基于物理信息神经网络的钻孔热能存储系统建模与优化研究

针对钻孔热能存储(BTES)系统在区域供热网络优化控制中的建模难题，研究团队创新性地提出融合物理模型与循环神经网络(RNN)的PBNN建模方法。该方法较传统单电容模型误差降低33%，成功实现年尺度小时级采样优化，为可再生能源整合提供关键技术支持。

　　

随着欧盟2050年碳中和目标的推进，供热领域脱碳成为关键挑战。当前77.1%的供热仍依赖化石燃料，而可再生能源如工业余热和太阳能热存在供需季节性错配。钻孔热能存储(BTES)系统通过地下储热实现跨季节能量调节，但其复杂的热力学过程导致传统有限元模型难以用于实时优化控制。现有单电容模型虽计算高效但精度不足，纯数据驱动的神经网络又难以捕捉长期热动态。这一矛盾严重制约了BTES在智能供热网络中的优化应用。

来自欧洲PUSH-IT项目组的研究团队开发了创新性的物理信息神经网络(PBNN)建模方法。该方法巧妙结合参数化单电容模型与循环神经网络(RNN)，前者提供物理约束的温度预测，后者学习复杂热动态残差。通过Modelica高保真仿真数据训练，并借助SINDy框架预识别物理层参数，最终构建出兼具物理合理性和计算效率的混合模型。相关成果发表于《Renewable Energy》，为可再生能源供热系统优化提供了新范式。

关键技术包括：1) 基于Modelica的BTES高保真仿真生成训练数据；2) 采用SINDy稀疏识别框架预优化单电容模型参数；3) 构建包含物理层和RNN层的PBNN混合架构；4) 集成Pyomo平台实现年尺度运行优化。研究选用包含多热源、热泵和缓冲储能的典型区域供热系统作为案例，采样间隔为1小时。

【建模方法】
通过定向图论描述供热网络拓扑结构，将BTES抽象为包含输入输出温度(T_in/T_out)和质量流量(?)的动态节点。物理层采用改进的单电容模型计算平均储温，RNN层则学习热扩散等非线性过程。

【训练优化】
预训练阶段使用SINDy识别单电容模型参数，使初始预测误差降低42%。联合训练阶段采用LSTM网络补偿残差，最终使MAE较纯物理模型降低33%，尤其显著改善季节性温度波动预测。

【案例验证】
在包含光伏余热、工业废热的多源系统中，PBNN模型成功支持Pyomo平台完成8760小时连续优化，计算耗时仅为有限元模型的1/50，同时保持温度预测误差在±1.5°C内。

该研究开创性地实现了BTES建模精度与计算效率的统一。PBNN模型既保留了物理过程的可解释性，又通过数据驱动方法捕捉了地下热传导的复杂时空特性。实际应用表明，该方法可使区域供热系统年运行成本降低12-18%，为可再生能源占比超过60%的智能供热网络提供了关键技术支持。值得注意的是，作者特别指出该框架可扩展至其他季节性储热系统，但需针对不同地质条件调整物理层参数。欧盟Horizon Europe计划已将该技术纳入示范项目，加速其在低碳城市供热中的推广应用。