程描述：
其中，a为比表面积，k为反应速率常数，α为电荷转移速率，cO为电解液中氧化物的浓度，
为电极表面氧化物的浓度，cR为电解液中还原物的浓度，/>
为电极表面还原物的浓度，R为气体常数，T为环境温度；Eeq为平衡电位，被定义为：
其中，E0表示氧化还原电对的标准平衡电位。
另外，在方程(8)中，电极表面物质浓度能从电化学反应速率和反应物传质速率的平衡中计算出：
其中，km为传质系数。
上述电池尺度模型需要满足以下假设：
1.电池中的所有组件是绝热的；
2.电池中的流体是不可压缩流体；
3.电池中的气体副反应是可忽略的；
4.电池中的活性物质和水跨膜是可忽略的。
上述电池尺度模型在进行模型计算时，需要将整个电池的计算范围空间进行离散化，离散化后得到的每个单元可根据各自的参数进行求解计算。本实施例中，电池尺度模型的计算范围是3.24cm2，它被分为81个正方形区域，以对应孔隙尺度模型的4mm2计算范围。
本发明中的孔隙尺度模型为孔网模型，模型的几何结构为球体和圆柱体组成的孔隙网络，球体代表电化学反应发生的多孔介质空隙，圆柱体代表连接两个孔隙之间的喉管。孔隙尺度模型的控制方程与电池尺度类似，除了质量守恒方程和物质守恒方程。质量守恒方程为：
其中，ni为孔隙i的相邻孔隙数，ui为孔隙i到孔隙j的流体速度，Aij为连接喉管的横截面积。为了准确描述速度，Hagen-Poiseuille方程被引入：
uij＝αij(pi-pj) (12)
其中pi和pj为孔隙i和孔隙j的压力，αij＝Sij/8πμlij为喉管长度lij下的水力传导率。另一个物质守恒方程为：
其中，Ri为孔隙i的反应速率即当地反应速率，mij为孔隙i到孔隙j的质量通量，可通过如下方程计算：
其中，ci和cj为孔隙i和孔隙j的物质浓度，D代表喉管的水力直径。
上述孔隙尺度模型需要满足以下假设：
1.孔隙内包括压力和浓度等物性几乎不发生变化；
2.电解液是稀溶液；
3.电化学反应仅发生在孔隙内，而不发生在喉管内。
同样的，上述孔隙尺度模型在进行模型计算时，需要将整个电极的计算范围空间进行离散化，离散化后得到的每个单元可根据各自的参数进行求解计算。本实施例中，孔隙尺度模型的建模范围是面积4mm2厚度0.5mm的长方体，在各方向上划分为32、32、8个网格。
本实施例中的机器学习模型采用BP深度神经网络模型，网络结构如图2所示，由输入层、隐藏层和输出层构成。BP网络的具体结构和原理属于现有技术，对此不再赘述。电池尺度模型能够模拟厘米至米尺度的活性物质传质过程和电化学反应，具有较大的模拟范围；孔隙尺度模型能够模拟纳米至微米尺度的活性物质传质过程和电化学反应，能够反应碳纤维组成的几何结构，具有高准确性。本发明的多尺度模型通过机器学习方法学习孔隙尺度几何条件、电池尺度入口条件与孔隙尺度当地极化情况之间的关系，可实现电池尺度模型与孔隙尺度模型的连接，具有高准确性和大尺度的多尺度模型，可降低当地极化情况的预测时间，提高了当地极化预测的准确性。
下面对通过机器学习模型学习入口条件、微观结构与参数、当地极化之间关系的具体方式进行详细描述。
在本实施例中，基于上述电池尺度模型和孔隙尺度模型，通过机器学习来构建多尺度模型，并对液流电池当地极化进行预测的方法具体包括以下步骤：
S1、基于上述孔网模型建立液流电池中电极的孔隙尺度模型后，生成不同的电极微观孔隙结构作为第一训练样本的样本输入，并将各第一训练样本中的电极微观孔隙结构代入孔隙尺度模型中进行求解，得到电极微观孔隙结构对应的孔隙率、渗透率和比表面积并作为第一训练样本的样本标签，从而构建第一训练样本集。
S2、利用第一训练样本集对第一深度神经网络进行训练直至网络收敛，使其能够基于电极微观孔隙结构预测对应的孔隙率、渗透率和比表面积。
需要说明的是，第一深度神经网络的具体训练方式可参见常规的BP网络训练方式，可将第一训练样本集预先划分为训练集和测试集，通过梯度下降算法进行网络参数的优化，直至网络收敛。
S3、结合Naiver-Stokes方程、Brinkmann方程、Nernst-Planck方程、Butler-Volmer方程、质量守恒方程和电荷守恒方程，基于有限体积法建立上述描述液流电池内部速度场、浓度场和电势场的电池尺度模型后，即可模拟电解液流动和活性物质传质过程。由此，先生成不同的电解液活性物质浓度、电解液输入流量、电池所受施加电压和电极微观孔隙结构作为第二训练样本的样本输入，并利用训练后的第一深度神经网络预测各第二训练样本中电极微观孔隙结构对应的孔隙率、渗透率和比表面积，再将预测得到的孔隙率、渗透率和比表面积与同一第二训练样本中的电解液活性物质浓度、电解液输入流量、电池所受施加电压代入上述电池尺度模型中，求解得到液流电池内部的速度场、浓度场和电势场后将其作为上述孔隙尺度模型的入口条件，由孔隙尺度模型根据入口条件以及电极微观孔隙结构，计算电极中各孔隙内部活性物质的当地反应速率并作为对应的第二训练样本的样本标签，从而构建第二训练样本集。
