admin

第一作者：程韬&王硕 通讯作者：李先锋&尹彦斌 通讯单位：中科院大连化学物理研究所 DOI：10.1021/jacs.6c14019 感谢中科院大连化物所李先锋团队（第一作者：程韬）校稿！ 工作简介 本研究提出一种针对溴络合剂的水合调控策略，旨在提升多溴化物在低温条件下的液相保留能力，并抑制内部短路风险。适度水合的络合剂不仅能向油性多溴化物离子液体中引入适量水分，还可阻止锌向膜层生长。采用目标络合剂（1-[2-羟乙基]-1-甲基吡咯烷鎓溴化物）的锌–溴液流电池在高电流密度（充电：200mA cm⁻²；放电：80mA cm⁻²）及低温适应性（40mA cm⁻²、−20°C条件下＞700h，而传统络合剂仅为＜10h）方面，循环寿命（＞4000次循环vs.~800次循环）均显著优于采用传统络合剂的电池体系。 《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   锌–溴液流电池（ZBFBs）凭借高能量密度、低成本及固有安全性，已成为可扩展分布式储能领域的一项极具吸引力的技术。然而，低温环境（<0°C）对ZBFBs构成严峻挑战，因会降低EE，甚至引发快速失效。一般而言，对于电解质溶液而言，低温会减缓离子迁移率与扩散动力学过程；根据阿伦尼乌斯方程，温度降低会导致活性物质的反应速率常数下降。一旦电解质发生相变，电导率将显著降低，进而阻塞电解液通道，增大放电极化效应，并阻碍活性物质的供给，已成为ZBFBs在低温应用场景中的关键问题。从工程角度考量，为应对长期低温环境，需利用电池运行过程中产生的热量实施隔热措施，而依赖电加热设备则显然缺乏经济可行性。 核心内容 1.适度水化设计策略 图1.适度水合度的BCA设计策略 在BCA阳离子上引入可与水形成氢键的官能团，有望将适量水分引入油相，进而抑制含油多溴化离子液体（OPIL）的固化。此外，将亲水性官能团接枝至BCA上，可改变多溴化物在水相上清液与OPIL之间的分布，无疑会改变与金属锌的反应速率，进而影响锌电镀/剥离循环的稳定性。为了验证可行性，在EMP中引入了−OH，以增强水合作用，从而制得设计的BCA阳离子HMP。为进一步研究水合程度的影响，还将4-乙基-4-甲基吗啉鎓阳离子（EMM，HMP的异构体）和4-(2-羟乙基)-4-甲基吗啉鎓阳离子（HMM）纳入研究体系。关键考量是必须存在适当的水合程度才能优化多溴化物配合物的性能；水合不足或过均会导致ZBFBs的性能不佳。   2.OPILs的组成与结构 图2.OPILs的组成与结构 与EMP和EMM相比，引入−OH基团后，HMP/HMM上的氢键位点及其数量均有所增加。并且，阳离子的水合强度按以下顺序排列：HMM>HMP>EMM>EMP，通过¹H NMR谱半定量测得的OPILs中的含水量也呈现出递增趋势（EMP<EMM<HMP<HMM）。水合程度的增加导致相应OPILs中H2O的浓度升高。Q+与溴的浓度与水含量呈负相关，而Br−、Zn2+及NH4+的浓度则随水含量的增加呈比例上升。结果表明，随着水合作用的增强，更多来自水性电解质的离子被整合入OPILs中。 此外，Br⁻/Br³⁻与Br³⁻/Br⁵⁻的比值均与水合程度呈正比增加，表明水分子结合量越大，形成的多溴络合物状态越小。此外，AIMD模拟结果表明更强的水合作用与更小的组装多溴络合物相关。   3.OPILs的物理性质 图3.OPILs的物理性质 可以观察到：当溴浓度小于或等于1.6M时，所有OPILs均保持液态；当溴浓度为2.0M时，采用EMP的OPIL转变为固态；而当溴浓度达到4.0M时，使用EMM和HMM的OPILs也转变为固态；仅含HMP的OPIL仍具有良好的液相保持能力。电导率结果表明：随着溴浓度的增加，油相中的配合物逐渐转变为固态，导致电导率迅速下降。相比之下，仍保持液态的HMP样品在4M浓度时表现出最高的电导率。此外，阳离子的羟基化作用会减小Brn*团簇的尺寸，导致 HMP和HMM在液相中的离子电导率分别较EMP和EMM降低。 温度依赖性粘度测量法显示使用所研究的BCA后，相应的OPILs能够在不同温度范围内保持液态。EMP、HMM和EMM OPILs在冷却过程中逐渐失去流动性，分别在−10°C、−20°C和−30°C时转变为固态。相比之下，HMP OPIL即使在−40°C下仍保持可流动性。温度依赖性电导率测量结果表明与其他OPILs相比，HMP OPIL在−40至10°C的温度范围内仍保持较高的电导率（>0.1mS cm−1）。结果不仅证明了HMP在室温和低温环境下均具备卓越的抗凝固能力，也表明其在低温ZBFBs中的应用潜力巨大。 OPILs在ZBFBs中的固化会导致电导率急剧下降，进而引起充放电过电位增大、活性材料利用率降低，以及带电溴物种的累积加剧。此外，形成的固体产物会堵塞正极（碳毡）的活性表面，并阻碍流道与泵体的运行，从而抑制电化学反应的进行及活性材料的供给。因此，对于可低温运行的长寿命ZBFBs而言，必须严格避免OPILs的固化现象。 然而，HMM尽管具有最强的水合能力，液相保留能力却相对较差。AIMD结果表明，引入大量水分子后，HMM阳离子上的羟基与醚基团通过与水分子形成氢键，构建起三维（3D）网络，从而促进OPILs的固化。相比之下，HMP阳离子仅含一个羟基，虽具备足够强的水合能力，却未形成此类三维网络，可能是导致其组装行为与水合性质之间出现差异的原因。   4.正极与负极的电化学行为 图4.采用上述BCA材料时，正极与负极在电解质中的电化学行为 基于马库斯理论，OPILs水合分子的活化能有三个过程的活化能相对较高，分别是QBr₅的失电子过程和得电子过程，以及QBr₃的失电子过程，这些过程应被视为电子转移的关键步骤。而且，羟基化后，失电子过程的活化能（[Br₅⁻]⁻e⁻→[Br₅*]和[Br₅⁻⁻e⁻]→[Br₅*]）显著降低，表明羟基化可能对OPILs的电荷转移步骤有益。电荷转移电阻（Rₜₜ）显示与EMP和EMM相比，羟基化的Q⁺（HMP和HMM）具有更小的Rₜₜ值）。然而，OPILs及其上清液中的欧姆电阻（Rₛ）均显著低于Rₜₜ，且无明显变化。 SEM-EDS堆叠图像显示在含有EMP的电解液中，电化学沉积的锌倾向于向内部生长。膜上形成树突状复合区，会导致膜上的离子传输通道被阻塞，从而增加短路风险。相比之下，在含有HMP的电解质中，锌不会向膜内生长，可能是由于水化调节作用下，上清液中多溴化物浓度升高，促使锌与溴物种迅速反应，从而有效抑制了膜内树突的生长。   5.ZBFB性能评估 图5.ZBFBs在室温及−20°C条件下的性能 采用EMP与EMM的ZBFB电池，EE分别在约240小时与约310小时后降至70%以下。尽管采用HMM的ZBFB比采用EMP和EMM的ZBFB运行更稳定，但平均CE（前200次循环中约为80.3%）和平均EE（约为68.2%）仍过低，无法达到可接受水平。得益于适当的水合作用，HMP的ZBFB实现了最长的循环寿命（>1500小时），同时具有较高的平均CE（约90.6%）和能量密度（约52.1Wh L⁻¹）。在高电流密度条件下的循环稳定性（充电电流200mA cm⁻²，放电电流80mA cm⁻²）测试显示采用EMP的ZBFB在500小时内失效，而采用EMM与HMM的ZBFBs则表现出中等稳定性（分别低于1560小时与1710小时）。然而，配备HMP的ZBFB表现出稳定的运行性能，能量密度超过25.2Wh L⁻¹，具有稳定的耐久性（>4000次循环，>3400小时），以及延长的累积能量密度（>100.8kWh L⁻¹）。 […]

