用于钒 redox 液流电池建模的增强物理约束深度神经网络
化学物理
2022-03-07 v1 机器学习
摘要
数值建模与仿真已成为深入理解液流电池内在机理及进行高性价比过程优化与控制不可或缺的工具。在本研究中，我们提出物理约束深度神经网络（PCDNN）方法 [1] 的增强版本，以对钒 redox 液流电池（VRFBs）提供高精度的电压预测。PCDNN 方法的目的是在神经网络中强制施加基于物理的零维（0D）VRFB 模型，以保证模型对各种电池运行条件的泛化能力。受限于 0D 模型的简化，PCDNN 无法捕捉极端 SOC 区域的急剧电压变化。为提高极端范围内电压预测的精度，我们引入第二个（增强的）DNN 来缓解来自 0D 模型本身的预测误差，并将所得方法称为增强 PCDNN（ePCDNN）。通过将模型预测与实验数据比较，我们证明 ePCDNN 方法能够准确捕捉整个充放电周期中的电压响应，包括电压放电曲线的尾部区域。与标准 PCDNN 相比，ePCDNN 的预测精度显著提升。训练 ePCDNN 的损失函数通过调节物理约束 DNN 与增强 DNN 的权重被设计为灵活的，这使得 ePCDNN 框架可迁移至具有可变物理模型保真度的电池系统。
引用
@article{arxiv.2203.01985,
title = {Enhanced physics-constrained deep neural networks for modeling vanadium redox flow battery},
author = {QiZhi He and Yucheng Fu and Panos Stinis and Alexandre Tartakovsky},
journal= {arXiv preprint arXiv:2203.01985},
year = {2022}
}