Machine Learning based prediction of Vanadium Redox Flow Battery temperature rise under different charge-discharge conditions

准确预测电池温升对于设计高效的热管理方案非常重要。本文首次展示了基于机器学习（ML）的钒氧化物流动电池（VRFB）充放电操作期间热行为的预测。考虑不同电流和指定电解质流量，通过实验研究了千瓦级VRFB系统的温度。使用了三种不同的ML算法：线性回归（LR）、支持向量回归（SVR）和极端梯度提升（XGBoost）进行预测工作。通过40A、45A、50A和60A充放电电流和10 L min-1的流量下1kW 6kWh VRFB存储的实际数据集进行了ML算法的训练和验证。在性能指标如相关系数（R2）、平均绝对误差（MAE）和均方根误差（RMSE）方面进行了ML算法的比较分析。观察到XGBoost在预测方面显示出约99%的最高准确性。本文中获得的基于ML的预测结果可以非常有用地控制VRFB在操作期间的温度上升，并作为进一步开发优化热管理系统的指示器。

本文旨在通过机器学习算法，预测钒液流电池在充放电过程中的温度变化，以设计出更高效的热管理方案。

本文使用线性回归、支持向量回归和极端梯度提升三种机器学习算法进行预测，并通过实验数据进行训练和验证。结果表明，极端梯度提升算法的预测精度最高。

本文首次使用机器学习算法预测钒液流电池的温度变化，为控制电池温度和优化热管理系统提供了重要参考。实验使用了1kW 6kWh的钒液流电池，并对不同充放电电流和电解液流速进行了研究。结果表明，极端梯度提升算法的预测精度可达99%。

在相关研究中，也有一些使用机器学习算法预测电池温度的工作，例如《基于深度学习的锂离子电池温度预测研究》、《基于贝叶斯优化的电动汽车动力电池热管理策略研究》等。