第一作者：张佳可&齐玉卓 通讯作者：徐谦 通讯单位：江苏大学 DOI：10.53941/aes.2026.100007 感谢江苏大学徐谦团队（第一作者：张佳可）校稿！ 工作简介 本研究采用原位水热法合成了硫化镍改性石墨毡，并构建了以铁氰化物为介体、以固体普鲁士蓝（PB）为电极材料的氧化还原型对称电池。循环伏安法测试结果表明两者具有良好的电位匹配性；XRD测试则证实在循环过程中PB与普鲁士白（PW）之间发生了可逆相变。使用0.3M铁氰化物电解质可有效激活PB，在10–40%的PB添加比例中，20%的PB负载量可带来最优的容量提升与材料利用率，在全电池测试中，最大放电容量达69.66mAh，峰值功率密度达14.58mW cm⁻²。将20%的PB引入全电池后，CE、VE及EE均显著提升，VE的提升最为明显。当电流密度从20增至60mA cm⁻²时，EE持续下降。该电池在40°C时达到最大EE，主要因为温和加热可加速固–液氧化还原反应动力学，且不会引发PB晶格畸变或亚铁氰化物水解。 《2025年我司用户发表的液流电池论文合集》 【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 在众多新兴水系液流电池构型中，中性铁硫液流电池近年来已逐渐展现出显著的研究价值与应用潜力，归因于活性物质来源广泛、初始投资成本低、环境友好性及适宜的运行条件。在该体系中，铁氰化物/亚铁氰化物电对通常作为正极活性物质，而硫化物/多硫化物电对则作为负极活性物质。铁氰化物/亚铁氰化物电对在中性或近中性水相环境中兼具优异的化学稳定性与循环可逆性；而多硫化物则具备原料储量丰富、材料成本低廉以及理论比容量高等优势。两类氧化还原电对之间的良好电位匹配，为构建兼具高安全性、低腐蚀性及可扩展量产能力的水系液流电池系统提供了可行策略。近年来，电极改性技术已被广泛采用，以增强液流电池的界面反应活性与电化学性能。针对多硫化物在实际运行中仍面临的严重穿梭效应及界面反应动力学迟缓等问题，已有众多研究者开展了系统性研究。然而，目前诸如WS₂和NiMoS等硫化物改性材料仍涉及复杂的制备工艺和高昂成本，且在中性铁硫液流电池中多硫化物界面反应的应用性及调控机制仍相当有限。相比之下，硫化镍材料则具备原料成本更低、制备工艺相对简单以及导电性能优异等优势。然而，铁氰化物/亚铁氰化物在正极上的有限溶解度（通常低于0.5M），限制了比容量与能量密度的提升，已成为制约该体系性能优化的关键瓶颈。 核心内容 1.PB–铁氰化物体系的潜在匹配性与反应动力学基础研究 图1.(a)铁氰化物体系与PB的循环伏安曲线；(b)铁氰化物体系中阳极/阴极峰电流密度与扫描速率平方根之间的线性关系；(c)固态PB样品在循环前后的XRD图谱；(d)添加与未添加PB时[Fe(CN)₆]⁴⁻/[Fe(CN)₆]³⁻体系的循环伏安曲线 在测试电位窗口内，[Fe(CN)₆]⁴⁻/[Fe(CN)₆]³⁻电对可观测到一对清晰的氧化还原峰，表明该液态氧化还原介体具有良好的电化学可逆性。同时，在PB中也检测到清晰的氧化还原信号，其峰电位与铁氰化物氧化还原电对的峰电位高度重合。结果证实水性[Fe(CN)₆]⁴⁻/[Fe(CN)₆]³⁻介体与PB/PW电对之间具有理想的电位匹配性，从热力学角度验证了PB参与氧化还原靶向能量存储反应的可行性。   2.PB氧化还原靶向反应的结构转变及电化学证据 XRD显示原始样品的主要衍射峰与PB的标准图谱高度吻合，证实所引入的固体颗粒为纯结晶PB相。循环后，所有主要衍射峰均向低角度方向移动。观察到的峰位移归因于Fe(III)还原为Fe(II)时晶格膨胀，以及K+伴随嵌入PB框架，增加了晶胞参数，进而使衍射峰向较低2θ角方向移动。结构证据表明PB在介体驱动下发生了可逆相变，而非保持惰性。根据PB/PW电对的能量存储机制，可溶的[Fe(CN)6]4−在放电过程中作为还原态电子穿梭体，与固态PB在正极储库中交换电子，逐渐将PB还原为PW。充电时，氧化的[Fe(CN)6]3−作为电子载体，将PW重新氧化为PB。因此，循环后固态样品中检测到的PW富集现象，与氧化还原反应驱动的PB/PW可逆转化相一致，这为PB参与能量存储提供了直接的结构证据。 对含PB与不含PB条件下的[Fe(CN)6]⁴⁻/[Fe(CN)6]³⁻体系进行了循环伏安法测试，与不含PB的体系相比，添加PB后，CV曲线呈现出显著变化：阳极和阴极峰均向负方向移动，表明PB参与了氧化还原平衡，其中固相PB/PW电对建立了一条竞争性电化学路径，改变了可溶性[Fe(CN)6]⁴⁻/[Fe(CN)6]³⁻介体的表观平衡电位。此现象证实PB在该体系中并非惰性固体，而是可与液态氧化还原介体发生电子交换，从而改变[Fe(CN)6]⁴⁻/[Fe(CN)6]³⁻电对的平衡电位。结果共同证明PB可在以水相[Fe(CN)6]⁴⁻/[Fe(CN)6]³⁻为介体的体系中参与氧化还原靶向储能过程。   3.亚铁氰化物浓度对PB活化行为的影响 图2.对称流电池在亚铁氰化物浓度分别为0.1M(a)、0.2M(b)及0.3M(c)时的恒电流充放电曲线；(d)不同PB添加量下对称流电池的电压–容量曲线；(e)不同PB添加量下对称液流电池的容量增量变化 对于0.1M与0.2M亚铁氰化物体系，引入PB后充放电时长变化可忽略不计；而在0.3M电解质体系中，添加PB后充放电时长均显著延长，证实PB在该介体浓度下可被高效活化，并有效参与能量存储过程。在本研究考察的浓度范围内，0.3M的[Fe(CN)₆]⁴⁻/[Fe(CN)₆]³⁻水溶液介体可驱动PB释放显著容量，且可作为进一步优化PB投加量的适宜工作浓度。   