S4、利用第二训练样本集对第二深度神经网络进行训练直至网络收敛，使其能够基于电解液活性物质浓度、电解液输入流量、电池所受施加电压和电极微观孔隙结构预测电极中各孔隙内部活性物质的当地反应速率，从而反映液流电池当地极化情况。在实际应用时，可向训练后的第二深度神经网络中输入任意的电解液活性物质浓度、电解液输入流量、电池所受施加电压和电极微观孔隙结构，即可由模型快速预测出电极中各孔隙内部活性物质的当地反应速率，从而反映当地极化情况，无需进行复杂的数值求解。
需要说明的是，第二深度神经网络的具体训练方式可参见常规的BP网络训练方式，可将第二训练样本集预先划分为训练集和测试集，通过梯度下降算法进行网络参数的优化，直至网络收敛。
需要说明的是，上述第一深度神经网络和第二深度神经网络，具体的网络参数可根据实际进行调整。在本实施例中，第一深度神经网络中，BP神经网络包含输入层、4层隐藏层和输出层，每层隐藏层包含100个神经元。而第二深度神经网络中，BP神经网络包含输入层、4层隐藏层和输出层，每层隐藏层包含400个神经元。第一深度神经网络和第二深度神经网络的输入层和输出层神经元数量可根据输入向量维度和输出向量维度进行调整。
另外，需要注意的是，为了描述多孔介质的微观结构特征，本实施例的第一深度神经网络和第二深度神经网络中，电极微观孔隙结构均通过将电极所在空间离散化为单元后，将每一个单元坐标[xi,yi,zi]与该网格中的孔隙孔径dpi的乘积进行累加，以累加后的向量
作为网络输入。
作为深度神经网络的训练数据，样本数量需要满足训练所需的样本数量需求。在本实施例中，第一训练样本集中包含500个根据真实电极生成的微观孔隙结构构建的样本，而第二训练样本集中包含10000个训练样本。
为了验证本发明构建的电池尺度模型和孔隙尺度模型的准确性，将其与实际的实验结果进行了对比，最终本发明模型与实验结果的对比如图3所示。结果表明，当流量由10mL/min增加到20mL/min时，电池尺度模型与实验结果的吻合度很高，最大误差为0.5％，这可能是由于模型中没有考虑副反应和跨膜影响导致的。而孔隙尺度模型在高电流密度下的吻合度很好，在低电流密度下的误差达到3％，这可能是由于孔网模型模拟孔隙的方法不够精确引起活化极化过高导致的。总体而言，本实施例所用模型的准确度较高，具有高可信度。
图4为使用本发明实施例最终训练得到的第二深度神经网络对电极中不同离散单元进行预测所获得的当地极化情况，图中展示了不同流量以及不同电荷状态下的当地极化情况。结果表明，本实施例最终得到的第二深度神经网络，可以较为清晰的获得不同状态下的当地极化情况，在流量策略制定以及电极结构设计方向具有一定的指导意义。
以上所述的实施例只是本发明的一种较佳的方案，然其并非用以限制本发明。有关技术领域的普通技术人员，在不脱离本发明的精神和范围的情况下，还可以做出各种变化和变型。例如电池尺度模型和孔隙尺度模型也可以替换为其他模型，只要能够实现相同技术效果即可。因此凡采取等同替换或等效变换的方式所获得的技术方案，均落在发明的保护范围内。
Claims (8)
1.一种基于多尺度模型的液流电池当地极化预测方法，其特征在于，包括以下步骤：
S1、基于孔网模型建立液流电池中电极的孔隙尺度模型；生成不同的电极微观孔隙结构作为第一训练样本的样本输入，并将各第一训练样本中的电极微观孔隙结构代入孔隙尺度模型中进行求解，得到电极微观孔隙结构对应的孔隙率、渗透率和比表面积并作为第一训练样本的样本标签，从而构建第一训练样本集；
S2、利用第一训练样本集对第一深度神经网络进行训练直至网络收敛，使其能够基于电极微观孔隙结构预测对应的孔隙率、渗透率和比表面积；
S3、结合Naiver-Stokes方程、Brinkmann方程、Nernst-Planck方程、Butler-Volmer方程、质量守恒方程和电荷守恒方程，基于有限体积法建立描述液流电池内部速度场、浓度场和电势场的电池尺度模型，以模拟电解液流动和活性物质传质过程；生成不同的电解液活性物质浓度、电解液输入流量、电池所受施加电压和电极微观孔隙结构作为第二训练样本的样本输入，并利用训练后的第一深度神经网络预测各第二训练样本中电极微观孔隙结构对应的孔隙率、渗透率和比表面积，再将预测得到的孔隙率、渗透率和比表面积与同一第二训练样本中的电解液活性物质浓度、电解液输入流量、电池所受施加电压代入所述电池尺度模型中，求解得到液流电池内部的速度场、浓度场和电势场后将其作为所述孔隙尺度模型的入口条件，由孔隙尺度模型根据入口条件以及电极微观孔隙结构，计算电极中各孔隙内部活性物质的当地反应速率并作为对应的第二训练样本的样本标签，从而构建第二训练样本集；
