中科院纳米能源所孙其君研究员、王中林院士团队AFM综述：机器学习赋能自充电电源！

1.引言

物联网与可穿戴设备的爆发式增长推动了传感器网络的大规模部署，从城市基础设施监控到个人健康管理，各类传感器已成为环境感知与数据传输的核心节点。然而，电池的固有局限性，如循环寿命有限、充电时间过长以及废弃回收带来的环境问题，对整个物联网系统的整体发展构成了重大障碍。在此背景下，自充电电源系统（SCPS）应运而生。该系统通过集成环境能量收集技术与高效储能单元，实现从环境中采集能量并实时存储，为传感器网络提供免维护的持续供电方案。在SCPS的背景下，多个组件之间的协同工作涉及不同的设备原理和复杂的结构设计。这种复杂性对提高系统的可持续性和能量转换效率构成了重大挑战。相较于使用传统的实验方法应对这些挑战，机器学习已经成为一种关键技术，能更高效地辅助SCPS组件开发和整体性能提升。

近日，中国科学院北京纳米能源与系统研究所孙其君研究员、王中林院士团队在《Advanced Functional Materials》发表题为《Machine Learning Enhanced Self-Charging Power Sources》的综述文章，系统回顾了SCPS的发展以及机器学习在SCPS中的应用，特别关注基于摩擦电纳米发电机（TENG）和超级电容器（SC）的SCPS。结合以往关于TENG性能预测的理论研究，提出了一个带有建议参数的通用机器学习工作流程。此外，碳基SC材料的机器学习指导设计和计算机辅助抑制自放电性能被选为典型示例进行讨论。该综述为推动机器学习和SCPS的进一步结合提供了理论指导。

图1. 基于机器学习的TENG-SC自充电电源系统优化

2.自充电电源系统的发展

TENG凭借其高输出性能、成本效益和环境友好特性，在收集环境机械能方面展现出独特优势。然而，其输出的交流电特性要求必须通过整流电路和电源管理系统处理后才能存储使用。目前，基于TENG的SCPS主要采用SC或电池作为储能单元。相比传统电池，SC具有更高的功率密度和更优异的循环稳定性，使其成为TENG系统的理想储能配套。图2展示了基于TENG和SC的自充电电源系统。文章根据结构维度推进，介绍了包括纤维状、纺织基、纸基和三维结构的SCPS的发展现状。

图2. 基于TENG和SC的自充电电源系统示意图

3.机器学习在能量采集和储存器件中的应用

探讨了机器学习在能量收集/储存材料及装置中的应用。相关研究涉及各种机器学习模型，如线性回归、决策树、随机森林和支持向量机，以及人工神经网络，包括深度神经网络、卷积神经网络、递归神经网络、图神经网络等。这些机器学习算法在能量收集器件中得到了广泛的应用，特别是在基于光伏、热电、压电、和摩擦电技术的材料和设备中。此外，这些方法也已被广泛用于储能器件，特别是电池和SC。传统机器学习方法（如随机森林、支持向量机）在结构化数据上表现优异。深度学习通过多层神经网络自动提取特征，在处理非结构化数据方面更具优势。

图3. 机器学习在能量收集和储存器件中的应用

4.基于机器学习的TENG性能优化

TENG是SCPS中重要的能量收集单元，使用机器学习提高TENG性能是整个系统优化的重要一步。本部分简要概述了TENG技术的基本机制和当前进展，然后回顾了机器学习辅助TENG设计优化的进展。最后，提出了通用的机器学习架构以及建议的参数来预测TENG的输出性能。

机器学习技术的过程可以分为五个关键环节：1）数据的收集和预处理。2）执行特征工程以识别重要的输入参数。3）选择合适的机器学习算法。4）模型的训练和评估。5）将最佳训练模型应用于预测，然后进行实验验证。文章详述了每个步骤的流程与涉及方法，并针对TENG的性能优化提出具体建议。

TENG性能优化的建议参数被总结为以下几类：1）结构参数：包括最大位移面积、器件接触面积和负载电阻等；2）材料参数：包括材料介电常数、表面处理工艺和有效介电层厚度等；3）环境参数：通常包括环境温度、湿度及气压；4）其它参数：包括器件运行时的速度、运动周期及施加力大小等。

图4. 基于机器学习的TENG性能优化的一般参数与流程

5.基于机器学习的超级电容器性能优化

此节首先介绍了SC当前的发展与限制。SC作为自充电能源系统的核心储能单元，具有高功率密度和长循环寿命的优势。其储能机制主要分为双电层电容和赝电容，其中电极材料是决定性能的关键因素。然而，自放电现象会导致能量损失，成为制约其应用的主要挑战。碳基材料因其优异的导电性和稳定性成为主流电极选择，但需通过材料改性抑制自放电。

图5. 超级电容器的储能和自放电机理

以碳基SC为讨论对象，总结了机器学习在该领域的应用。例如使用机器学习技术分析孔隙结构（比表面积、孔径）和杂原子掺杂（如氮、氧）等关键参数，显著提升了SC的设计效率。且机器学习算法在预测电容性能方面表现优异，可指导优化材料合成工艺。例如可以通过机器学习模型发现氮掺杂可提升电极润湿性和电容，还可以策略性调控孔径分布，提高能量密度。数据驱动方法可以大大缩短试错周期。

针对SC的自放电问题，计算机辅助的等效电路建模和参数优化提供了新的解决方案。例如数值模型能精准模拟SC长期自放电行为，而建立电路模型可以有效预测了初始电压、充电持续时间及温度对开路电压衰减的影响。

6.总结与展望

这篇综述对集成能量收集/存储系统的最新进展进行了全面的回顾，特别关注基于TENG和SC的SCPS的进展。从理论文献中收集了与TENG性能相关的关键参数，并提出了使用机器学习预测和指导TENG设计的方案。对于SC，重点关注使用机器学习设计最常见和最经济的碳材料。这涉及将孔径、官能团和测试条件等参数纳入学习模型，以预测SC的性能。此外，基于等效电路模拟和数值方法分析的自放电机制研究，为优化电极材料和电解液设计提供了新思路。

对于SCPS，当前研究仍面临能量转换效率低、器件寿命有限等挑战，特别是在TENG与储能器件阻抗匹配、功率管理电路优化等方面亟待突破。现有机器学习应用多集中于器件结构参数优化，未来需向材料开发和系统集成方向拓展。