4.PB量对放电容量的影响 当PB的摩尔比例从10%增至20%时，放电容量显著上升，说明更多PB颗粒参与了氧化还原定向反应，从而贡献了额外容量。当PB负载量从20%进一步增至30%时，容量增长速率减缓；而当PB含量达40%时，容量与30%负载量时几乎持平。此趋势表明随着PB用量的增加，容量贡献率逐渐趋于平稳，而非无限增长，揭示了PB存在有效的利用窗口及上限容量值。 此外，在PB负载量为10–40%时，PB的理论电子需求量分别占介体电子储库的40%、80%、120%及160%。因此，当负载量达到30%与40%时，电子需求量将超过可用供给量，导致过量PB未被激活。其次，容量平台期与固–液界面处的传质限制密切相关：PB负载量增加会加剧电解质储库内颗粒的沉降与团聚现象，外层PB颗粒优先与电解质接触并发生氧化还原反应，而内层颗粒因液体接触不足无法被充分利用。由此，有效反应表面积不再随PB总质量呈线性增长。换言之，当PB负载量从20%增至30%及40%时，新增的PB主要构成非活性固体储备，几乎对可用放电容量无贡献。 并且，当PB比例从10%增至20%时，放电容量显著上升；但超过20%后，容量增幅趋近于零。平台期表明在当前实验条件下，20%为PB有效利用率的上限，故20%被确定为最佳负载量。综上所述，本部分研究证实PB可通过水相[Fe(CN)₆]⁴⁻/[Fe(CN)₆]³⁻介导的氧化还原反应参与储能过程。   5.集成系统的协同效应与运行工况适应性 5.1.采用优化PB负载量的全电池电化学性能 对具有及不具最佳PB负载的全电池进行了极化曲线和功率密度分布表征。根据功率密度曲线图，未采用PB的基准电池峰值功率密度约为12.00mW cm⁻²，而采用优化后PB的电池峰值功率密度则提升至14.58mW cm⁻²，相当于峰值功率密度提高了21.5%，主要归因于引入PB后正极容量提升及极化损耗降低。对比验证：在正极侧引入适宜的PB，可显著提升搭载NiSx-GF复合负极电极的电池功率性能。此外，经PB改性的电池能在更高电流密度下维持稳定放电，对应着极限工作电流密度的提升。综上，结果证实在正极区引入PB不仅能最大化完整电池的峰值功率输出，还可促进其在高倍率工况下的稳定运行。 图3.(a)含与不含PB的中性铁硫液流电池的极化曲线及功率密度分布图；(b)含与不含PB的中性铁硫液流电池的电压–容量曲线 引入PB后，电池的放电容量显著提升，最大容量从54.40mAh（无PB电池）增至69.66mAh，证实PB可有效拓展正极区室的可用容量，从而提升完整电池的总容量。与此同时，负载PB的电池其充电平台电压有所降低，而放电平台电压基本保持不变，表明PB主要优化了充电过程中的电压曲线，并在一定程度上缓解了电池极化现象。 图4.a)含与不含PB的中性铁硫液流电池的CE、(b)VE及(c)EE的变化趋势 两种电池在循环过程中均保持较高的CE，且仅有微小波动，表明两种体系均具备优异的电荷利用率和循环稳定性。尽管如此，集成PB的电池其平均CE仍略高于空白电池。当PB通过氧化还原定向反应参与正极储能时，铁基活性物质的利用率得以提升，且因正极容量受限而引发的充放电电压失配现象得到缓解，从而在整个循环过程中维持稳定且卓越的电荷利用率。 此外，添加PB的电池在所有循环周期中均持续保持更高的VE，且提升幅度较CE更为显著，表明PB的引入可有效降低电压损耗，并抑制充放电过程中的极化效应。上述结果证实优化PB负载量可同时提升整体电池的正极容量利用率，并优化其充电电压性能。同时，负载PB的电池在整个循环过程中始终保持更高的EE，且性能衰减趋势更为平缓。综上所述，采用优化配比的PB材料，可同步提升中性铁硫液流电池的输出容量、极化性能及效率保持率。增大的放电容量与优化的VE共同成为提升EE的关键因素，而稳定的CE则进一步验证了该集成构型优异的循环稳定性。 5.2.中性铁硫液流电池在不同电流密度下的EE变化 图5.(a)不同电流密度下中性铁硫液流电池的恒电流充放电曲线及(b)EE图 在约40°C条件下，当20mA cm⁻²增至60mA cm⁻²时，EE呈单调下降趋势；在20、30、40、50及60mA cm⁻²下，对应EE分别为89.23%、86.58%、85.21%、80.67%及75.96%，表明在低电流密度区间可维持较高EE，而高电流密度下加剧的内部极化效应则会降低EE。相比之下，当超过50mA cm⁻²时，效率下降幅度显著增大，源于高电流密度下活化极化、欧姆极化及浓差极化的加剧。综上，中性铁硫液流电池在20–40mA cm⁻²的电流密度区间内仍保持较优EE，但当电流密度超过50mA cm⁻²时，EE急剧下降，表明高倍率运行会对该体系的EE产生严重不利影响。 5.3.中性铁硫液流电池在不同温度下的EE变化

  2026年8月液流电池论文奖励清单 （1）【用户成果】国能电科院&南大金钟团队Angew：刚性高对称配位几何铕大环配合物用于高电压长寿命中性水系氧化还原液流电池 （2）【用户成果】苏州大学靳健团队Angew：溶剂化梯度薄层复合膜实现碱性锌‑铁液流电池中铁氰根截留与氢氧根传导解耦 （3）【用户成果】天津大学康鹏团队ACS Energy Letters: 基于分子内氢键稳定氧化还原介质的耐氧电化学直接空气捕获 （4）【用户成果】安徽理工大学张中标团队Small：环己基分子改性磺化聚醚醚酮双离子传输膜用于高性能碱性锌铁液流电池 （5）【用户成果】西南科技大学张亚萍团队JES：具有三氟甲基的高离子传导性及离子选择性的多孔支化PBI膜赋能钒液流电池 （6）【用户成果】铜仁学院&华东交通大学JES：绿色葡萄糖酸钠调控锌离子溶剂化结构，构筑高性能长寿命碱性锌锰液流电池 （7）【用户成果】浙江理工大学郭玉海团队EA：通过SPEEK/g-C₃N₄非对称填充PTFE膜提高钒液流电池的离子选择性和长期耐久性 （8）【用户成果】兰州理工大学李世友团队JES：电场弛豫界面工程以改善高倍率钒液流电池的电沉积动力学 （9）【用户成果】兰州理工大学李世友团队JMCA：通过间歇电场弛豫充电提升钒液流电池的高压稳定性 （10）【用户成果】西安交通大学杨卫卫团队ACS AMI：碘功能化rGO/石墨毡界面协同强化传质与电荷转移动力学用于高功率全钒液流电池 （11）【用户成果】内蒙古工业大学包道日娜团队TSEP：极端温度条件下全钒液流电池电解液储罐的双模式热管理 （12）【用户成果】浙江理工大学张凯团队 CSC:用于稳定水系有机液流电池的磺酸化TEMPO阴极电解液的可扩展合成 （13）【用户成果】石河子大学于锋团队IECR：原位构建SiO2涂层石墨毡电极，实现全铁液流电池1350次稳定运行   （14）【用户成果】武汉理工大学熊斌宇团队 Batteries：基于多头自注意力深度学习的全钒液流电池泵故障智能诊断 （15）【用户成果】武汉理工大学熊斌宇团队 Applied Sciences：泵故障工况下全钒液流电池电化学行为的多物理场建模 （16）【用户成果】山东海化集团ML：锌-锡合金镀层助力锌溴液流电池循环耐久性 液流电池论文奖励活动 2019年7月~2025年12月 采用我司液流电池测试设备发表论文300余篇 （2025年我司用户发表液流电池论文合集） 累计发放现金超30万元 本论文奖励活动长期有效 持续助力深耕液流电池领域的科研人员 为我国液流电池储能产业发展 贡献实实在在的微薄之力 【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！