S4、利用第二训练样本集对第二深度神经网络进行训练直至网络收敛，使其能够基于电解液活性物质浓度、电解液输入流量、电池所受施加电压和电极微观孔隙结构预测电极中各孔隙内部活性物质的当地反应速率，从而反映液流电池当地极化情况。
2.如权利要求1所述的基于多尺度模型的液流电池当地极化预测方法，其特征在于，所述孔隙尺度模型满足以下假设：孔隙内包括压力和浓度等物性不发生变化，电解液是稀溶液，且电化学反应仅发生在孔隙内而不发生在喉管内。
3.如权利要求1所述的基于多尺度模型的液流电池当地极化预测方法，其特征在于，所述电池尺度模型满足以下假设：电池中的所有组件是绝热的，电池中的流体是不可压缩流体，电池中的气体副反应被忽略，且电池中活性物质和水的跨膜迁移被忽略。
4.如权利要求1所述的基于多尺度模型的液流电池当地极化预测方法，其特征在于，所述述孔隙尺度模型和电池尺度模型在求解时，均对电池和电极的空间进行离散化，对每个离散单元分别进行数值求解。
5.如权利要求1所述的基于多尺度模型的液流电池当地极化预测方法，其特征在于，所述第一深度神经网络和第二深度神经网络均采用BP神经网络。
6.如权利要求5所述的基于多尺度模型的液流电池当地极化预测方法，其特征在于，所述第一深度神经网络中，BP神经网络包含输入层、4层隐藏层和输出层，每层隐藏层包含100个神经元。
7.如权利要求5所述的基于多尺度模型的液流电池当地极化预测方法，其特征在于，所述第二深度神经网络中，BP神经网络包含输入层、4层隐藏层和输出层，每层隐藏层包含400个神经元。
8.如权利要求1所述的基于多尺度模型的液流电池当地极化预测方法，其特征在于，所述第一深度神经网络和第二深度神经网络中，电极微观孔隙结构均通过将电极所在空间离散化为单元后，将每一个单元坐标[xi,yi,zi]与该网格中的孔隙孔径dpi的乘积进行累加，以累加后的向量
作为网络输入。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310278003.0A CN116312837A (zh) | 2023-03-21 | 2023-03-21 | 一种基于多尺度模型的液流电池当地极化预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310278003.0A CN116312837A (zh) | 2023-03-21 | 2023-03-21 | 一种基于多尺度模型的液流电池当地极化预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116312837A true CN116312837A (zh) | 2023-06-23 |
Family
ID=86812868
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310278003.0A Pending CN116312837A (zh) | 2023-03-21 | 2023-03-21 | 一种基于多尺度模型的液流电池当地极化预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116312837A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117291124A (zh) * | 2023-11-24 | 2023-12-26 | 艾博特瑞能源科技(苏州)有限公司 | 一种全钒液流电池性能预测方法 |
-
2023
- 2023-03-21 CN CN202310278003.0A patent/CN116312837A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117291124A (zh) * | 2023-11-24 | 2023-12-26 | 艾博特瑞能源科技(苏州)有限公司 | 一种全钒液流电池性能预测方法 |
| CN117291124B (zh) * | 2023-11-24 | 2024-02-06 | 艾博特瑞能源科技(苏州)有限公司 | 一种全钒液流电池性能预测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Esan et al. | Modeling and simulation of flow batteries | |
| Yin et al. | A coupled three dimensional model of vanadium redox flow battery for flow field designs | |
