[发明专利]一种基于机器学习的液流电池电堆优化和性能预测方法

说明书

本发明涉及一种液流电池电堆性能预测方法，更具体涉及一种基于机器学习的液流电池电堆性能预测和电堆材料及结构的优化方法。包括以下步骤：获取液流电池电堆的组装和性能测试参数(包括电压效率、能量效率和电解液利用率)，并建立数据库；对数据库中的变量参数进行数值化和标准化处理；计算标准化处理后的变量参数与液流电池电堆性能参数之间的皮尔逊相关系数；将特征向量X及其对应的液流电池电堆性能参数y随机分成训练集和测试集；利用训练集中的参数数据训练液流电池电堆性能预测模型；使用测试集中的参数数据评价训练好的液流电池电堆性能预测模型。本方法能够有效指导实验、提高液流电池电堆的研发速度、降低实验成本。

技术领域

本发明涉及一种液流电池电堆性能预测方法，更具体涉及一种基于机器学习的液流电池电堆性能预测和电堆材料及结构的优化方法。

背景技术

大规模储能技术能够解决可再生能源发电过程的不连续、不稳定、不可控的问题，是构建智能电网，实现削峰填谷，提高可再生能源利用率的重要技术。液流电池储能系统因具有环境友好、安全性高、功率和容量可独立设计等优点，是大规模储能的首选技术之一。但由于液流电池电堆的设计还没有标准可以参考，主要基于大量尝试性的实验，因此液流电池电堆在开发过程耗时长。另外，由于组装液流电池电堆所用的材料成本高，通过实验全面的了解不同液流电池电堆材料和液流电池结构对液流电池性能的影响需要耗费大量的研发成本。

机器学习方法能够从已有的液流电池电堆数据及其运行数据中挖掘出数据之间的映射关系，并利用历史数据和映射关系对新设计的液流电池电堆性能进行预测和分析，寻找到液流电池电堆材料之间的最佳匹配参数，提前预测液流电池电堆的性能，因此能够有效指导实验、提高液流电池电堆的研发速度、降低实验成本。

发明内容

本发明提供一种基于机器学习的液流电池电堆性能的预测方法

本发明为实现上述目的所采用的技术方案是：

一种基于机器学习的液流电池电堆优化和性能预测方法，包括以下步骤：

获取液流电池电堆组装的类型变量参数、数值变量参数和性能参数，并建立数据库；

对数据库中的类型变量参数进行数值化处理；

对数值变量参数以及数值化后的类型变量参数进行标准化处理；

计算标准化处理后的变量参数中，数值变量参数与液流电池电堆性能参数之间的皮尔逊相关系数；

提取皮尔逊相关系数绝对值最大的变量参数作为主要特征参数，其它变量参数为辅助特征参数，共同组成多维特征向量X，将液流电池电堆各性能参数分别作为目标函数y，将特征向量X及其对应的液流电池电堆性能参数y随机分成训练集和测试集；

利用训练集中的参数数据训练液流电池电堆性能预测模型；

使用测试集中的参数数据评价训练好的液流电池电堆性能预测模型的泛化能力。

还包括电堆材料及结构的优化方法，具体为：

对数据库中表示液流电池电堆的组装的类型变量参数和数值变量参数进行任意匹配，组成新的液流电池电堆，使用液流电池电堆性能预测模型对新的液流电池电堆的各性能参数进行预测，并利用公式，库伦效率＝能量效率÷电压效率，计算库伦效率；从而从新的液流电池电堆中筛选出在相同操作条件下液流电池电堆性能参数最大的电堆的组合方式。

所述液流电池电堆组装的类型变量参数和数值变量参数包括液流电池电堆的材料参数和结构参数。

所述对数据库中的变量参数进行数值化处理采用独热编码或数值映射编码。

所述对数值化后的变量参数进行标准化处理采用离差标准化、标准差标准化、log函数转化、atan函数转化中的至少一种。