第一作者：李永浩 通讯作者：唐奡 通讯单位：中国科学院金属研究所 DOI：10.1016/j.est.2026.124851 工作简介 本研究提出了一种基于Bi-MOF的原位限域–锚定策略构建出将铋纳米颗粒限域于碳–氮层内的碳毡电极（Bi@CN@CF），以增强V2+/V3+氧化还原反应动力学。在该结构中，将限域于多孔碳–氮层内的铋纳米颗粒化学锚定在碳毡纤维上，不仅通过改善界面接触提高了活性位点的可及性，还促进了电荷转移动力学及结构稳定性。得益于协同优势，Bi@CN@CF电极对V2+/V3+的电催化活性显著提升。在200mA cm⁻²条件下的VRFB单电池测试中，采用Bi@CN@CF电极组装的电池实现了84.5%的高EE，优于使用Bi@CF及原始碳毡电极的电池。此外，基于Bi@CN@CF的VRFB电池展现出优异的循环稳定性，在1500次循环后仍保持82%的EE。 《2025年我司用户发表的液流电池论文合集》 【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 全钒氧化还原液流电池（VRFBs）在两个半电池中均采用具有不同氧化态的钒离子作为氧化还原活性物质，可有效抑制电解质间的交叉污染。凭借固有的安全性、长循环寿命以及功率与能量容量均可独立扩展的特点，VRFBs被视为电网级储能领域最具前景的技术之一。然而，在高电流密度下的实际运行仍受显著极化现象及EE下降的限制，主要源于电荷转移动力学迟缓，以及电极–电解质界面处钒氧化还原反应的质量传输不足。商用VRFBs普遍采用多孔碳基电极（如碳毡与石墨毡），因具备耐腐蚀性、导电性、易加工性及相对较低的成本。但此类电极的有效活性位点密度较低，且固有润湿性较差，会加剧活化极化与质量传输极化，导致高倍率运行条件下电压效率与EE快速衰减。该问题在负极尤为突出：相对缓慢的V²⁺/V³⁺氧化还原动力学反应，以及竞争性析氢反应，均会导致额外能量损耗、孔隙堵塞，并在充电过程中引发潜在安全隐患。 核心内容 图1.a)制备流程示意图；(b)Bi@CN的TEM图像；(c)Bi@CN的EDS元素分布图；(d)Bi@CN的孔容分布曲线 TEM及EDS元素分布图表明铋纳米颗粒均匀分散于碳–氮基质中，其主要粒径分布于5–10 nm区间。均匀分散不仅可最大化纳米颗粒的利用率，还能提升可及活性位点的密度。此外，通过BET的孔径分布图显示主导孔径约为2.41nm，表明材料中存在介孔通道而非微孔。同时，Bi@CN催化剂具有较高的比表面积，达88.2m² g⁻¹。 图2.a)Bi@CN@CF的SEM图像；(b)Bi@CN@CF的EDS元素分布图；(c)不同电极的BET比表面积；(d)X射线衍射图谱；(e)Raman光谱；(f)FT-IR光谱；(g–i)Bi@CN@CF的XPS光谱 BET比表面积分析显示Bi@CN@CF 电极的比表面积为8.61m²/g，远高于PCF（0.29m² g⁻¹）和Bi@CF（3.24m² g⁻¹）的值，表明电解质渗透和离子传输的通道更为丰富。XRD图谱显示出金属Bi⁰的特征反射峰，证实了Bi@CF和Bi@CN@CF中均成功引入了结晶态Bi物种。Bi@CN@CF中更强的Bi反射峰进一步支持了含Bi催化位点的有效形成。拉曼光谱显示ID/IG值从PCF的0.93增加到Bi@CF的1.23，再到Bi@CN@CF的1.48，表明缺陷密度逐渐增加。增强的无序性可归因于Bi-MOF衍生的碳–氮框架以及g-C₃N₄衍生的多孔碳–氮层，二者共同丰富了活性表面，并为Bi纳米颗粒的限域提供了结构支撑。 图3.a)不同电极的LSV曲线；(b)不同电极的Tafel图；(c)V2+/V3+的CV曲线；(d)V2+/V3+的扩散系数；(e)V2+/V3+的EIS曲线；(f)不同电极的RΩ与Rct值；(g–h)PCF与Bi@CN@CF在不同扫描速率下（范围：−0.05至0.05V vs.OCP）的CV曲线；(i)不同电极的Cdl曲线 LSV测试显示析氢起始电位从PCF的−0.27V分别向负方向移动至Bi@CF的−0.59V及Bi@CN@CF的−0.67V，表明析氢反应被有效抑制在Bi@CN@CF电极上受到抑制。此外，Bi@CN@CF的塔菲尔斜率为389mV dec⁻¹，高于PCF（180mV dec⁻¹）与Bi@CF（323mV dec⁻¹）的相应值。结合HER起始电位向负方向的偏移，Bi@CN@CF较大的塔菲尔斜率进一步表明其HER动力学过程较为迟缓。CV测试显示PCF因本征活性较低而未显现明显还原峰；而Bi@CF与Bi@CN@CF均呈现清晰可辨的氧化还原峰，且峰电流密度显著更高。而且，Bi@CN@CF的峰电流比趋近于1，且峰电位差（ΔEp=392 mV）小于Bi@CF（470mV），表明电化学可逆性更佳且氧化还原动力学速率更快。此外，EIS进显示Bi@CN@CF的Rct最低，为0.412Ω，低于Bi@CF（0.707Ω）和PCF（1.163Ω），证实Bi@CN可有效降低电荷转移能垒。此外，电化学活性表面积测试显示Bi@CN@CF的Cdl达195.7mF，高于Bi@CF（127.9mF）与PCF（1.8mF），表明可接触表面积增大且电解质可及性提升。结果共同证明多孔碳–氮限域Bi结构可促进活性位点暴露、界面电荷转移及质量传输，从而增强V2+/V3+氧化还原反应动力学性能。 图4.a)VRFB示意图；(b)不同制备电极在电流密度为200 mA cm⁻²时的充放电曲线；(c)在电流密度从100至300mA cm⁻²范围内，EE与CE；(d)平均充放电电压；(e)在50%SOC时的电化学阻抗谱结果 充放电曲线显示与基于PCF和Bi@CF的电池相比，基于Bi@CN@CF的电池表现出较低的充电电压平台及较高的放电电压平台这表明电压迟滞现象减弱，且电池极化效应得到抑制。