基于集成和深度学习的钒氧化还原流HAWKER蓄电池系统功率损失预测及用于参数基准的精密等效电路模型

本文通过机器学习（ML）技术预测钒氧化还原流电池（VRFB）储能系统在不同堆栈电流和电解液流量条件下的功率损失。各种集合学习算法，例如：自适应提升（Adaboost）、极端梯度提升（XGBoost）、随机森林（RF）以及深度学习算法，如：分别使用人工神经网络（ANN）和长短期记忆（LSTM）。机器学习模型的训练和性能验证通过一个实际的1千瓦6千瓦时VRFB存储系统的实验数据完成。必要的数据集预处理是为了更好地训练机器学习模型，并准确预测不同工作电流和电解液流量下的VRFB系统功率损失。为了比较机器学习算法的性能，使用了平均绝对误差（MAE）、均方根误差（RMSE）和相关系数（R）等误差指标²），然后分析计算时间。结果显示，在五种机器学习算法中，XGBoost和RF在误差指标和计算时间方面最为准确。此外，设计了基于MATLAB/Simulink的VRFB存储电气等效电路模型，并通过与同一1千瓦6kWhVRFB系统基于机器学习的预测结果进行基准测试，验证了VRFB系统的功率损失参数。这一成果将进一步有助于设计优化的VRFB等效电路模型，用于充放电。首次展示了通过机器学习技术进行VRFB等效电路模型基准测试的创新方法，对可扩展的VRFB存储应用非常有用。

简介

钒氧化还原流电池（VRFB）是一种能量储存技术，利用不同氧化态的钒离子来储存和释放电能。VRFB的特点是能够提供长时长、可扩展的储能解决方案，特别适合电网应用和可再生能源集成。在优化可再生能源供应方面，已有大量研究，无论是直接从生产现场还是储能设备[1]。VRFB对固定式储能中的锂离子电池构成了巨大挑战。尽管锂离子电池能量密度高且形态紧凑，但在储存太阳能和风能等可再生能源产生的间歇性能源时仍面临挑战[2,3]。此外，锂离子电池存在因热失控而存在火灾隐患[4]。这正是VRFB发挥作用的地方，能够在极端条件下操作。与锂离子电池不同，VRFB包含多种特性，使其成为理想的储能材料。其更长的循环寿命、深放电能力、高库仑效率以及对温度上升的敏感性较低，避免了热失控，使VRFB成为大型储能系统的合适选择[1]。阴极-阳极相互作用 V³⁺以及 V⁵⁺在VRFB中，电池中引入的杂质大幅减少，从而使电池寿命按折叠增加。大量实验、基于物理的建模、仿真以及MATLAB、COMSOL等工具的使用，在微调VRFB中发挥了关键作用。这些努力提升了电池的性能，并拓展了其在多个领域的应用。关于VRFB的研究重点在于提升其效率、降低成本和提升整体性能。人们致力于优化细胞设计[5,6]，开发和分析不同膜材料[7,8]，并探索新的钒电解质配方[[9]， [10]， [11]， [12]]。研究人员还研究了提高VRFB能量密度和周期寿命的方法[[13]、[14]、[15]]，解决了钒交叉和容量随时间衰减等挑战。还改进了不同条件下充电的控制算法[17]。近年来，材料科学的进步在改进VRFB技术方面发挥了重要作用[18]。纳米材料，如碳基结构，已被探索以提升电极性能并提高电池整体效率[19]。此外，研究工作旨在将VRFB扩展为商业用途，重点关注制造工艺和系统集成[3]。随着技术的不断发展，VRFB已成为能源储存领域中的关键角色。VRFB的数学和物理建模在优化其性能方面起到了关键作用。研究人员利用计算模拟分析VRFB系统中的流体动力学、电化学反应、热力学和质量传输。这些模型有助于预测和提升VRFB的效率、容量衰减以及整体稳定性[[19]， [20]， [21]， [22]， [23]]。数学建模包含不同参数，如温度变化[24,25]、电池电压[26]、流量[27,28]、控制方程[29]等，以模拟VRFB电池的动态，如其充电状态（SOC）、健康状态（SOH）和开路电压，从而提升其整体性能。此类建模有助于更深入理解VRFB行为，指导材料和系统优化的进展，最终加速这些储能技术的发展与商业化。
机器学习已成为预测VRF电池储能在不同实际运行条件下性能的强大工具。此前利用机器学习算法预测电池VRFB系统功率损失的开发，已通过线性回归（LR）、支持向量回归（SVR）、基于集成学习的算法如AdaBoost[27]，以及电解液流量优化[30]，展现出良好的准确率（~98%）。多种机器学习算法已被应用于电池研发的各个方面[31]。支持矢量机（SVM）已被用于分类任务，包括电解液流量控制器。他们分析了数据集中的模式，以识别潜在问题并提升电池系统的可靠性。随机森林（RF）和决策树（DT）已被用于健康状态（SOH）预测。通过分析电池性能的历史数据，他们可以预测VRFB电池的剩余使用寿命，有助于维护规划和系统寿命。深度学习技术，如人工神经网络和卷积神经网络，已被用于复杂的建模任务[32,33]。他们应用数据驱动模型预测电池性能，优化充放电循环，并提升VRFB整体能效[34,35]。基于人工智能的电池模型已被应用于电池管理系统（BMS）中，以优化控制策略[36]。强化学习算法通过电池与环境的互动学习，改善充电、放电及整体能量管理的决策过程[37]。高斯过程已被用于材料发现，用于预测电极材料的性质。高斯过程通过提供对材料电化学行为的洞察，有助于简化新材料的搜索[18]。通过利用这些基于机器学习的模型和算法，研究人员旨在提升效率和寿命，推动储能技术的持续发展。
结合上述引用的研究报告，显然基于机器学习的算法在准确预测长寿命和可扩展的储能性能及优化中发挥着关键作用。本文主要聚焦于机器学习模型的整合，利用统计数据集准确预测VRFB的性能参数，特别是堆栈内部电阻、不同电解质流量和电流影响下的系统功率损失。如表1所述，基于门控循环单元（GRU）神经网络方法进行VRFB终端电压预测[38]的研究报告显示，利用深度学习模型具有强大的预测能力。本文探讨了一些集合学习（EL）和深度学习（DL）模型，例如：随机森林（RF）、极端梯度增强（XGBoost）和人工神经网络（ANN）、长短期记忆（LSTM）网络，用于预测不同电解质流量和电流水平下的VRFB系统功率损失。从一个1千瓦6kWh的VRFB储能系统获得的实验数据集用于上述基于DL和EL模型的VRFB系统功率损失预测。这些DL和EL算法也被用于预测锂离子电池性能参数，出现在多项研究中[[39]、[40]、[41]、[42]]。除了上述基于机器学习的VRFB系统功率损失预测外，还设计了一个基于MATLAB/Simulink的VRFB存储电气等效电路模型，模拟同一1千瓦6kWh的VRFB存储系统的性能，并首次通过比较模拟模型与机器学习预测结果来基准测试性能。
表1展示了现有相关文献与拟议工作的比较分析。
本文其余部分包括以下几个部分;第二部分展示了拟议工作的整体示意图，第三部分描述VRFB的电气等效电路模型，第四部分讨论机器学习模型的表述，第五部分演示实验结果，机器学习模型性能分析在预测VRFB系统功率损失及通过机器学习算法对VRFB等效电路模型进行基准测试，第六部分包含论文结论。