October 28, 2026

第一作者：张佳可 通讯作者：徐谦 通讯单位：江苏大学能源研究院 DOI：10.1016/j.cej.2026.183461 感谢江苏大学徐谦团队供稿！ 工作简介 在“双碳”目标与高比例可再生能源并网的背景下，水系氧化还原液流电池（aqueous redox flow batteries, ARFBs）凭借功率与容量解耦、本征安全、循环寿命长等优势，成为大规模长时储能的重要候选技术。然而，从活性分子筛选、膜/电极/流场等关键部件设计，到电池状态监测与系统管理，ARFBs 研发全链条长期受困于实验试错成本高、多物理场耦合复杂、运行状态难以精准感知等瓶颈。近年来，机器学习（machine learning, ML）凭借其强大的非线性拟合与跨尺度建模能力，正在以前所未有的速度重塑水系液流电池的研究范式。 近日，江苏大学能源研究院徐谦课题组，在国际权威期刊 Chemical Engineering Journal 上发表题为“From Molecular Discovery to System Management: A Mini-Review on Machine Learning Driving Full-Cycle Optimization of Aqueous Flow Batteries”的Mini-Review。该综述以分子发现—硬件优化—系统管理为主线，系统梳理了机器学习在水系液流电池全生命周期中的最新进展：在材料层面，总结了氧化还原电位、溶解度、pKa 等关键性质的高精度预测与高通量筛选策略，并讨论了大语言模型辅助分子设计、机器人主动学习闭环研发以及纳米光子传感等前沿方向；在硬件层面，归纳了膜组成与制备工艺、多孔电极微观拓扑、流道几何与流体动力学的代理建模与拓扑优化；在系统层面，评述了荷电状态（SOC）与健康状态（SOH）的数据驱动估计、物理信息神经网络（PINN）、高保真代理模型与数字孪生（digital twin, DT）的构建路径。文章进一步批判性地指出了当前研究中“计算数据偏倚”“跨体系泛化不足”等共性问题，并展望了多源多精度数据体系、物理—数据融合建模、边缘计算与技术经济分析（TEA）深度融合等未来方向。本综述不仅可作为从事水系液流电池与机器学习交叉研究人员的入门参考，也为从材料到系统的全链条智能研发提供了清晰路线图。 《2025年我司用户发表的液流电池论文合集》 【论文奖励】2026年8月液流电池论文奖励清单！ 【论文奖励】2026年7月液流电池论文奖励清单！ 【论文奖励】2026年5~6月液流电池论文奖励清单！ 【论文奖励】2026年4月液流电池论文奖励清单！ 【论文奖励】2026年3月液流电池论文奖励清单！ 【论文奖励】2026年2月液流电池论文奖励清单！ 研究背景 进入21世纪以来，全球经济快速发展带来能源需求的持续攀升，而化石能源的大量消耗又引发了一系列环境问题[1]。在“双碳”目标牵引下，太阳能、风能等可再生能源受到前所未有的关注[2]。然而，风光发电固有的间歇性与波动性给电网安全稳定运行带来了严峻挑战，迫切需要可靠的大规模储能技术在时间与空间上实现能量迁移[3]。在众多储能技术中，氧化还原液流电池因其容量与功率解耦、本征安全、循环寿命长等特点，被认为是长时储能领域最具前景的技术路线之一[4]。与非水系液流电池相比，水系体系以水为介质，电解液成本低廉、安全性高、环境友好，更适合大规模工程化部署。但水系体系自身也面临一系列本征难题：电化学窗口窄、能量密度受限、热力学稳定性不足；在强酸性或强碱性条件下，pH 与电位之间存在强烈耦合；高浓度盐溶液中物理传输与水合效应复杂；水解、聚合、活性物种化学降解等副反应不可避免，往往导致电解液稳定性恶化与容量快速衰减[5]。从研发范式来看，水系液流电池的材料开发已经从早期爱迪生式的实验试错，逐步过渡到基于密度泛函理论（DFT）的高通量计算筛选，标志着研究由经验探索走向微观理论指导[6]。然而，面对广袤的分子化学空间以及 pH-电位耦合、水合效应等复杂问题，高精度物理模型的计算效率已难以满足长时储能材料快速迭代的需求，计算资源瓶颈日益凸显。在此背景下，机器学习作为一种新兴的数据驱动研究范式应运而生。它能够从实验与计算数据中挖掘隐含的复杂非线性关系，突破传统方法的算力约束，并有望贯通从微观材料设计、介观结构优化到宏观系统管理的完整研究链条[7]。 过去五年间，人工智能研究与应用进入爆发期，尤其是 2022 年底 ChatGPT 的发布，进一步展示了 AI 加速科学发现与自主实验设计的潜力。作为人工智能的核心分支，机器学习被逐步引入液流电池领域，并极大推动了储能系统的发展。