因此，基于Bi@CN@CF的电池在200mA cm⁻²下可输出833mAh的放电容量，显著高于Bi@CF（621mAh）与PCF（556mAh）的性能。容量提升表明电解质利用率提高，可归因于Bi@CN@CF电极的润湿性增强及电化学活性表面积扩大。此外，基于Bi@CN@CF的电池始终比基于Bi@CF与PCF的电池具有更高的EE，得益于其优化的传质性能及降低的极化效应。在200mA cm⁻²条件下，Bi@CN@CF基电池的EE达84.5%，大幅超越Bi@CF（78.6%）与PCF（72.8%）。而且，该效率优势在更高电流密度下愈发显著，凸显了Bi@CN@CF材料在高倍率工况下的优越性。在50%SOC下EIS测试显示基于Bi@CN@CF的电池的Rct低于基于Bi@CF及PCF的电池，与Bi纳米颗粒的均匀分散以及多孔碳–氮层的共同作用有关。 图5.a)VRFB电池的极化曲线与峰值功率密度曲线；(b)采用Bi@CF电极的电池在长期稳定性测试中的CE与EE；(c)采用Bi@CN@CF电极的电池在长期稳定性测试中的CE与EE；(d)Bi@CN@CF电池经长期循环测试后的SEM图像 配备Bi@CN@CF的VRFB电池达到了794.3mW cm⁻²的峰值功率密度，显著高于Bi@CF（664.2mW cm⁻²）和PCF（383.4mW cm⁻²）的性能。长期循环测试显示在200mA cm⁻²下，基于Bi@CF的电池初始EE仅为78.8%，经过650次循环后降至71.5%，接近PCF的性能。性能衰减表明在连续电解液流动条件下，暴露的Bi颗粒在Bi@CF电极上的固定效果不足。相比之下，基于Bi@CN@CF的电池在相同电流密度下仍保持优异的循环稳定性。电池初始EE为84.5%，在循环过程中仅略有下降。更换电解液后，性能迅速恢复，表明效率衰减主要源于电解液失衡，而非电极降解。即使经过1500次循环，该电池仍保持82%的EE。此外，循环后的SEM和EDS分析证实Bi@CN催化剂仍牢固地固定在碳纤维表面，证明了Bi@CN@CF电极出色的结构和电化学稳定性。 核心结论 本研究报道了一种基于Bi-MOF的原位限域锚定策略用于构建Bi@CN@CF复合电极。在该结构中，Bi纳米颗粒被限制在多孔碳–氮层内，其中Bi-MOF衍生的碳–氮框架与g-C3N4衍生的碳–氮层协同作用，分散Bi颗粒并抑制其粗化。同时，碳–氮框架与碳纤维之间强烈的界面相互作用实现了有效的化学锚定，而富含氮、含缺陷的结构则提供了丰富的活性位点、改善了润湿性、实现了空间限域并增强了结构稳定性。因此，Bi@CN@CF电极显著加速了V²⁺/V³⁺氧化还原动力学过程。在200mA cm⁻²时，配备Bi@CN@CF的VRFB电池EE达到84.5%，优于使用Bi@CF（78.6%）和PCF（72.8%）的电池。此外，基于Bi@CN@CF的电池还实现了峰值功率密度为794.3mW cm⁻²，远高于Bi@CF（664.2mW cm⁻²）和PCF（383.4 mW cm⁻²）。而且，Bi@CN@CF电极展现出优异的循环稳定性，在200mA cm⁻²下经过1500次循环后，仍能保持82%的EE。结果表明基于Bi-MOF的限域–锚定策略有效整合了催化活性、质量传输和结构耐久性，为开发高性能VRFB电极提供了可行途径。

第一作者：韩征 通讯作者：纪亚 通讯单位：上海交通大学 DOI：10.1016/j.apenergy.2026.128927 感谢上海交通大学纪亚团队（第一作者：韩征）校稿！ 工作简介 本研究构建了一个数据驱动框架，将机器学习与遗传算法相结合，从而能够在多种工况下对杂原子掺杂碳电极的性能进行精准预测与全局优化。基于已发表文献及主动学习策略，本研究构建了多维数据库，进而训练并评估了多个机器学习模型。最优模型展现出卓越的预测精度，对CE与VE的R²分别达到0.982与0.991。Shapley加法解释（Shap）分析进一步揭示了影响电极性能的关键参数的内在调控机制。此外，本研究采用精英遗传算法筛选最优电极性能。优化后的电极在200mA cm⁻²下，预测EE达85.2%，且具备优异的循环稳定性。实验结果与模型预测高度吻合，平均绝对百分比误差始终低于3.7%。 《2025年我司用户发表的液流电池论文合集》 研究背景 尽管VRFB系统具有诸多优势，但整体性能仍主要受关键材料的限制。电极作为钒离子氧化还原反应的反应界面，在电解质中负责电子传输与质量传输，从而直接影响电池的CE、VE及EE。尽管传统商用电极材料具备优异的导电性、化学稳定性及成本效益，但有限的比表面积、较差的表面润湿性以及不足的固有电化学活性，仍会导致反应动力学迟缓，并在高电流密度下引发显著极化现象，制约了电池效率的进一步提升。为应对这些挑战，学界已投入大量精力致力于碳基电极的结构调控与表面工程研究。其中一种有效策略是构建多级多孔结构及多样化流场，此举可显著增加活性位点的暴露面积、缩短离子传输路径、优化电解质传输效率，进而缓解浓差极化现象。与此同时，杂原子掺杂已被广泛应用于调控碳材料表面的电子结构。引入氮(N)、磷(P)、硫(S)及硼(B)等杂原子，可有效调控局部电荷分布，增强钒离子的吸附能力，并加速界面电荷转移过程。在此基础上，多杂原子协同掺杂技术日益受到关注。不同元素之间形成的协同效应有助于构建更多高活性位点，从而进一步提升电催化性能与循环稳定性。例如，Liu等人通过热浸渍法在碳毡上成功制备了硼氮共掺杂碳纳米管。所得VRFB系统在300mA cm⁻²时，EE达79.3%，且在1000次循环后仍保持约80%的EE，展现出卓越的电化学稳定性与耐久性，表明VRFB电极改性工程已呈现出高度多样化且复杂的发展趋势。 核心内容 1.数据审查与模型性能分析 图1.研究方法论示意图：从现有文献中收集数据、机器学习、数据增强、遗传算法优化及实验验证 典型的机器学习优化研究通常包括数据集构建、模型开发及实验验证三个阶段：首先通过系统性地收集关于VRFBs中杂原子掺杂碳电极的已发表数据，构建一个综合性数据库；为克服数据不足的限制，在机器学习模型训练前采用主动学习辅助的数据增强策略；随后对优化后的机器学习模型进行验证。该模型与遗传算法相结合，以高效探索高维参数空间并确定最优电极设计。随后，通过电化学表征和VRFB循环测试，验证了所提出的优化框架的可靠性及实际应用潜力。 图2.部分原始数据集的配对图与变量分布直方图 分布情况表明电流密度与循环次数分别主要集中于低于200mA cm⁻²及100次循环以下区间，说明所采集数据中大部分来自中低电流密度下的短期运行工况。