机器学习光谱分析实现钒液流电池正极电解液钒浓度与荷电状态在线精准监测

本文创新性地将机器学习与光谱分析技术相结合，开发出钒液流电池（VFB）正极电解液中钒离子浓度与荷电状态（SOC）的同步在线检测方法。通过构建标准化光谱数据库并训练反向传播神经网络，实现了钒浓度（误差<0.28%）和SOC（误差<2.30%）的高精度预测，为优化VFB性能与运行管理提供了重要技术支撑。

　　

Highlight

本研究成功开发了基于机器学习的光谱分析平台，用于钒液流电池(VFB)正极电解液中钒浓度和荷电状态(SOC)的同步在线检测。通过构建覆盖1.5-1.9 M钒浓度范围和全SOC工作区间的标准光谱数据库，采用一阶差分预处理的反向传播神经网络实现了突破性精度——钒浓度平均绝对误差0.28%，SOC平均绝对误差2.30%。

数据预处理流程

检测系统获取的光谱数据包含相机背景噪声和电解液溶剂干扰。原始光谱图像(图2a)需经两步处理：(1)去除背景噪声获得降噪光谱(图2b)；(2)扣除空白参照得到补偿透射光谱(图2c)。这些处理后的光谱数据展现出V_(IV)和V_(V)的特征吸收峰，为机器学习建模奠定基础。

结论

我们建立的机器学习光谱分析方法成功解决了传统技术难以同时检测多变量（钒浓度、SOC）的难题。长周期测试验证了该方法在实时监测电解液浓度和SOC变化的有效性，为研究钒离子跨膜迁移机制提供了新思路。

作者贡献声明

Miao Peng：原始稿件撰写、可视化、验证、软件、资源、项目管理、方法开发、调查、形式分析、数据管理。Xueru Niu：数据管理、调查、稿件修订。Dongzhi Li：稿件修订、可视化、监督、软件、资源、方法开发、调查、数据管理、概念设计。Le Liu：监督、资源、项目指导、资金获取。

利益冲突声明

作者声明以下潜在利益冲突：Le Liu获得国家自然科学基金、深圳市科技计划和深圳市工程研究中心的资助。其他作者声明无已知竞争利益。

致谢

本研究得到国家自然科学基金(62431001)、深圳市科技计划(ZDSYS20230626091100001)和深圳市工程研究中心(XMHT20230115004)的资助。