早期研究主要聚焦于搭建总体框架与展望未来：2022 年，Li 等[8]首次系统总结了机器学习应用于氧化还原液流电池的核心工作流程（图1a），重点讨论了先进数据算法在加速有机液流电池活性分子高通量筛选（电位、溶解度、稳定性等性质）、电极结构与隔膜优化、钒液流电池系统性能预测中的关键作用，并前瞻性地指出了数据质量、多源数据偏倚与模型可解释性等基础性挑战。这一开创性工作虽建立了机器学习在液流电池中的一般范式，但当时研究深度有限，多局限于单一环节或单一部件的初步预测，贯通材料—硬件—系统的系统性框架尚未形成。 进入 2024 年，相关研究向材料发现、硬件创新与系统管理三个方向并行深入推进。在材料领域，Tang 等[9]阐述了高通量计算筛选与机器学习在液流电池材料开发中的深度融合（图1b），展示了量子机器学习、强化学习与各类生成式模型如何在微观、介观、宏观多尺度上实现材料的快速发现与优化，强调 DFT 计算、分子动力学模拟与实验数据的多源协同。在硬件领域，Pan 等[10]聚焦大容量储能电堆创新，分析了电解液、流场、电极与膜组件的最新设计进展，讨论了电堆内部电流分布不均与热管理等工程挑战，并提出面向大容量液流电池系统的集成优化方案（图1c）。与此同时，Zhu 等[11]针对以往研究“重材料、轻系统”的不足，在单电池、电堆与系统三个层级对液流电池进行了分层综述，重点总结了运行参数监测、状态估计算法以及热/水管理策略，旨在通过优化电池管理系统（BMS）提升液流电池的运行稳定性与服役寿命。 2025 年以来，研究范式进一步从孤立应用走向自适应建模与全系统集成。Zheng 等[12]阐明了从传统数值建模向自适应 AI 建模转变的必然性，系统展望了 AI 赋能液流电池建模与管理的全景（图1d），重点讨论了 AI 在实时动态状态估计与自适应管理策略中的应用，并批判性地分析了 AI 模型在复杂实际工况下的鲁棒性。Yadav 等[13]进一步将研究范围拓展至微电网场景，系统阐述了人工智能、数字孪生与物联网（IoT）的集成机制，不仅探讨了这些前沿技术在提升液流电池能量管理系统（EMS）效率中的重要作用，还强调了其在电网级功率响应、故障诊断与网络安全防护中的应用潜力。 尽管已有综述从不同角度对氧化还原液流电池进行了较为全面的综述，但专门面向水系液流电池（ARFBs）全生命周期研究的工作仍然较少。此外，当前机器学习文献在不同电池化学体系间分布并不均衡：分子性质预测、材料筛选与电解液设计的研究主要集中于水系有机液流电池（AORFBs），而钒基、铁基液流电池的相关工作则更多集中在电极、流场与系统级优化。有鉴于此，本综述系统梳理了机器学习在水系液流电池中的最新进展，覆盖材料发现、膜/电极/流场等硬件优化、电池状态估计与系统管理四大板块，并重点突出了机器学习在应对水系本征瓶颈（pH-电位耦合、溶解度—电位权衡、副反应抑制）中的核心驱动作用。 图1：机器学习在氧化还原液流电池中的研究范式演化与全链条赋能多维度全景。(a) 基础算法层[8]；(b) 材料层面[9]；(c) 硬件与系统管理[10]；(d) 基于自适应AI建模的未来智能管理与发展趋势[12] 核心内容 一、活性材料与电解液：从高精度性质预测到闭环智能研发 在水系液流电池的材料开发中，电解液活性分子的多维物理化学性质直接决定系统的能量密度与稳定性。传统实验试错与量子化学计算普遍存在成本高、周期长的问题。作为新兴的数据驱动技术，机器学习凭借强大的非线性拟合与跨尺度特征映射能力，已成为加速电解液分子性质高精度预测的关键工具。 （1）高精度性质预测。为从浩瀚化学空间中快速筛选候选分子，研究者首先建立了面向核心电化学性能的精准预测模型。Sorkun 等[14]开发了名为 RedPred 的机器学习模型，通过提取复杂的分子拓扑描述符并采用集成学习算法，实现了对大量水系有机电解液氧化还原电位的超快评估，均方根误差（RMSE）仅为 0.07 V。然而，传统隐式溶剂模型在处理复杂支持电解质环境时面临参数化困难。为克服单一黑箱模型在跨尺度物理量预测中的局限，Wang 等[15]进一步开发了 MLP-MLMD 框架，将机器学习势函数（MLP）与分子动力学相耦合，结合高精度神经网络势函数与自由能采样，使有机分子标准热力学势的预测精度可与全量子化学计算相媲美，并实现了对水溶液体系中酸解离常数（pKa）的高精度定量计算。 除分子本征电化学性质外，电解液的热物理流变性质对系统实际运行同样关键。Kanti 等[16]采用可解释集成学习算法最小二乘提升树（LSBoost），分别预测了钒液流电池中氧化石墨烯/MXene 杂化纳米流体的热导率、电导率与黏度，并借助 SHAP 值进一步揭示了温度与纳米颗粒浓度对流变行为的非线性影响规律。主流预测模型的系统对比详见原文 Table […]