对于CF与GF两种电极类型，X1均与Y1呈正相关，与Y2呈负相关；而X2与Y1及Y2的关系则完全相反。然而，从散点分布中并未表现出明确的函数关系，表明输入特征与输出响应之间的映射关系本质上具有复杂性，且很可能呈非线性特征。 图3.(a)CE与(b)VE的XGBoost模型残差图；(c)CE与(d)VE的XGBoost模型误差分布直方图 XGBoost模型对CE与VE的预测值均与实验数据高度吻合。残差围绕零值呈对称且随机分布，未显现明显系统性偏差或结构性特征。少量较大残差主要出现在采样稀疏区域，尤其是极高电流密度区域。在这些区域，邻近观测值的有限可用性加剧了跨研究变异性影响，从而导致预测不确定性增大。 误差分布直方图显示CE模型预测的总体误差范围略大于VE模型。从分布形态来看两种性能指标的误差分布均近似服从正态分布：高频误差主要集中在零值附近，且未观察到明显的长尾或偏态分布特征。此外，所有较大误差值均处于可接受范围内，表明该模型的预测结果在统计学上具有可靠性。   2.数据增强与模型可解释性 图4.a)本研究数据增强流程的流程图；显示不同参数间皮尔逊相关性的热图：(b)数据增强前，(c)数据增强后（*p≤0.1，**p≤0.05，***p≤0.01）。适用于XGBoost算法的所有特征的Shap值：(d)CE，(e)VE 皮尔逊相关热力图相关性分析表明在数据增强前，VE与电流密度及氧含量均呈现强相关性。然而，VE与循环次数之间并未呈现显著相关性，可归因于中存在一定比例。针对原始数据集中长循环周期样本的分析表明：由于杂原子掺杂电极在长期循环过程中通常能保持相对稳定的性能，循环次数对VE的线性贡献在统计学上被削弱，从而导致相应的皮尔逊相关系数降低。相比之下，CE与电流密度及循环次数均呈现强相关性。此外，CE与VE之间亦观察到强相关性，可能源于这两个性能指标间的内在耦合效应，即那些提升CE的性能工况或结构因素，往往会在一定程度上对VE产生负面影响。此外，在数据增强前构建的相关性热图中，某些理论上预期无强关联的输入变量（如ID/IG与隔膜类型）却显示出相对较高的相关系数，很可能源于样本量有限，进而引入统计偏差与伪相关性。经过数据增强处理后，上述异常现象均显著减弱。先前在无关变量间观察到的虚假高相关性被显著削弱，而具有理论意义的关联关系仍以相对较高的相关系数得以保留。由此，整体相关性结构变得更加连贯、易于解释，并与既有的电化学理论相契合。研究结果表明数据增强技术可有效提升数据集的代表性，进而增强相关性分析的可靠性与稳健性。 本研究对每个特征计算了Shap值，Shap分析表明电流密度与循环次数是对CE及VE最具影响力的参数：CE随循环次数增加而上升，并逐渐趋近稳定值；而VE则因长期循环导致的性能衰减而显著下降。在中等电解质浓度范围内，H₂SO₄浓度的变化也会对CE产生一定影响，主要源于质子浓度对膜电导率及电化学反应动力学的作用。相比之下，其他结构及表征参数（如ID/IG与杂原子含量）对CE的贡献通常较弱。对于VE而言，除电流密度与循环次数外，N含量、ID/IG及O含量均具有重要影响。此外，硼含量在VE预测中的Shap重要性值较低。结合现有文献，本研究发现表明：相较于氮掺杂，硼掺杂对电极性能的提升作用相对有限。   3.VRFB性能优化 图5.(a)本研究中采用遗传算法结合主动学习进行优化流程的流程图；(b)精英遗传算法适应度值的收敛曲线图；(c)不同进化代际下精英遗传算法种群分布的箱线图对比；(d)优化后电极在不同电流密度下的预测CE与VE；(e)优化后电极的预测EE与现有杂原子掺杂CF及GF电极的预测值对比 作者团队建立了一个预测框架用于根据所选输入参数估算VRFB性能。基于该框架，采用了一种结合主动学习与遗传算法（GA）的混合优化策略，以识别高性能电极及操作条件。结果表明最优适应度值大约在第40代时达到收敛，而平均适应度值在相近阶段也呈现出明显的收敛趋势，并在后续迭代中继续轻微上升，直至第100代趋于稳定。精英遗传算法种群在第10代和第100代时适应度值分布的箱线图表明第10代种群相较于第100代种群表现出显著更高的离散度。具体而言，四分位距（IQR，第25至第75百分位数）明显更大，而由1.5倍IQR定义的总体离散范围也相应扩大。这些特征表明在优化过程的早期阶段，种群表现出显著的性能差异，仍处于搜索过程中的广泛探索阶段。此外，第10代时的中位数及平均适应度值明显低于第100代时的数值，说明大多数个体尚未向高适应度区域演化，整体解决方案质量仍较为有限。超出1.5倍IQR范围的异常值的存在，进一步反映了低性能个体的存在以及初始进化阶段缺乏明确优化方向的情况。相比之下，第100代时的种群分布已展现出明显的收敛特征：IQR值显著降低，整体分布范围收窄，中位线及平均适应度值均向上偏移。此外，未再观察到低值异常值，表明低适应度个体已通过该过程被有效淘汰。结果表明遗传算法能够逐步提升种群质量，并随着世代数的增加实现稳定收敛。 经过100代优化后，模型达到了最佳预测性能，对应的CE为96.7%，VE为94.4%。当电流密度增至200mA cm⁻²时，CE与VE分别调整为97.6%和87.3%，对应的EE为85.2%。基于此优化参数集，在固定其余变量的前提下仅改变电流密度与循环次数，模型预测在电流密度为300mA cm⁻²、循环500次时，EE可达77.4%。进一步评估优化方案的鲁棒性，在预测最优值附近进行了局部扰动分析。结果表明N与B含量处于相对平坦的响应区间，而O含量对预测EE的影响甚微；相比之下，ID/IG在优化描述符中表现出最高的局部敏感性。因此，GA推导出的最优值更宜被解读为鲁棒的高性能区间，而非唯一的理论最大值。此外，优化电极的预测EE仍显著高于既往研究中采用类似O、N、B杂原子修饰的CF与GF基电极的报道值，充分证明该优化参数组合使掺杂电极在VRFB中展现出优异的倍率性能。   4.实验验证与误差分析 图6.(a)ONBGF的C 1s、(b)O 1s、(c)N 1s及(d)B 1sXPS谱图；(e)GF、OGF与ONGF电极的循环伏安曲线（在0.1M VOSO₄+2.5M H₂SO₄溶液中，扫描速率10mV s⁻¹）；(f)GF、OGF、OBGF与ONBGF电极的循环伏安曲线（在0.1M VOSO₄+2.5M H₂SO₄溶液中，扫描速率10mV s⁻¹）；(g)OGF电极、ONGF电极、OBGF电极及ONBGF电极在VRFB中的CE曲线、VE曲线及(h)EE曲线；(i)ONBGF电极在150mA cm⁻²下的长期循环性能 与原始GF相比，OGF电极的氧化还原峰电流显著增加，且峰电位差（ΔEp）减小，表明空气氧化可有效引入含氧官能团并增强电化学活性。