印度理工学院和圣路易斯华盛顿大学在液流电池运行容量预测上取得进展
文章信息
技术领域：氧化还原液流电池的容量预测
开发单位：印度理工学院德里分校，Anil Verma；圣路易斯华盛顿大学，Vijay K. Ramani.
文章名称：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
技术突破：将放电时间td作为因变量，利用无量纲分析的基本原理，本研究导出了一系列新的相关无量纲数。这些无量纲数的经验关联式可以预测RFB的工作容量和td，是采用特定的VRFB案例产生的。验证的关联式舒适地预测了VRFB的td在±7%误差范围内。此外，还利用关联式对已发表文献的少数提取数据进行td预测。通过对从文献研究中提取的实验数据中的无量纲数的评估，该关联式能在±10%误差范围内预测VRFB的放电时间。
应用价值：该关联式有助于理解不同变量对RFB性能的影响，并且可用于缩放需要提供特定设计容量的RFB。
在现有储能技术中，氧化还原流动电池(RFB)是最适合于大规模电能存储应用的技术之一。给定功率下的RFB设计大体上受电化学反应器中氧化还原对（活性物种）的选择和电极尺寸的影响，而储能容量的设计受氧化还原对和体积浓度的影响。RFB的工作容量预测取决于其放电时间的准确量化，而放电时间受到电化学参数、组成参数、几何参数和流动参数的影响，同时对每个参数的独立研究都是一项相当繁琐的工作。RFB的设计和扩展都离不开能够预测其运行容量的合理方法。建立由相关几何变量和物理变量组成的无量纲参数，及其广义经验关联式是预测RFB在特定条件下运行能力的有效方法，特别在工程应用中，可以大大减少实验和计算工作量。
图1 氧化还原液流电池的无量纲分析模型（左）及预测放电时间对比（右）
印度理工学院和圣路易斯华盛顿大学的研究人员利用无量纲分析的基本原理，开发了由决定RFB放电过程的变量组成的无量纲数，即理论容量利用(TCU)、体积单位数(NVU)、瓦格纳数(Wa)和Damkohler数(RDa)的倒数等。此外，利用VRFB的特定案例，导出了能够预测RFB的工作容量或td的无量纲数间的经验关联式，适用于TCU（0.4-0.8）、NVU（4.6-13.9）、Wa（1-4）和RDa（33-161）的范围。在本研究无量纲数的范围内，关联式成功地预测了VRFB的td或工作容量，且在±7%(R2=0.93)误差带内。通过对一些文献研究的验证，还评估了导出的关联式的预测能力，能在±10%误差范围内预测VRFB的td。该关联式有助于理解不同操作变量对RFB性能的影响，也可用于缩放需要提供特定设计容量的RFB。
推荐相关阅读：
中科院大连化物所研究人员在钒液流电池的预测和优化上取得进展
文章信息
技术领域：钒液流电池的优化和预测
开发单位：中科院大连化学物理所 李先锋
文章名称：Tianyu Li, Xianfeng Li, et al. Cost, performance prediction and optimization of a vanadium flow battery by machine-learning. Energy & Environmental Science, 2020.
技术突破：开发了一种创新机器学习(ML)方法，以精确优化和预测VFB的效率和成本，该模型可以定量预测电压效率和能量效率的平均绝对误差在1%以内，电解质利用率、功率成本和能量成本在5.2%以内，在现有技术下，预测VFB的系统成本可降低到200mA cm-2以下的$223kW h-1(在E/P=4 h)。
应用价值：该方法可以指导液流电池的堆栈设计和优化，从而进一步加速其商业化。
由于具有灵活设计、高安全性、高效率和长周期寿命等优势，处于商业示范阶段的钒液流电池（VFB）是大规模储能具吸引力的技术之一。VFB成本和性能与堆栈和电解质高度相关，其中堆栈性能随着材料、架构和操作条件的变化而变化。目前，VFB堆栈的研发，包括关键材料、堆栈结构和性能优化，主要是基于仿真、设计和实验。这种方法耗时且昂贵，且很难厘清各种因素对系统性能和成本的影响。对于VFB堆栈的研发及快速商业化，开发可以精准预测VFB的堆栈性能和进一步动态评估成本的有效方法是至关重要的。
图2 数据集的“完整特征”模型的残差图
图3 在不同电压效率和能量效率(E/P=4 h)系统成本预测随着工作电流密度的变化
中国科学院大连物理化学所的研究人员在VFB堆栈研发实验基础上，整合了一种机器学习（ML）方法，并对其材料和结构进行了优化，进而预测了未来的发展。该方法可显著缩短VFB技术的研发和产业化，并可推广到其他材料和结构设计或液流电池的设备运行条件优化上。该模型在实验和预测结果之间，可以实现电压效率（VE）和能量效率（EE）的预测精度均在1%以内，电解质利用率（UE）、功率成本（P-cost）和能量成本（E-cost）在5.2%以内，可用于辅助VFB堆栈的优化，并预测其性能和成本。
