一种适用于液流电池电堆的液流框

    公开(公告)号:CN109841873B

    公开(公告)日:2024-05-10

    申请号:CN201711213096.X

    申请日:2017-11-28

    Abstract: 本发明涉及一种适用于液流电池电堆或液流电池的液流框,液流框为一中部带有通孔的平板状结构,通孔为电极区域,通孔平行于板体平面的截面为矩形或等腰梯形,于平板的一侧表面或二侧表面上靠近通孔上下二条边的边缘处分别设有作为电解液自由流动区域的凹槽,矩形一条边或梯形下底边边缘处的凹槽为入口自由流动区域、矩形一条边的相对边或梯形上底边边缘处的凹槽为出口自由流动区域,每个自由流动区域与通孔间均开设有2个以上作为次级导流流道的凹槽;该液流框结构简单,加工方便,能有效提高电解液分配的均匀性,抑制电堆内部局域过热,降低极化,提高电解液利用率。

    一种基于机器学习的液流电池电堆优化和性能预测方法

    公开(公告)号:CN113935225B

    公开(公告)日:2024-05-07

    申请号:CN202010605912.7

    申请日:2020-06-29

    Abstract: 本发明涉及一种液流电池电堆性能预测方法,更具体涉及一种基于机器学习的液流电池电堆性能预测和电堆材料及结构的优化方法。包括以下步骤:获取液流电池电堆的组装和性能测试参数(包括电压效率、能量效率和电解液利用率),并建立数据库;对数据库中的变量参数进行数值化和标准化处理;计算标准化处理后的变量参数与液流电池电堆性能参数之间的皮尔逊相关系数;将特征向量 及其对应的液流电池电堆性能参数y随机分成训练集和测试集;利用训练集中的参数数据训练液流电池电堆性能预测模型;使用测试集中的参数数据评价训练好的液流电池电堆性能预测模型。本方法能够有效指导实验、提高液流电池电堆的研发速度、降低实验成本。

    一种适用于液流电池电堆的双极板及应用

    公开(公告)号:CN112447998B

    公开(公告)日:2024-03-26

    申请号:CN201910802070.1

    申请日:2019-08-28

    Abstract: 一种适用于液流电池或电堆的双极板,所述双极板为一矩形平板状结构,在平板的一侧表面或二侧表面中部有一用于与电极接触的矩形区域,称之为电极区域;电解液从矩形区域的一条矩形侧边流入电极区域、由与其平行的另一条矩形侧边流出电极区域,流入侧边称之为电极区域入口边,流出侧边称之为电极区域出口边,另外二条相平行的矩形侧边称之为左右侧边;该双极板结构简单,加工方便,通过促使电解液沿平行于进出口截面方向上流动而有效提高电解液流动的均匀性,缓解局部效应,提升电池性能。

    一种电解液及其应用
    15.
    发明授权

    公开(公告)号:CN114597513B

    公开(公告)日:2024-02-02

    申请号:CN202011437771.9

    申请日:2020-12-07

    Abstract: 本申请公开了一种电解液及其应用,所述电解液包括电解质、溶剂和添加剂;所述添加剂包括多巴胺类化合物。将本申请电解液作为水系锌基电池的电解液,多巴胺能够调控锌离子沉积溶解动力学,有效降低锌离子成核过电势;同时可在在电池充放电过程中,原位在锌金属表面自聚合形成聚多巴胺膜层,起到防止锌负极钝化腐蚀并稳定锌沉积溶解过程的作用,从而提高了锌负极的稳定性,降低了界面阻抗。

    一种复合碳材料及其制备方法和应用

    公开(公告)号:CN113036127B

    公开(公告)日:2023-12-01

    申请号:CN201911358122.7

    申请日:2019-12-25

    Abstract: 本发明公开了一种复合碳材料及其制备方法和应用,所述复合碳材料包括经活化造孔的碳纤维,所述碳纤维表面负载有纳米硫酸钡。本发明通过在具有活化孔的碳纤维表面负载纳米硫酸钡,将其用于铅炭电池负极,能够在电池放电末期提供大量的硫酸铅结晶位点,从而提高了电池在低温下的放电容量和充电接受能力。同时,具有活化孔的碳纤维能够为电池提供3D导电炭网络,进一步提高了电池在低温下的放电容量。采用本发明复合碳材料制备的铅炭电池,在‑40℃~0℃的低温条件下,依然能能够保持优异的电池性能,拓展了铅炭电池的应用领域。

    一种基于机器学习的液流电池电堆最优操作条件预测方法

    公开(公告)号:CN114094150B

    公开(公告)日:2023-11-17

    申请号:CN202010628824.9

    申请日:2020-06-29

    Abstract: 本发明属于大规模电化学储能领域,具体说是一种基于机器学习的液流电池电堆最优操作条件预测方法。包括以下步骤:建立数据库;对数据库中的类型变量参数进行数值化和标准化处理;将参数变量组成多维特征向量 ,将电堆的功率成本和能量成本分别作为目标函数y,将多维特征向量 及和目标函数y随机分成训练集和测试集;利用训练集中的参数数据训练电堆性能预测模型;使用测试集中的参数数据评价训练好的液流电池电堆性能预测模型,同时构建成本预测模型;利用成本预测模型对数据库内的材料和成本变量参数进行预测,并计算系统运行总成本。本发明通过少量的测试即可确定研发的每个液流电池电堆的最佳操作性价比区间以及最佳操作参数。

Patent Agency Ranking