基于机器学习辅助的太阳能-氢能/压缩空气储能系统多目标优化与热经济性分析

本研究针对太阳能间歇性供应与电池储能的环境经济瓶颈，创新性地集成氢能载体(V/Cl热化学循环)、压缩空气储能(CAES)及吸收式制冷(APC)技术，通过NSGA-II算法实现系统热经济性与?效率(65.8%)的双重优化，单位成本降至16.3$/GJ，为可再生能源多联供系统提供新范式。

　　

随着全球化石能源分布不均与环境问题加剧，可再生能源尤其是太阳能因其清洁性与可持续性备受关注。然而，太阳能的间歇性特征与现有电池储能技术的环境经济缺陷（如重金属污染、高成本）严重制约其大规模应用。在此背景下，Majmaah大学的研究团队在《International Journal of Hydrogen Energy》发表了一项突破性研究，提出了一种集成氢能存储与压缩空气储能(Compressed Air Energy Storage, CAES)的智能太阳能多联供系统，通过机器学习优化实现了能源转换效率与经济效益的协同提升。

该研究采用三大核心技术：1）基于高温太阳能集热器的热化学制氢（vanadium-chlorine, V/Cl循环）；2）多级CAES系统耦合压缩热回收；3）吸收式动力循环(Absorption Power Cycle, APC)与单效吸收式制冷机的梯级热能利用。研究团队通过非支配排序遗传算法(NSGA-II)对系统进行多目标优化，关键参数包括压缩机压比、涡轮入口温度及太阳辐射强度。

系统概述
系统由太阳能定日镜场、V/Cl制氢循环、CAES单元及吸收式子系统构成。太阳能驱动燃气轮机发电后，剩余能量通过V/Cl循环（四步反应温度400-800°C）存储为氢能，同时CAES将电能转化为压缩空气势能。压缩过程产生的废热通过间冷器回收，驱动APC（效率较常规Rankine循环高10%）和LiBr-H₂
O制冷机组，实现能源全链条利用。

关键发现

1. 效率突破：最优工况下系统?效率达65.8%，远超传统CAES系统（典型值40-50%），定日镜场与V/Cl循环因温差损失与化学反应成为主要?损环节（占比超60%）。
2. 经济性优势：单位产品成本降至16.3$/GJ，较同类太阳能-氢能系统降低约20%，CAES的机械储能模式显著降低了对电池的依赖。
3. 技术协同效应：APC在100-120°C低温热源下的发电性能优于有机朗肯循环(ORC)，而V/Cl循环的中高温适应性（匹配太阳能集热温度）使其氢产率较电解法提升35%。

结论与展望
该研究首次将CAES、热化学制氢与吸收式技术三元融合，通过机器学习优化验证了系统在效率-成本平衡上的优越性。其创新点在于：1）采用V/Cl循环解决太阳能制氢的温度匹配难题；2）CAES与APC的协同设计实现?损最小化；3）为无电池依赖的可再生能源系统提供实证案例。未来研究可探索与其他热化学循环（如S/I循环）的兼容性，并扩大示范规模以验证商业可行性。这一成果对中东、北非等高辐照地区的能源转型具有重要参考价值。