2月13日，复旦大学团队锂电池技术重大突破研究成果在《自然》（Nature）杂志发表，团队打破锂电池传统设计原则，通过AI和有机电化学的结合成功设计了一种锂载体分子，让废旧电池“打一针”就可无损修复，并将锂电池寿命提升1-2个数量级。

复旦大学介绍，目前，这款锂载体分子已通过初期实验验证，预计在电池总成本中占比不到10%，具备大规模商用潜力，可用于补锂、储能、光储一体化。该研究团队正在开展锂载体分子的宏量制备，并与国际顶尖电池企业合作，力争将技术转化为产品和商品。

而在产业界，多家电池公司及电池材料公司都已布局补锂剂研发与应用。比如，宁德时代、比亚迪、亿纬锂能均有补锂相关专利布局。

目前，储能技术路线已呈现出多元竞争格局，液流电池、压缩空气储能等凭借长寿命、长时储能、本征安全等优势逐步走向市场，但从装机规模看，锂电一骑绝尘，且欲图再增长时储能技术的光环（详情：锂电杀向4h，液流电池将被迫让出4h储能市场？）。如今，锂电又有了“续命针”，是否将打破同属电化学储能的液流电池的“护城河”？

1

锂电正瓦解液流电池核心优势？

一直以来，液流电池将本征安全、超长寿命、灵活性扩展等优势视为其崛起的“护城河”。如今，随着新能源渗透率的增加，电力系统对储能时长的要求也在不断提高。《锂电杀向4h，液流电池将被迫让出4h储能市场？》一文显示了4h储能在市场中的占比越来越高，而锂电池已大举杀入4h储能市场，正对液流电池带来越来越大的冲击。

在经济性方面，与“打针”后的锂电储能相比，无论是初装成本还是全生命周期度电成本，液流电池都将无法竞争。

在寿命方面，液流电池的使用寿命在20-25年，“打针”后的锂电池在充放电上万次后仍展现出接近出厂时的健康状态（96%容量），成本预计在电池总成本中占比不到10%，循环寿命从目前的500-2000次提升到超过12000-60000次，如果商用，若以每天两充两放、每年运行300天计算，理论使用寿命可达100年。

相较而言，液流电池只剩下本征安全这一优势。当然，以上还只是理论，“打针”后的锂电池到底性能如何，还要看商用实践验证。

2

锂电池“打针”并非那么简单

复旦大学发布的内容显示，本次研究相关的验证实验都是在真实电池器件而非模型上完成，以此充分暴露可能的问题并予以解决，从而推动下一步的产业转化。

但是，给锂电池“打针”并非那么简单。

“锂电打针”技术出现以后，在社交媒体上引发了对“打针”方式的讨论。比如“储能系统集成度越来越高，如何给单个电芯进行补充？”“怎么打？钻孔？如果是陈列模组电池怎么办？”

在讨论中有网友提到“在电芯壳上预留单向注射孔”，而团队某成员也在回复中表示，或许可以通过原有电池中本身的气孔进行注入，也正在和产业界讨论预留孔的工艺，同时正在开发新的分子，或许可以将分子预埋在电池中，需要的时候再释放。

但，无论是哪种工艺，该技术想要从实验室走向市场，迈向产业化发展的道路，都不是一件易事。

3

液流电池如何利用AI守卫护城河

储能市场正在呈现“多维技术共存、动态优势迭代”的格局，锂电“续命针”研发成果取得突破以外，其在研发过程中采用AI技术亦是值得关注的内容。

图源：复旦大学

据悉，在“续命针”研究过程中，结合AI和有机电化学，将分子结构和性质数字化，通过引入有机化学、电化学、材料工程技术方面的大量关联性质，构建数据库，利用非监督机器学习，进行分子推荐和预测，才获得了之前从未被报道过的锂载体分子——三氟甲基亚磺酸锂（CF3SO2Li），这一过程经历了4年，被称为“AI for Science”理念的典型应用。

2025年开年，随着AI大模型DeepSeek的上线，再次引发了各界对人工智能的关注和热议。与AI结合正成为众多领域技术突破与产业升级的关键路径，对液流电池储能而言，在寻求降本提效的过程中，无论是电堆设计、材料优化、系统运行等方面，如何加速与AI的结合，推动技术的优化升级，守卫“护城河”？

1.电解液的开发

AI可通过分子动力学模拟和机器学习算法，提高液流电池电解液开发的效率。比如，在电解液开发中，结合AI模型优化杂质分离流程，提升电解液纯度；借助AI技术快速筛选电解液成分的最优配比，提高电池的能量密度，开发高性能纳米材料增强电极活性，延长使用寿命。

2.电堆结构的智能优化

液流电池中，离子交换膜的性能直接影响电池效率，AI可通过预测材料孔隙率、离子传导率等参数，辅助开发高导电、低成本的膜材料，进一步降低材料成本。同时，可借助AI辅助电堆流畅的设计（如流程更短、结构更薄），进一步提升电堆的功率密度。在《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》研究一文中提到，研究团队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。团队还开发了一个专门针对液流电池领域的大语言模型FlowBD，有效提升了信息处理效率和准确性。

▲机器学习通用流程

图源：《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》

3.AI赋能智慧运维

液流电池的充放电效率受温度、电解液流速等因素影响显著。利用AI技术建立系统管理平台，可实时监测电池状态，通过AI算法建立预测退化模型和动态调整泵速、电流密度等参数，优化电池性能并延长电池寿命。

在储能应用场景中，利用AI整合液流电池与其他储能技术（如锂电池、压缩空气）的运行数据，构建多目标优化模型。例如，山东“云储能”试点项目通过AI平台实现储能与新能源的协同调度，进一步降低弃风弃光率，并提升电网调峰响应速度。同时，AI还可模拟不同电价政策下的储能收益，为储能的容量配置提供经济性决策支持。

此外，AI技术能够强化系统故障，做好预防性维护。AI通过分析历史运行数据（如电压波动、电解液流速异常），可提前预警电堆渗漏、泵机故障等问题。例如，上海电气确立了“AI for engineering”的主攻方向，将机理模型与算法进行融合训练，用于产品状态监测、诊断等，提升运维服务效能；同时引入智能图像识别技术，辅助检测产品表面缺陷、探伤等，推进大模型赋能管理效率提升。

4.AI支持的智能制造与运维管理

液流电池的电堆组装和电解液灌装高度依赖精密工艺。AI结合机器视觉和自动化控制系统，可实时检测电极涂覆均匀性、隔膜焊接精度等关键指标。此外，AI算法优化电解液库存管理，减少原材料浪费，进一步压缩成本。比如，浙江星辰新能的“星G智造基地”、新兴铸管建设的全钒液流电池自动化生产线、纬景储能珠海“超G工厂”等。