01
引言
在“双碳目标”背景下，固体氧化物燃料电池（SOFC）等绿色电化学能源设备将在能源体系中扮演日益重要的作用，但是其进一步商业化应用还面临着寿命和耐久性不足的制约。在关于燃料电池性能衰减的现有研究方法中：传统的实验方法依赖于长期耐久性测试，这会带来极高的成本；基于物理模型的预测方法取得了一定进展，但仍受限于对各类衰减机理的有限认识，并且多场模拟受到计算成本的制约；近年来，随着信息技术和数据科学的快速发展，数据驱动的预测方法也获得了较多关注。
但是，目前大部分数据驱动的预测方法主要关注电流和电压等直流特征。相比于直流特征，交流电化学阻抗谱（EIS）蕴含了关于材料特性、界面特征和电极动力学等更加丰富的信息。随着等效电路拟合（ECM）和弛豫时间分布（DRT）等阻抗解析方法的发展，EIS已经成为电化学能源领域不可或缺的研究工具。在最近的研究中，将EIS与数据驱动相结合的研究方法已被初步应用于燃料电池性能预测、故障诊断、阻抗信息提取和锂离子电池状态评估等领域，展现出很好的发展前景。
02
成果展示
近期，清华大学韩敏芳教授、东京大学Naoki Shikazono教授与徐州华清京昆能源有限公司等团队合作，提出了一种结合长短期记忆神经网络（LSTM）与带载EIS（DEIS）分析的燃料电池性能预测方法，并在实际工业尺寸（有效面积10 cm×10 cm）的SOFC上实现应用。该方法能够基于历史测试数据，实现对电池在未来运行过程中IV和EIS演变的预测，而无需依赖关于衰减机理的先验认识。在短期预测（近百小时）中，该方法实现了>0.99的准确度；在长期预测（数千小时）中，通过该方法定量地确定了各类衰减机理对整体电压衰减的贡献度，为进一步提升SOFC耐久性奠定基础。此外，这一方法在时域和频域都展现出很好的预测能力，能够缩减接近50%的EIS测试时长，从而克服其高时间成本。
该论文以“Prediction of fuel cell performance degradation using a combined approach of machine learning and impedance spectroscopy”为题发表在期刊Journal of Energy Chemistry上。
Graphical abstract. 结合机器学习与电化学阻抗谱预测燃料电池性能衰减
03
图文导读
文章使用徐州华清京昆能源有限公司生产的工业尺寸SOFC，开展了超过5000小时的恒电流耐久性测试，运行期间定期记录IV曲线和不同直流偏置下的EIS（包括0、5、10、30 A）。使用第156天以前（<3744 h）记录的IV和EIS作为数据集，训练和验证LSTM模型；训练好的模型用于预测第156天之后的IV和EIS，最长预测至第217天（5208 h）。
图1. 工业尺寸SOFC电化学性能的时间演变。(a) 运行电压；(b) IV曲线；EIS（以5 A直流偏置为例）的(c) Nyquist图和(d) Bode图；(e) DRT（以5 A直流偏置为例）。
根据数据维度，构建并比较了用于EIS和IV预测的多种LSTM构型。对于EIS预测，比较了频率方向LSTM（F-LSTM）和时间方向LSTM（T-LSTM）的预测性能；对于IV预测，比较了电流方向LSTM（C-LSTM）和时间方向LSTM（T-LSTM）的预测性能。结果表明，F-LSTM更适合用于EIS预测，而T-LSTM更适合用于IV预测。
图2. 用于EIS预测的两种LSTM构型。(a) 频率方向LSTM（F-LSTM）；(b) 时间方向LSTM（T-LSTM）。
使用第1~145天的数据作为训练集，第151~156天的数据作为测试集，第156~第217天作为未来预测区间，对IV和EIS（@0、5、10、30 A）的演变进行预测。使用线性Kramers-Kronig（K-K）方法检验EIS预测结果的合理性，并进行DRT计算，以分辨EIS中不同特征时间的电极动力学过程。总体而言，提出的预测方法能够合理地预测IV和EIS在较长时间内的演变趋势，在测试集中，对IV和EIS的预测准确度>0.99，但是对DRT的预测准确度低于EIS。
图3. 燃料电池性能演变的预测结果。(a) IV演变；(b) EIS演变（以5 A直流偏置为例）；(c) DRT演变（以5 A直流偏置为例）；在测试集上的预测准确度：(d) 电压；(e) EIS实部（Zre）；(f) EIS虚部（Zim）；(g) DRT（@0 A）；(h) DRT（@5 A）；(i) DRT（@10 A）；(j) DRT（@30 A）。
基于LSTM预测结果，对电池从第20天到第217天的电压衰减进行定量解析，以明确各项衰减机理的贡献度、确定主导机理。从第20天到第217天，电压从0.917 V衰减到0.818 V，总衰减量为99 mV。根据解析结果：阳极TPB附近电荷转移反应和离子传递的劣化（PA1 & PA2）主导了整体性能衰减，其贡献度为51.9%；其次是阴极ORR过程（PC1）的劣化，其贡献度为37.8%；之后是欧姆电阻（Ps）的增长，其贡献度为17.3%；而气相传质过程（PA3 & PC2）的贡献相对较小，阳极侧气相传质过程（PA3）甚至有轻微改善。
此外，基于第20天和第217天的实际测试结果也进行解析，得到了相同的贡献次序（PA1 & PA2 > PC1 > Ps > PC2 > PA3），从而验证了预测和解析结果的可靠性。
上述各项电极过程相关的衰减现象和机制已经被详细报道过，但是本研究结合LSTM预测和DEIS分析确定了他们各自的贡献度，从而为下一步改善耐久性提供量化指标。尽管具体解析结果与电池材料、结构和运行工况等相关，但是提出的预测和解析方法具有普适性。
图4. 从第20天到第217天性能衰减的解析及主要衰减机理。各项动力学过程对衰减的贡献度：(a) 基于LSTM预测结果；(b) 基于实际测试结果。背后的主要衰减机理：(c) Ni-YSZ阳极；(d) LSCF阴极。
