首页期刊导航|储能科学与技术
期刊信息/Journal information
储能科学与技术
化学工业出版社
储能科学与技术

化学工业出版社

丁玉龙

双月刊

2095-4239

energystorage_cip@163.com;esst_edit@126.com

010-64519601/9602

100011

北京市东城区青年湖南街13号

储能科学与技术/Journal Energy Storage Science and TechnologyCSCD北大核心CSTPCD
查看更多>>《储能科学与技术》（Energy Storage Science and Technology）是化学工业出版社、中国化工学会联合主办的国内唯一的储能专业期刊，由中国石油和化学工业联合会主管，国内统一刊号CN 10-1076/TK，中国科学引文数据库核心期刊（CSCD）、中国科技核心期刊，中国化工学会及储能工程专委会会刊。目前已被美国《乌利希期刊指南（网络版）》（Ulrichsweb）、英国科学文摘数据库（INSPEC）和美国《化学文摘（网络版）》（CA）收录，荣誉主编为英国伯明翰大学丁玉龙教授。
正式出版
收录年代

    AI辅助电池材料表征与数据分析

    邢瑞鹤翁素婷李叶晶张佳怡...
    2839-2863页
    查看更多>>摘要：随着锂离子电池(LIBs)的快速发展,传统实验方法在处理复杂数据和优化设计时面临挑战.近年来,人工智能(AI)技术在数据处理、模式识别和预测分析方面展现出巨大潜力,为LIBs的研发提供了新的解决方案.本文综述了AI在锂离子电池材料表征中的应用,包括谱学和成像表征技术.AI通过特征提取和数据分析,提高了谱学分析的准确性和效率;结合先进成像技术,研究者能够以前所未有的精度和速度探索材料内部结构.AI在图像识别、分类和分割中的应用,进一步提升了数据处理的效率和准确性.未来,AI将通过技术创新和跨学科合作,在电池材料科学领域发挥重要作用,推动高性能电池的研发和应用.

    机器学习锂离子电池表征数据分析

      原文链接:
    • 万方数据
    • 维普

    机器学习辅助相场模拟预测锂离子输运参数对电池枝晶最大生长高度和空间利用率的影响

    李亚捷王依平陈斌林海龙...
    2864-2870页
    查看更多>>摘要：在锂基电池反复充放电的过程中,锂离子在负极表面的不均匀沉积会导致不可控的枝晶生长,进而严重影响电池的安全性能.相场模拟方法是描述和预测枝晶生长的有力手段,然而求解描述场变量演化的偏微分方程组对计算资源的要求较高.机器学习因能快速拟合历史数据中的潜在规律以实现材料性能的预测,已被广泛用于电池材料性能预测与筛选、电池健康状况评估等方面.本文以锂离子输运参数对电池枝晶形貌的影响为例,通过相场模拟收集不同锂离子扩散系数与离子电导率对应的枝晶图像,基于这些数据训练机器学习模型,进而预测给定离子输运参数所对应的枝晶描述因子(枝晶最大生长高度和空间利用率).结果表明K-最邻近(K-nearest neighbors)模型可以较为精准地刻画离子输运参数与两种枝晶描述因子之间的联系(R2为0.995和0.992),同时机器学习模型对锂离子输运参数与枝晶描述因子间构效关系的挖掘方式及枝晶描述因子的区间范围都会影响预测结果的准确性.本文能够有效降低计算成本,有助于指导高效地设计具有枝晶抑制性能的电池材料体系.

    扩散系数离子电导率枝晶描述因子相场模拟机器学习

      原文链接:
    • 万方数据
    • 维普

    人工智能在长时液流电池储能中的应用:性能优化和大模型

    刘子玉姜泽坤邱伟徐泉...
    2871-2883页
    查看更多>>摘要：近年来,人工智能(AI)技术在电池设计与优化领域取得了显著进展,特别是在液流电池的研究中展现出巨大的应用潜力.液流电池因其低成本、大规模、长循环寿命及高安全性,成为新型电力储能系统的研究重点.然而,传统的实验与仿真方法在探索液流电池设计空间方面效率较低,难以揭示其复杂的物理化学机制.本工作提出将计算机模拟与数据驱动的AI技术相结合,建立了具备高度可解释性的多物理场驱动模型,并通过机器学习辅助分析与优化液流电池设计.研究表明,机器学习模型在电压效率、库仑效率和容量预测方面表现优异,特别是梯度提升模型(gradient boosting,GB)在预测准确性上优于其他模型.通过SHAP分析识别关键影响因素,并结合电化学反应机理进行解释,为液流电池性能优化提供了科学依据.此外,本工作还开发了一个专门针对液流电池领域的大语言模型,通过精细的提示工程和文本分析流程,尽可能最小化"幻觉",有效提升了信息处理的准确性.本工作的研究表明,AI驱动的模拟与优化方法为液流电池的设计与性能提升提供了新途径,未来随着计算能力和算法的不断发展,AI在液流电池及其他储能技术中的应用前景将更加广阔.

