[发明专利] 一种基于机器学习的液流电池电堆最优操作条件预测方法 – CN114094150A 全文链接一 全文链接二
| 基本信息 | |||
|---|---|---|---|
|
申请号
|
CN202010628824.9 |
申请日
|
20200629 |
|
公开（公告）号
|
CN114094150A |
公开（公告）日
|
20220225 |
|
申请（专利权）人
|
中国科学院大连化学物理研究所 | ||
|
申请人地址
|
116023 辽宁省大连市沙河口区中山路457-41号
|
||
|
发明人
|
李先锋;李天宇;邢枫;张华民 | 专利类型 | 发明专利 |
|
摘要
|
本发明属于大规模电化学储能领域，具体说是一种基于机器学习的液流电池电堆最优操作条件预测方法。包括以下步骤：建立数据库；对数据库中的类型变量参数进行数值化和标准化处理；将参数变量组成多维特征向量，将电堆的功率成本和能量成本分别作为目标函数y，将多维特征向量及和目标函数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，同时构建成本预测模型；利用成本预测模型对数据库内的材料和成本变量参数进行预测，并计算系统运行总成本。本发明通过少量的测试即可确定研发的每个液流电池电堆的最佳操作性价比区间以及最佳操作参数。 | ||
|
主权项
|
1.一种基于机器学习的液流电池电堆最优操作条件预测方法，其特征在于，包括以下步骤：获取液流电池电堆组装的类型变量参数、材料价格参数、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；在标准化处理后的变量参数中，选取数值变量参数中的操作电流密度参数或操作功率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，将电堆的功率成本和能量成本分别作为目标函数y，将特征向量及其对应的目标函数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，并选出评价结果在阈值范围内的特征向量作为成本预测模型的输入，目标函数f(,w,b)作为成本预测模型的输出，构建成本预测模型；利用成本预测模型对数据库内每一个液流电池电堆的运行成本进行预测，得到不同操作电流密度或操作功率下的功率成本和能量成本，并计算系统运行总成本。 | ||
|
IPC信息
|
|||
|---|---|---|---|
|
IPC主分类号
|
H01M8/04992 | ||
| H 电学
H01 基本电气元件 H01M 用于直接转变化学能为电能的方法或装置，例如电池组 |
|||
|
法律状态信息
|
|||||
|---|---|---|---|---|---|
|
法律状态公告日
|
20220225 |
法律状态
|
公开 | 法律状态信息 |
CN202010628824 20220225 公开 公开
|
|
代理信息
|
|||
|---|---|---|---|
|
代理机构名称
|
沈阳科苑专利商标代理有限公司 21002 |
代理人姓名
|
王倩 |