EIS测试的高时间成本是制约其实际应用的一大阻碍，而绝大部分的测试时间耗费在低频阻抗测试中。在上述预测的基础上，在训练集中只提供初始若干天的完整EIS，而后续天数的低频部分被隐藏；但是在测试集中，仍要求模型预测完整的EIS。结果表明，LSTM模型在时域和频域都具有良好的预测能力——只需测试初始几天的完整EIS，之后天数中只需测试中高频部分，完整的EIS即可由模型预测。
图5. 通过LSTM缩减EIS测试时长。(a) 典型EIS测试的时间分布；(b) 在训练集中，只测试第1~10天的低频阻抗，而不测后续天数的低频阻抗；(c) 不同低频测试天数下的预测准确度。
04
小结
本文提出了一种结合LSTM与DEIS分析的燃料电池性能预测方法，能够基于历史测试数据实现对未来IV和EIS演变的合理预测，并且能够定量确定各项电极过程对整体性能衰减的贡献度。此外，预测方法能够缩减接近50%的EIS测试时长，从而克服其高时间成本。未来，这一方法能够用于预测燃料电池在更复杂工况下的性能演变（如负载循环、温度循环、可逆SOC循环等），以及其他电化学能源设备。此外，本文仅关注了对IV和EIS的预测，其核心是对多维度序列特征的时序预测，未来可进一步探索其他类似特征和预测算法。
文 章 信 息
Prediction of fuel cell performance degradation using a combined approach of machine learning and impedance spectroscopy
Zewei Lyu, Yige Wang, Anna Sciazko, Hangyue Li, Yosuke Komatsu, Zaihong Sun, Kaihua Sun, Naoki Shikazono*, Minfang Han*
Journal of Energy Chemistry
DOI：
https://doi.org/10.1016/j.jechem.2023.08.028
作 者 信 息
吕泽伟
2022年博士毕业于清华大学能源与动力工程系。现为日本东京大学博士后、JSPS Research Fellow，主要研究方向是固体氧化物燃料电池/电解。发表学术论文20余篇，参与编制国家能源行业标准3项，授权发明专利1项，在国际、国内学术会议上2次获得优秀口头报告。研究成果获中国能源研究会能源创新奖一等奖（2019年）、中国建筑材料联合会•中国硅酸盐学会建材科技奖一等奖（2020年）、中国发明协会发明创业奖创新奖一等奖（2022年）等科技奖励。曾获得北京市优秀博士毕业生、博士生国家奖学金、清华大学蒋南翔奖学金等荣誉。担任J. Energy Chem.、Energ. Convers. Manage.、Renew. Energ.等学术期刊审稿人。
Naoki Shikazono
Professor in Institute of Industrial Science, The University of Tokyo, Japan. Naoki Shikazono received his Ph.D. degree in mechanical engineering from the University of Tokyo in 1994. After joining Hitachi, Ltd. in 1994, he has developed heat exchangers and fans for air conditioners and received Award for Technical Achievements from the Heat Transfer Society of Japan in 1999. He has more than 70 patent applications in the field of air conditioning technology. From 2002, he joined the University of Tokyo as an associate professor, and started researches on solid oxide fuel cells. Since 2010, he is a full professor at the Institute of Industrial Science, the University of Tokyo. He is serving in various Committees including the SOFC Society of Japan, the Japan Society of Mechanical Engineers (JSME), Japan Society of Refrigerating and Air Conditioning Engineers (JSRAE), Heat Transfer Society of Japan (HTSJ), etc.
韩敏芳
清华大学能源与动力工程系教授、系学术委员副主任、燃料电池与储能研究中心主任，教育部“长江学者”特聘教授，九三学社北京市委副主委。曾任清华大学研究生院副院长（挂职），国家“973计划” 固体氧化物燃料电池项目首席科学家，现任国家重点研发计划 固体氧化物燃料电池项目负责人，兼任中国能源研究会燃料电池专委会 常务副主任兼秘书长，氢能专委会 副主任，能源行业高温燃料电池标准化技术委员会 主任，中关村氢能与燃料电池技术创新产业联盟 常务副理事长，中国硅酸盐学会固态离子学分会 副理事长，国际学术会议（Asian SOFC Symposium）主席，享受国务院政府津贴专家，第十四、十五、十六届北京市人大代表。已发表论文300余篇，出版学术论著5部，专利180余项。燃料电池相关科技成果获省部级一等奖5项，获全国建材行业2021年度十大科技突破领军人物、“科技北京百名领军人才”、“江苏省双创领军人才”、北京市“三八”红旗奖章等。
转自：“研之成理”微信公众号
如有侵权，请联系本站删除！