    人工智能液流电池机器学习大语言模型

      原文链接:
    • 万方数据
    • 维普

    深度势能方法及其在电化学储能材料中的应用

    邓斌华海明张与之王晓旭...
    2884-2906页
    查看更多>>摘要：深度势能模型(deep potential,DP)通过先进的机器学习技术,从大量的原子结构和能量数据中提取知识,构建出高精度的势能面.这一创新方法有效突破了传统力场方法的局限,为材料科学领域带来了新的视角.本文概述了DP模型和软件的基本原理、开发进展与应用流程,回顾了其在电化学储能材料设计中的应用,展示了DP模型在揭示电池材料微观结构和动力学行为方面的优势.在正负极材料的研究中,精确描述脱嵌锂过程中材料的结构演变和自由能变化;在固态电解质的研究中,精确描述了材料结构与离子输运行为;在电解液的研究中,不仅提高了对溶液动态结构和性质的认识,还为氧化还原电位、酸度等物理化学性质的精确计算提供了新策略;在界面的研究中,准确解析了界面形成过程中的结构演变以及性质.这些对材料的准确描述均有利于加速对能源材料的开发.同时,指出了DP模型在电池材料模拟中仍需改进的问题,并展望了其在电池材料设计和优化中的潜在应用前景.结果说明,深度势能模型作为一种强大的计算工具,在电化学储能材料的研究中展现出巨大的应用潜力.通过不断的模型优化和算法创新,DP模型有望在未来的材料设计和电池技术发展中发挥更加关键的作用.

    深度势能分子模拟储能材料神经网络

      原文链接:
    • 万方数据
    • 维普

    广告索引

    2906页
      原文链接:
    • 万方数据

    大语言模型在储能研究中的应用

    袁誉杭高宇辰张俊东高岩斌...
    2907-2919页
    查看更多>>摘要：在碳达峰、碳中和的大背景下,储能科学作为一门信息密集、多学科交叉的研究领域,迫切需要新研究方法以应对其日益复杂的难题与挑战.随着人工智能技术的快速发展,大语言模型在文本处理、信息收集与整合、图片与视频生成等领域取得了巨大的成功,其应用也在逐渐延伸至自然科学研究领域,并在提升科研效率等方面展现出了巨大的潜力,有望助力储能科学应对未来挑战.本文首先以ChatGPT为例,回顾了人工智能和大语言模型领域的重大进展,从社会生活和科学研究两方面分析了这些进展所产生的影响,整理了国内重点的大语言模型;然后结合储能领域的具体案例介绍大语言模型的基本概念及原理,并从信息处理、信息生成和系统集成三个方面详细探讨大语言模型在储能研究中的应用,凸显这一全新研究方法的实际效果与发展前景;最后结合具体时代背景,指出大语言模型与储能交叉研究的挑战与未来发展方向,并对这一新领域做出总结和展望.

    大语言模型人工智能储能技术二次电池

      原文链接:
    • 万方数据
    • 维普

    基于大数据的电池新材料设计

    许晶王宇琦符晓杨其凡...
    2920-2932页
    查看更多>>摘要：固态电池是极具潜力的下一代储能器件之一,寻找综合性能优异的电池材料有望从根本上提升电池的性能.本文围绕固态电池中离子传输、表面/界面现象以及微观结构动态演化等关键科学问题,介绍了基于多精度传递思想的高通量材料筛选策略,以及机器学习技术在加速模拟复杂物理化学过程、解析电池内部复杂构效关系的突出作用.受益于多精度传递思想和机器学习技术的应用,可以从直接筛选、元素替换、结构单元搭建、非晶结构构建等多个角度高效获得快离子导体材料,多维度解析离子传输性能与微观机制,极大丰富了电极材料、固态电解质材料等候选范围.此外,针对电池材料研发流程的云工具箱提供了数据归档、分析及复用等多项功能,旨在使得借助大数据和人工智能的材料研发流程更为自动化.本文介绍的基于大数据的研究思路和研究模式,结合新兴的机器学习技术,能够有效加速新型电池材料的设计和开发进程,深化对电池内部复杂物理化学现象的理解,为设计实用的新型固态电池材料赋能.

