季节性电-气-电储能系统的敏感性分析与优化：实现零排放能源存储的创新路径

为解决可再生能源间歇性及储能难题，研究人员开展PtGtP(电-气-电)系统与Allam循环的集成研究。通过全局敏感性分析(GSA)和NSGA-II多目标优化，发现燃烧室温度(TCC)和甲烷化反应器温度(TMU)是关键参数，最优方案实现33.1%的?往返效率(ERTE)和0.89美元/秒成本。该研究为零排放季节性储能提供了技术经济优化方案。

　　

在全球能源转型背景下，可再生能源的大规模应用面临两大"拦路虎"：一是风能太阳能固有的间歇性问题，二是现有储能技术难以满足季节性调峰需求。传统电-气-电(Power-to-Gas-to-Power, PtGtP)技术虽能实现能量转换存储，但存在二氧化碳(CO₂)排放高、系统效率低等瓶颈。更棘手的是，这类复杂能源系统的性能受多参数耦合影响，如何识别关键控制因素并实现效率与成本的平衡，成为制约清洁能源发展的"卡脖子"难题。

针对这一系列挑战，研究人员创新性地将质子交换膜(PEM)电解槽、甲烷化反应器与Allam循环(一种以超临界CO₂为工质的零排放动力循环)进行系统集成，并引入双效吸收式制冷机(DEAC)构建废热回收网络。研究团队采用蒙特卡洛模拟和全局敏感性分析(GSA)方法，对8个关键参数进行不确定性量化，发现燃烧室温度(T_CC)和甲烷化反应温度(T_MU)分别以+0.42和-0.38的标准化回归系数(SRC)成为最具影响力的参数。通过非支配排序遗传算法(NSGA-II)多目标优化，最终获得Pareto前沿解集，其中基于TOPSIS决策选定的平衡方案实现33.1%的?往返效率(ERTE)和0.89美元/秒的成本率。这项突破性成果发表于《International Journal of Hydrogen Energy》，为零排放季节性储能提供了兼具技术可行性与经济竞争力的解决方案。

关键技术方法包括：1)基于Lagrange乘数法的甲烷化反应器化学平衡建模；2)采用工程方程求解器(EES)构建系统热力学模型；3)应用拉丁超立方抽样生成1000组参数进行蒙特卡洛分析；4)通过人工神经网络(ANN)建立代理模型加速优化过程；5)运用TOPSIS多准则决策方法筛选最优解。研究数据来源于集成200MW太阳能电站与丹麦1.5%电网负荷的案例系统。

研究结果部分，"敏感性分析"显示：高压侧压力(P_H,Allam)与ERTE呈强正相关(SRC=+0.51)，而低压侧压力(P_L,Allam)则呈现显著负效应(SRC=-0.49)。"参数分析"章节揭示：当T_MU从500K升至800K时，Allam循环净功率(W_Allam,net)下降28%，但冷却量(Q_Cooling)因放热反应增强而提升46%，呈现鲜明的能量权衡特性。"优化结果"显示：Pareto前沿解集的ERTE跨度达5.35个百分点(27.9%-33.3%)，对应成本率变化范围为0.88-0.98美元/秒。其中电解槽占总成本的89%，成为降本关键。

结论与讨论部分强调，这种集成创新带来三重突破：首先，通过Allam循环实现CO₂闭环利用，相比传统PtGtP减少92%碳排放；其次，DEAC系统使废热利用率提升至81%，推动系统ERTE突破33%的技术临界点；最后，建立的GSA-ANN-NSGAII方法学框架为复杂能源系统优化提供普适性工具。值得注意的是，研究也发现当前系统经济性仍受PEM电解槽制约，未来通过碱性电解槽与PEM的混合配置，或可进一步降低成本率15-20%。这些发现为制定碳中和能源政策提供了量化依据，特别适用于解决北欧等高纬度地区季节性风光发电不平衡问题。