近日，由大連化物所儲能技術(shù)研究部（DNL17）李先鋒研究員、張華民研究員領(lǐng)導的團隊在優(yōu)化全釩液流電池（VFB）性能和預(yù)測其成本的研究方面取得新進展，提出了一種基于機器學習的VFB電堆性能和系統(tǒng)成本的預(yù)測與優(yōu)化策略，該方法為VFB的研究開發(fā)提供了指導作用，有望提高研發(fā)效率，縮短研發(fā)周期，加速VFB的產(chǎn)業(yè)化進程。

VFB具有安全性高、循環(huán)壽命長、效率高等優(yōu)勢，在大規(guī)模儲能領(lǐng)域具有廣闊的應(yīng)用前景。目前，VFB正處于商業(yè)化示范階段，如何進一步降低成本、提高效率，對其大規(guī)模產(chǎn)業(yè)化具有重要意義。VFB系統(tǒng)成本由功率成本（電堆）、能量成本（電解液）和控制系統(tǒng)等組成。其中，功率與能量的成本與電堆的性能息息相關(guān)；而電堆的性能受關(guān)鍵材料、電堆結(jié)構(gòu)、操作條件等多方面因素的影響。若僅采用實驗的方法來優(yōu)化電堆結(jié)構(gòu)和性能耗時較長，因此如何高效有針對性的對電堆結(jié)構(gòu)和性能進行優(yōu)化至關(guān)重要。

該工作基于研究團隊在VFB電堆研發(fā)過程中十幾年的積累和大量的電堆數(shù)據(jù)，提出了一種基于機器學習的VFB電堆性能和系統(tǒng)成本預(yù)測方法和優(yōu)化策略。該方法以操作電流密度為主要特征參數(shù)，電堆的材料和結(jié)構(gòu)等為輔助特征參數(shù)，能夠?qū)FB電堆的電壓效率（VE）、能量效率（EE）、電解液利用率（UE）以及VFB系統(tǒng)的功率成本和能量成本做出精確的預(yù)測，預(yù)測結(jié)果的平均絕對偏差（訓練集/測試集）分別為0.54%/0.47%、0.62%/0.56%、3.40%/3.14%、5.14%/4.97%、3.22%/3.08%。此外，科研人員根據(jù)模型系數(shù)，分析并提出未來VFB電堆的研發(fā)方向，即在保證較高的VE和UE條件下開發(fā)高功率密度電堆；基于機器學習所建立的模型和目前的材料成本，預(yù)測VFB系統(tǒng)運行成本隨VE和UE的變化趨勢。此項研究工作不僅對VFB電堆的研發(fā)具有指導意義，而且也為將機器學習與實驗科學相結(jié)合的方法來優(yōu)化和預(yù)測復雜系統(tǒng)的行為提供了新思路。

上述工作于近日發(fā)表在《能源與環(huán)境科學》（Energy & Environmental Science）上。以上工作得到國家自然科學基金委、中國科學院戰(zhàn)略性先導科技專項（A類）“變革性潔凈能源關(guān)鍵技術(shù)與示范”、中國科學院電化學儲能技術(shù)工程實驗室等資助。（文/圖 李天宇）