过电位

使用人工神经网络预测钒氧化还原液流电池的电压和过电位

摘要：本文探讨了经过训练的人工神经网络 (ANN) 在预测钒氧化还原液流电池行为方面的新应用，并将其性能与二维数值模型进行了比较。目的是评估两个 ANN 的能力，一个用于预测电池电位，一个用于预测各种操作条件下的过电位。先前用实验数据验证过的二维模型用于生成数据来训练和测试 ANN。结果表明，第一个 ANN 可以在充电和放电模式下精确预测不同充电状态和电流密度条件下的电池电压。负责过电位计算的第二个 ANN 可以准确预测整个电池域的过电位，在电极膜和域边界等高梯度区域附近的置信度最低。此外，计算时间大幅减少，使 ANN 成为快速理解和优化 VRFB 的合适选择。