基于混合博弈论与XGBoost-统计方法的氢载体沼气发动机可解释性预测优化研究

本研究针对可再生能源系统中氢载体沼气发动机的复杂优化问题，创新性地结合博弈论、XGBoost算法与统计方法，构建了可解释的预测模型。通过响应面法(RSM)和SHAP分析，团队揭示了压缩比(CR)与制动功率(BP)对BTE(24.35%)和排放(CO2 3.81vol%)的关键影响，为清洁能源发动机的智能调控提供了理论工具。

　　

随着全球温室气体排放问题日益严峻，能源领域正面临从化石燃料向可再生能源转型的迫切需求。作为主要排放源的内燃机(ICE)技术，其绿色化改造成为实现可持续发展目标(SDG)的关键突破口。沼气这种源自有机废弃物的可再生能源，因其碳中性特性和广泛原料来源，在分布式能源系统中展现出巨大潜力。然而，沼气发动机在实际应用中面临双重挑战：一方面，沼气成分波动导致燃烧不稳定；另一方面，传统优化方法难以平衡效率提升与排放控制之间的矛盾关系，特别是氮氧化物(NO_x)与颗粒物(PM)的此消彼长现象。

针对这些技术瓶颈，研究人员开展了一项突破性研究，创新性地将博弈论思想与机器学习技术相结合，开发出可解释的预测优化框架。该团队采用响应面方法学(RSM)设计实验方案，在可变压缩比(16.5-18.5)和制动功率(1-3.5kW)范围内，系统测试了以塑料热解油B20为引燃燃料、沼气为主燃料的双燃料发动机性能。通过Box-Behnken实验设计采集关键数据后，研究团队构建了极端梯度提升(XGBoost)预测模型，并引入沙普利加和解释(SHAP)方法破解机器学习"黑箱"难题，首次实现了对沼气发动机多目标优化过程的透明化解析。

关键技术路线包含三个核心环节：首先采用3.5kW水冷式单缸发动机平台，结合涡流测功机精确控制工况；其次运用ANOVA方差分析验证RSM模型的显著性(F值114.88，p<0.0001)；最后通过网格搜索优化XGBoost超参数(n_estimators=500，learning_rate=0.1)，配合SHAP力力图量化特征贡献度。特别值得注意的是，研究建立了包含农村地区实际沼气成分(CH₄ 57%，CO₂ 43%)的测试燃料体系，增强了成果的工程适用性。

研究结果部分展现出丰富的发现：

1. 制动热效率模型：
   BP被证实为影响BTE的最关键因素(SHAP值0.9)，最优工况下BTE提升至24.35%，模型预测精度达R² 0.9848。二次项分析揭示BP与BTE存在非线性关系，在3.3kW时出现收益递减拐点。

2. 峰值压力特性：
   CR与P_max呈现显著正相关(F值212.12)，17.5压缩比时压力达54.97bar。SHAP分析显示高压区存在"双刃剑"效应——虽提升热效率但可能引发爆震。

3. 排放控制机制：
   最具突破性的发现是CR对排放物的差异化调控——当CR从16.5增至18.3时：

• CO₂排放下降21%(3.81vol%)，归因于更完全的燃烧
• UHC锐减18.7%(165ppm)，反映氧化效率提升
• 但NO_x增加至525ppm，证实了温度敏感特性

1. 多目标优化：
   通过满意度函数整合6个响应指标，获得综合满意度0.67的帕累托最优解，证明在CR=18.3、BP=3.3kW时能实现效率与排放的最佳平衡。

这项发表在《International Journal of Hydrogen Energy》的研究具有三重重要意义：方法学层面，首创的"RSM+XGBoost+SHAP"混合框架为复杂能源系统优化提供了可解释AI范式；技术层面，明确CR作为排放调控主效因子的地位，指导了沼气发动机设计准则；应用层面，开发的预测模型MAPE低于4.89%，可直接嵌入农村微电网的智能控制系统。研究尤其适合解决发展中国家面临的能源短缺与环境污染双重挑战，其采用的塑料热解油-沼气混合燃料策略，更开创了"废弃物-能源-环境"协同治理的新思路。未来研究可向氢-沼气混合燃料、多缸机验证等方向拓展，推动这项绿色动力技术走向大规模应用。