一种基于多尺度模型的液流电池当地极化预测方法技术

本发明专利技术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。本发明专利技术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。本发明专利技术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。本发明专利技术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。提高当地极化预测的准确性。提高当地极化预测的准确性。

【技术实现步骤摘要】
一种基于多尺度模型的液流电池当地极化预测方法


[0001]本专利技术属于液流电池领域，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。

技术介绍

[0002]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。
[0003]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。
[0004]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。
[0005]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。

技术实现思路

[0006]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，本专利技术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。
[0007]本专利技术所采用的技术方案如下：
[0008]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：
[0009]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；
[0010]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；
[0011]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；
[0012]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。
[0013]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。
[0014]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。
[0015]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。
[0016]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。
[0017]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。
[0018]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。
[0019]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[x
i
,y
i
,z
i
]与该网格中的孔隙孔径d
pi
的乘积进行累加，以累加后的向量作为网络输入。
[0020]本专利技术与现有技术相比，具有以下特点：
[0021]1.相比于传统的孔隙尺度模型或电池尺度模型，本专利技术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。
[0022]2.本专利技术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本文档来自技高网...

【技术保护点】

【技术特征摘要】
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...

【专利技术属性】
技术研发人员：罗岩松，郑梦莲，吕文睿，王鹏飞，孙婧，宋晨，胡静，张良，范利武，俞自涛，
申请(专利权)人：浙江大学，
类型：发明
国别省市：