基于机器学习的钒氧化还原液流电池在不同充放电条件下温升预测
机器学习
2024-04-29 v1
摘要
准确预测电池温升对于设计高效的热管理方案至关重要。本文首次演示了基于机器学习 (ML) 的钒氧化还原液流电池 (VRFB) 在充放电运行过程中热行为的预测。在考虑特定电解液流速下的不同电流时，通过实验研究了 kW 级 VRFB 系统的温度。三种不同的 ML 算法：线性回归 (LR)、支持向量回归 (SVR) 和极端梯度提升 (XGBoost) 被用于预测工作。ML 算法的训练和验证使用的是 1kW 6kWh VRFB 储能系统在 40A、45A、50A 和 60A 充放电电流以及 10 L min-1 流速下的实际数据集。根据决定系数 (R2)、平均绝对误差 (MAE) 和均方根误差 (RMSE) 等性能指标对 ML 算法进行了比较分析。观察到 XGBoost 表现出最高的预测精度，约为 99%。本研究获得的基于 ML 的预测结果对于控制运行过程中 VRFB 的温升非常有用，并可为进一步开发优化的热管理系统提供指示。
引用
@article{arxiv.2404.17284,
title = {Machine Learning based prediction of Vanadium Redox Flow Battery temperature rise under different charge-discharge conditions},
author = {Anirudh Narayan D and Akshat Johar and Divye Kalra and Bhavya Ardeshna and Ankur Bhattacharjee},
journal= {arXiv preprint arXiv:2404.17284},
year = {2024}
}
备注
21 pages, 5 figures