利用神经网络对氧化还原液流电池的健康状态进行分类

《Journal of Energy Storage》：State-of-health classification of redox flow batteries using neural networks

红ox流电池状态健康监测采用MLP、LSTM和CNN三种深度学习模型，通过电压导数分析实现健康状态分类，验证了MLP模型在100%准确率和6秒训练时间下的最优性能，并证实该方法可有效提升AORFB寿命。

　　红ox流电池（Redox Flow Batteries, RFBs）作为电网规模储能的重要候选技术，因其在功率和能量之间的独立性，能够灵活适应不同应用场景的需求。然而，RFBs在长期运行过程中会经历容量退化，这主要由电解液分解、跨膜物种迁移和法拉第不平衡（Faradaic Imbalance）等现象引起。其中，法拉第不平衡是导致电池性能下降的关键因素之一，尤其是在充放电过程中，由于某些副反应（如氧气还原反应或氢气析出反应）导致电极之间电荷分布不均，进而影响电池的最大储能能力。为了确保RFBs的使用寿命和运行效率，必须实现对其状态的实时监控，特别是状态-健康（State-of-Health, SOH）的准确评估。传统的SOH监测方法往往复杂且需要大量计算资源，难以满足实时电池管理系统（Battery Management System, BMS）的要求。因此，本文提出了一种基于深度学习算法的SOH分类方法，通过使用多层感知机（Multilayer Perceptron, MLP）、长短期记忆网络（Long Short-Term Memory, LSTM）和卷积神经网络（Convolutional Neural Network, CNN）等模型，对电池的SOH进行分类，从而实现对电池健康状态的高效判断。

本文所使用的数据来源于一个经过特定设计的实验，其中采用了一种自动化的平衡系统，该系统能够在检测到法拉第不平衡时自动调整电池的充放电过程，以恢复其容量。实验所使用的电池为一种基于亚铁氰化物和蒽醌的有机液态红ox流电池（Aqueous Organic Redox Flow Battery, AORFB），其电解液由有机化合物组成，相比传统的钒基红ox流电池，AORFB在成本和资源稀缺性方面更具优势。实验过程中，电池在充放电循环中被监测，其细胞电压（Cell Voltage, V_cell）的变化被记录下来，并通过计算其瞬时导数作为输入特征，用于训练神经网络模型。这种导数数据能够反映电池在充放电过程中电压的变化趋势，从而作为SOH分类的重要依据。

实验数据的采集和处理过程采用了严格的方法，确保数据的代表性和准确性。通过实验数据的周期性分析，识别出电池处于良好状态（Class 0）或不良状态（Class 1）的特征。其中，良好状态定义为电池容量保留率不低于90%，而不良状态则为容量保留率低于该阈值。实验数据被分为训练集和验证集，分别用于模型的训练和评估。训练集中选取了35个周期，其中6个为不良状态周期，其余为良好状态周期。验证集则选取了15个周期，用于评估模型的预测性能。模型的训练和验证过程均基于这些数据，确保其在实际应用场景中的可靠性。

在模型的训练过程中，采用了多种优化策略，包括手动调整训练轮次、批处理大小以及激活函数等。对于MLP模型，采用了四层结构，第一层使用ReLU激活函数，最后一层使用Sigmoid函数，以实现二分类输出。LSTM模型则由四层组成，每层包含50个单元，最终通过一个具有50个单元的密集层进行输出。CNN模型则由两层卷积层和一个全连接层构成，每层均采用ReLU激活函数，并结合批归一化技术以提高模型的泛化能力。所有模型均使用Adam优化器和二元交叉熵损失函数进行训练，以最小化预测误差并提高分类准确率。

实验结果显示，MLP和CNN模型在训练和验证过程中均实现了100%的准确率，而LSTM模型在训练过程中由于早期停止机制（Early Stopping）提前终止，其验证准确率为93%。这表明，MLP和CNN在分类任务中表现出更强的稳定性和准确性，尤其适合用于需要快速响应和低计算成本的电池管理系统。此外，实验还验证了这些模型的预测结果与基于最小导数的独立方法的一致性，进一步证明了其在SOH监测中的有效性。其中，MLP模型不仅在准确率上表现最佳，其训练和验证时间也显著低于其他两种模型，这使得其在实际应用中更具优势。

本文的研究成果为AORFB的长期运行和性能优化提供了新的思路。通过引入深度学习算法，可以实现对电池健康状态的高效监测，从而为电池管理系统提供可靠的数据支持。这种基于数据驱动的方法不仅减少了对复杂物理模型的依赖，还能够处理实际运行中可能出现的噪声和非线性变化。此外，该方法还具有良好的可扩展性，可以进一步优化以支持更多的分类类别，从而更全面地反映电池的健康状态变化。未来，该方法可以被集成到电池管理系统中，用于实时监测电池的SOH，并作为平衡装置控制策略的补充或替代手段，以提高系统的整体性能和可靠性。

总的来说，本文通过引入深度学习算法，为红ox流电池的SOH分类提供了一种新的解决方案。该方法不仅在分类准确率上表现出色，而且在计算效率方面也具有显著优势，使其适用于实时电池管理系统。此外，实验结果表明，该方法能够有效识别电池的健康状态变化，从而为延长AORFB的使用寿命和提升其在电网储能应用中的竞争力提供了理论支持和实践依据。未来的研究可以进一步探索该方法在不同电池类型和应用场景中的适用性，并结合更多的实验数据和实际运行情况，以优化模型性能并提高其在实际应用中的鲁棒性。