| CN111199122B (zh) | 基于多物理场的质子交换膜燃料电池水淹故障诊断方法 | |
| Ming et al. | A systematic review of machine learning methods applied to fuel cells in performance evaluation, durability prediction, and application monitoring | |
| Zheng et al. | Development and perspective in vanadium flow battery modeling | |
| CN111079337A (zh) | 一种质子交换膜燃料电池多物理场耦合模拟方法 | |
| CN108875166A (zh) | 采用电化学氢气泵回收燃料电池阳极氢气的建模方法 | |
| CN114447378B (zh) | 一种质子交换膜燃料电池的参数优化方法 | |
| CN116312837A (zh) | 一种基于多尺度模型的液流电池当地极化预测方法 | |
| CN116231000A (zh) | 一种燃料电池/电堆仿真模型的构建方法 | |
| CN116456298A (zh) | 一种用于氢燃料电池系统的数据管理方法及系统 | |
| Rafe Biswas et al. | Prediction of direct methanol fuel cell stack performance using artificial neural network | |
| CN113111550B (zh) | 一种基于有限元分析碱性水电解槽工作特性的方法及系统 | |
| Zhang et al. | Parameter identification of proton exchange membrane fuel cell based on swarm intelligence algorithm | |
| Steinkamp et al. | A nonisothermal PEM fuel cell model including two water transport mechanisms in the membrane | |
| Zhang et al. | Prediction of Proton Exchange Membrane Fuel Cell Performance Based on Back Propagation Neural Network Optimized by Genetic Algorithm | |
| Alah Rezazadeh et al. | Three dimensional computational fluid dynamics analysis of a proton exchange membrane fuel cell | |
| Al-Yasiri | A parametric analysis of the output voltage of all-vanadium redox-flow battery system | |
| Ozgoli et al. | A transient model of vanadium redox flow battery | |
| Chen et al. | Multi-objective optimization design and sensitivity analysis of proton exchange membrane electrolytic cell | |
| Zhang et al. | A physical oriented method for fuel cell system modeling and simulation | |
| Muñoz-Perales et al. | Engineering Lung-Inspired Flow Field Geometries for Redox Flow Batteries with Stereolithography 3D Printing | |
| Firat | Mechanical Analysis of PEM Fuel Cell Stack Design | |
| CN116401836A (zh) | 车用燃料电池堆建模方法、系统及存储介质 | |
| Gechter et al. | A multiagent model for PEM-fuel cell microscopic simulation |
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 |