此外，ONGF电极的峰电流进一步增加，ΔEp也进一步减小，说明氮掺杂可改善电极反应动力学，促进电子传递，从而提升电化学活性与可逆性。同样，ONBGF电极相较于单原子掺杂电极表现出更高的峰电流及更小的ΔEp，可归因于N与B掺杂剂的协同效应。并且，所有电极在电池测试中均表现出良好的可逆性，未观察到显著性能波动或衰减。而且，ONBGF电极在150mA cm⁻²下稳定运行100次循环，没有性能衰减。 核心结论 本研究建立了一个集成机器学习–Shap–遗传算法框架用于在VRFBs中实现O/N/B掺杂碳电极的数据驱动设计。通过整合562个文献数据点，并利用数据增强技术将其扩展至2953个样本，在复杂的多变量耦合条件下构建了一个高精度预测模型。在评估的模型中，XGBoost在CE（R²=0.982，MAE=0.0419）和VE（R²=0.991，MAE=0.4374）方面均展现出最佳预测性能。Shap分析进一步表明操作参数是决定VRFB效率的关键因素，而N含量、ID/IG、O含量及硫酸浓度也对效率具有重要贡献，尤其在VE方面更为显著。通过将预测模型与精英遗传算法相结合，能够高效探索多维设计空间。优化后的系统在50mA cm⁻²下，预测CE达96.7%，VE达94.4%；在200mA cm⁻²下，预测EE仍保持在85.2%。即使在300mA cm⁻²及500次循环条件下，该模型仍预测EE为77.4%，尽管仍需进一步的实验验证。独立实验验证结果与模型预测高度吻合：不同电流密度下的EE

2026年9月，武汉之升新能源有限公司凭借600+单电池测试系统客户案例、专业的技术支持和售后能力，成功中标河南高校一批一体化液流单电池测试系统（YTH-1）2026升级款！   一体化液流电池单电池测试系统（YTH-1）2026升级款简介： 提供一体化的整套液流电池单电池测试系统，开展各种液流电池核心材料（电解液、隔膜、电极、双极板等）及流场结构的性能测试研究，为科研用户提供完整实验数据（如能量效率EE、库伦效率CE、电压效率VE、循环性能、极化曲线、功率密度曲线、充放电容量、充放电能量、充放电曲线、自放电性能等）。 （点击以上图片查看产品详细信息） 《2025年我司用户发表的液流电池论文合集》 【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！   【关于武汉之升新能源有限公司】 武汉之升新能源有限公司是国内唯一专注液流电池测试解决方案提供商，面向从事液流电池研发生产的国内外高校、研究所及企业，定制化提供：液流电池核心材料、夹具及单电池测试系统、定制电堆及电堆测试系统、液流反应器、相关配件等产品。 公司技术团队由长期从事液流电池产业的技术专家组成，核心人员从业经验丰富，拥有十年以上液流电池行业经验，先后主持和参与多项国家及省部级重大液流电池项目，技术团队具备液流电池测试整体解决方案提供能力，充分满足各种类型液流电池的差异化定制需求。 公司液流电池测试装备产品累计客户突破600余家，产品销量突破800余套，支撑客户发表论文300余篇，远销10余个国家，国内市场份额超90%。

一文读懂液流电池单电池常见性能测试及数据处理方法 （以新威充放电测试仪为例） 本文通过图文并茂形式介绍常见的单电池性能测试和数据处理方法，包括不同电流密度下的充放电性能测试，某一电流密度下的长期循环性能测试，极化曲线和功率密度曲线测试，充放电容量测试，自放电测试、OCV-SOC曲线标定等。 1、搭建一体化液流单电池测试系统（YTH-1）2026升级款 准备工作： （1）单电池夹具正确安装膜和电极，确保不漏液； （2）正负极储液罐各注入20mL 3.5价钒电池电解液，负极储液罐充氮气保护（有条件可以将整个电池放入手套箱中）； （3）电脑安装新威充放电测试仪软件； （4）新威充放电测试仪正负极鳄鱼夹（红：正极，黑：负极）连接单电池夹具对应的正负极铜板（未充电前不区分正负极，使用改性电极自行标记）； （5）新威充放电测试仪和电脑通过网线连接，确保通讯正常。 图1 一体化液流单电池测试系统（YTH-1）2026升级款实物图   2、不同电流密度下的充放电性能测试（CE、VE、EE vs 电流密度） （1）测试目的 主要用于评估各种液流电池材料（如膜、电极、双极板、电解液等）在不同电流密度下的综合性能。 （2）测试程序 在新威充放电测试仪软件中工步编辑器中设置不同电流密度下的恒流充放电程序（如下图2所示，50 mA cm-2电流密度下循环5次+100 mA cm-2电流密度下循环5次+150 mA cm-2电流密度下循环5次等等，一般最后要再回到50 mA cm-2电流密度下循环5次看倍率后衰减情况），电流根据电流密度×电极面积计算得到，如2×2cm2的电极，50 mA cm-2电流密度下对应的电流为 200 mA。一般每个电流密度重复5-6圈，处理数据时最好去掉第一圈的数据（调整电流密度后第一圈数据波动较大），测试时间主要与电解液体积及电流密度和循环次数相关。建议执行整个程序之前，加一组80 mA cm-2电流密度充放电1次，用来活化3.5价钒电解液，目的是激活电解液，避免后续数据波动。 图2 不同电流密度下的恒流充放电程序工步设置界面 （3）数据导出及处理 测试后得到数据一般选择excel格式进行导出，便于查看和处理。数据查看分两种情况，第一种是测试时的即时数据查看，第二种是历史数据查看。 a、测试即时数据查看及导出 查看及导出即时数据，以查看通道2即时数据为例：选中需要查看数据的通道，右键点击“通道数据”，打开数据界面后点击“导出报表”，在弹出界面中输入文件名后，直接“导出”即可得到excel数据。   图3 通道2即时数据点击操作 图4 即时数据查看 图5 即时数据导出操作   b、历史数据查看及导出 点击测试软件界面左下界面的标签，进入历史界面，如下图所示：通常直接点击左下的搜索即可查到软件默认时间区间内的测试数据。如需查询特定通道或特定日期范围的数据，可在下图左侧可输入搜索条件，输入“通道号”及日期区间/“最近□天”等搜索条件，点击左下的“搜索”，即可得到相应数据。在界面右侧需求数据上选中，点击右键，可以对历史数据进行，删除，数据另存为，查看通道数据等操作。通过导出数据方式可直接导出excel数据。另外，通过查看通道数据时，选择数据格式为excel，即可导出数据。 图6 新威充放电测试软件历史数据导出界面 基于上述EXCEL数据，根据设置的不同电流密度，通过Origin软件进行作图得到图7所示不同电流密度下充放电性能图（b：CE VS 电流密度、c：VE VS 电流密度、d：EE VS 电流密度、e：EE VS 电流密度），注意：删除每个电流密度下第一个循环数据，如上图展示数据中可能会出现库伦效率大于1或远小于1的情况（电解液活化、波动等原因）。   图7 不同电流密度下充放电性能图（范例）（b：CE vs 电流密度、c：VE vs 电流密度、d：EE vs 电流密度、e：EE