    储能材料材料设计高通量计算大数据人工智能

      原文链接:
    • 万方数据
    • 维普

    机器学习强化的电化学阻抗谱技术及其在锂离子电池研究中的应用

    何智峰陶远哲胡泳钢王其聪...
    2933-2951页
    查看更多>>摘要：随着电气化的发展,全球动力电池和储能电池的需求迅猛增加.然而,人们对电池使用安全性和可靠性的关注使得电池老化状态的精准诊断和预测成为电池界重要且富有挑战的研究领域之一.电化学阻抗谱(EIS)因其可以解耦电池内部不同频域过程常被用于电池复杂老化过程状态的解析,而通过机器学习方法不仅可以高效获取和解析EIS数据,而且可促进对电池老化和失效机制的深入理解.本文综述了近年来机器学习方法在EIS技术中的应用,重点讨论了通过机器学习获取和解析EIS数据,进而实现对电池寿命评估预测.此外,本文讨论了数据融合方法在实现电池老化行为分析和寿命预测中的前景,当前机器学习在EIS研究中存在的局限性,以及对未来基于EIS实现电池寿命预测进行了展望.

    锂离子电池电化学阻抗谱机器学习寿命预测数据驱动

      原文链接:
    • 万方数据
    • 维普

    基于简化阻抗模型和比较元启发式算法的锂离子电池参数辨识方法

    孙丙香杨鑫周兴振马仕昌...
    2952-2962页
    查看更多>>摘要：快速准确地辨识电化学参数对锂离子电池机理建模至关重要.而传统的参数辨识方法多采用直接拟合,难以精确反映电池的内部状态.为解决这一问题,本工作以37 Ah三元电池为研究对象,基于电化学反应中的法拉第过程、双层电容的弥散效应的非法拉第过程以及固相与液相的传导过程,构建了一个与电化学模型映射的修正简化阻抗模型,与伪二维(P2D)模型不同,该模型输入为不同荷电状态(SOC)下的三电极电化学阻抗谱(EIS),通过拟合EIS得到对应工况电化学参数,实现对电池模型准确的参数识别.通过拟合阻抗谱,辨识得到了16个高敏感度的电化学参数,其中正极7个、负极9个.我们进一步比较了66种元启发式算法在锂离子电池电化学参数识别中的性能表现,从识别精度、计算效率和鲁棒性等方面对其进行多维分析.研究结果表明,自适应差分进化算法在参数识别中综合效果最佳,其平均绝对百分比误差小于3%,非重复函数计算次数小于35000次,表明其达到最大准确度的同时运算量较低,提出的辨识方法不仅更好地反映了参数的物理意义,还为电化学模型的简化计算和在线辨识提供了有力支持.

    锂离子电池简化阻抗模型元启发式算法电化学阻抗谱

      原文链接:
    • 万方数据
    • 维普

    面向实车应用的磷酸铁锂电池容量辨识及特异性优化方法研究

    陈星光沈逸凡邵裕新郑岳久...
    2963-2971页
    查看更多>>摘要：锂离子电池作为电动汽车的重要部件之一,其健康程度直接影响车辆的续航能力、安全性能以及整体运行效率.其中,容量作为描述电池健康状态的重要指标,实车条件下的准确估计是一个难题.为此,本文提出一种结合安时积分与等效电路模型,将容量作为待辨识参数之一,通过粒子群优化算法以实现容量辨识的方法.在此基础上,聚焦于磷酸铁锂电池的电压特殊性,提出了一种面向慢充工况的特异性优化方法,以解决容量辨识过程中模型端电压拟合较差的问题,主要通过截取充电末期电压片段与使用双维度目标函数两种方法实现.本文基于两款搭载磷酸铁锂电池的电动汽车车型进行了精度验证.鉴于实车数据缺乏容量标签,本文首先基于静置充电片段计算容量作为标签值.由于标签数量不足,又采用小里程下的标称容量作为标签,通过这两种方法进行精度验证.结果显示,两款车型的平均绝对百分比误差分别为2.33%和3.38%,表明该方法具有较高的精度与适用性,为实车容量估计提供了一种思路与方法.

    电动汽车实车数据容量估计磷酸铁锂电池

      原文链接:
    • 万方数据
    • 维普