第一作者：张磊 通讯作者：褚凤鸣 作者单位：北京工业大学，北京化工大学，桂林电子科技大学 工作简介 SOH作为反应液流电池寿命的重要指标，在BMS（电池管理系统）中占有重要地位。本研究提出了一种基于极限学习机（ELM）和群体智能算法的全钒液流电池（VRFB）健康状态（SOH）数据驱动预测模型。研究团队首先通过充放电循环测试，以容量保持率作为SOH的表征指标，并对比发现基于LASSO的灰色关联度分析（LGRA）在提取最佳健康特征子集方面显著优于基于斯皮尔曼相关系数的交互测度算法（SCIM）。在核心模型构建阶段，研究全面评估了四种群体智能算法（PSO、SCSO、DBO、ACO）与不同激活函数的组合性能，结果明确指出Sigmoid激活函数在此框架内预测性能有限，而Linear激活函数表现最佳。最终，研究确定了LGRA-PSO-ELM-linear为最优预测架构，该模型不仅实现了低于0.2%的最大误差，在准确捕捉电池衰减特征的同时，还在引入高斯白噪声和有界异常扰动的复杂工况模拟中展现出了良好的抗噪鲁棒性，且其综合预测精度与计算效率均显著优于传统的支持向量机（SVM）模型。 相关成果以“Model for predicting the state of health of redox flow batteries based on an extreme learning machine model and swarm intelligence algorithm”为题发表在Journal of Zhejiang University-SCIENCE A期刊上。 感谢北京工业大学褚凤鸣老师供稿！ 本文所用 液流单电池测试系统 由武汉之升新能源有限公司提供 《2025年我司用户发表的液流电池论文合集》 研究背景 准确评估SOH对于VRFB的安全、经济与可靠运行至关重要，是提升电池储能系统稳定性与效率的核心环节。目前，电池容量衰减与功能失效在商业化运行中备受关注，但针对液流电池SOH监控的系统性研究依然十分罕见。现有的电化学储能SOH预测研究主要集中于锂离子电池领域，而液流电池研究较少。目前主流研究方法分为传统机理模型驱动SOH预测和人工智能下的数据驱动SOH预测。传统方法需要建立能够描述内部化学动态的复杂数学模型，难以满足快速实时预测的工程需求。数据驱动方法因无需解析复杂的电化学反应机理而展现出卓越的鲁棒性与适应性。ELM凭借预测精度高、收敛速度快及泛化能力强的优势，为复杂非线性关系的建模提供了可能。本研究通过结合基于LASSO的灰色关联度分析进行最优健康特征子集筛选，首次建立基于群体智能算法与极限学习机相结合的数据驱动预测模型。通过系统分析4种群体智能算法与4种激活函数的组合性能，弥补传统ELM参数随机初始化的缺陷，旨在为全钒液流电池提供一种最高效、精准且抗噪的最优实时SOH监测方案。 核心内容 1. 液流电池老化循环测试数据采集 本研究采取的数据集均采集自真实的充放电循环测试。实验采用了由武汉之升新能源有限公司生产的一体化液流单电池测试系统。为了准确表征SOH，研究以“容量保持率”作为核心评估指标，即剩余容量与新电池额定容量的百分比。在此基础上，研究团队全面采集了电池运行过程中的多项物理参数，包括放电容量、充电能量、充电容量、放电直流内阻、能量效率以及充放电效率等，作为后续模型的备选数据。对液流电池施加老化循环测试，实验台布置如图1所示。 图1.老化测试实验台布置   2. 核心健康特征子集的提取与比对筛选 首先对于测试平台所监测到的大量数据而言，如果全部作为模型的输入特征，那么多维冗余特征不仅会导致预测精度降低，更会降低模型的预测精度和速度并浪费计算资源。因此，确定最能表征SOH衰减演变机理的最佳健康特征子集是建模的核心步骤。本研究提出了一种基于LASSO的灰色关联度算法（LGRA）和基于斯皮尔曼关联系数的交互测度算法（SCIM），以上两种算法用来进行健康特征子集的筛选和提取。 在使用SCIM算法进行特征提取时，研究首先定义了六个初始输入变量：放电容量、充电能量、充电容量、放电直流内阻、能量效率以及充放电效率。基于各个物理参数与SOH之间的相关程度，SCIM算法筛选出了排名前20的候选特征子集。通过关联度热力图（图2）的三维可视化可以观察到，Z轴表示各子集与SOH的相关性，X轴代表子集编号，Y轴代表子集包含的变量数量，关联度越接近1表明特征越优异。在SCIM的筛选结果中，为了在保证高相关性的同时获取更多的变量以反映参数间的交互作用，研究并未选择单变量子集，而是选取了包含充电能量和放电容量两个变量的子集2作为该算法下的基础健康特征子集。 相对而言，LGRA算法在健康特征子集的筛选上展现出了更为卓越的性能。在LGRA的测试中，初始输入变量被设定为五个：放电容量、充电容量、充电能量、充电直流内阻和能量效率。同样基于特征与SOH的相关度，LGRA提取并排列了前20个候选子集，并生成了对应的关联度热力图（图3）。在具体判断时，研究严格遵循了“在保持关联度良好的前提下，尽可能引入更多变量以考量多变量综合交互效应”的筛选原则。因此，LGRA最终锁定了包含充电容量、放电容量和充电能量三个变量的“子集4”。该子集的关联度数值与排名第一的单变量子集完全相当，但其凭借三变量的丰富物理维度，能够更全面地表征电池的衰减退化机理。两种算法的具体筛选结果如图2和图3所示。 通过对两种算法在钒液流电池健康指标上的特征选择能力进行系统性对比分析，研究明确得出LGRA的筛选表现显著优于SCIM，因此正式将LGRA确立为该研究的特征选择方法 图2.基于SCIM的健康特征子集筛选热力图 图3.基于LGRA的健康特征子集筛选热力图   3. ELM的搭建 在确立由LGRA算法筛选出的最优健康特征子集后，本研究将ELM引入全VRFB的SOH预测模型构建中。相较于支持向量机（SVM）、反向传播（BP）和长短期记忆（LSTM）等传统网络，ELM凭借预测精度高、收敛速度极快、泛化能力强以及极其适用于复杂数据建模的优势，被确立为主体预测算法。ELM本质上是一种专为单隐含层前馈神经网络（SLFNs）设计的学习算法，其网络结构由输入层、隐含层和输出层依次构成。ELM结构如图4所示。 图4.ELM结构示意图