利用深度神经网络建模的混合太阳能热电站的全厂动态优化

《Renewable Energy》：Plantwide dynamic optimization of a hybrid solar thermal power plant modeled using deep neural networks

　　•为HSTPP中的多个聚光器开发了基于深度神经网络（DNN）的动态模型。
•神经网络（NN）模型实现了高精度，并显著减少了计算时间。
•NN模型与基于第一原理的整个工厂平衡模型（plant-first-principles balance-of-plant model）相结合。
•进行了全厂范围的动态优化，以实现收入最大化。
•在时变条件下，最佳运营策略显著提高了收入。

**引言**
能源是交通、通信、基础设施和经济增长的基础。人口的快速增长和技术进步增加了全球能源需求[1]，国际能源署预测到2027年电力消费量每年将增长近4%[2]。然而，电力生产仍然主要依赖化石燃料，这导致了大量的温室气体排放和气候变化[3]。因此，诸如《巴黎协定》等国际倡议强调了可再生能源的部署[4]。在可再生能源中，太阳能因其丰富性和可扩展性而具有吸引力[5]，使得聚光太阳能发电（CSP）成为一种重要的低碳选择[6]。CSP电站将太阳辐射转化为热能，然后再在发电单元中转化为电能。只有直接法向辐照度（DNI）适合进行热集中[7]。镜子将阳光聚焦到接收器上，通常是装有传热流体（HTF）的管子上。四种主要的CSP技术包括抛物面槽式集热器（PTCs）、线性菲涅尔反射器（LFRs）、抛物面碟式集热器（PDCs）和太阳能塔（SPTs）[8]。PTCs是最成熟且商业上最成功的技术[9]，而LFRs使用平面镜和固定接收器，成本较低但光学效率较低。这两种技术都适用于约200–400°C的温度范围[9]，混合的PTC–LFR电站可以平衡性能和经济性。相比之下，点聚焦的SPTs和PDCs通过在更小的接收器面积上集中阳光来实现更高的温度[10]。

随着基于太阳能的发电量的扩大，提高运营效率变得日益重要，但技术、经济和政策挑战继续限制大规模部署。STPP优化研究可以大致分为设计优化、调度优化和动态运营优化。设计优化涉及工厂配置和规模确定，包括太阳能场的几何形状、热能储存（TES）容量以及发电单元的设计，通常旨在最小化平准化电力成本（LCOE）或提高技术经济可行性。代表性的研究包括Elfeky等人的工作[11]、Lupi等人的工作[12]和Liaqat等人的工作[13]。调度优化关注在电力市场约束下的发电和储能计划，通常使用固定的工厂设计和简化的模型，如SAM或TRNSYS[14–18]。这两种类别都已经相当成熟，但主要依赖于静态或简化阶数的工厂表示。代表性的数值结果总结在表1中，显示了太阳能利用率、运营成本、收入、平准化电力成本、热储存损失和电力输出的改进。由于各研究在工厂配置、运营条件和目标上存在差异，因此结果仅用于提供背景信息，而不是与当前工作进行直接比较。

相比之下，动态优化能够捕捉STPP的瞬态和非稳态行为，包括热惯性、非线性子系统相互作用、运营约束以及时变的太阳输入。Scolan等人[19]使用非线性规划研究了低温太阳能热电厂的短期技术经济优化，以最大化热能销售利润，同时考虑了运营成本和实验验证。Alix等人[4]提出了实时动态优化，以提高热能储存（TES）利用率并降低运营成本，而Mahmoudimehr等人[20]应用多目标动态规划进行电力生产和收入优化。Hu等人[24]通过时变优化解决了供需不匹配问题，而Coutinho等人[23]和Vakilabadi等人[25]分别研究了混合太阳能-热系统的热经济学优化和热量与水的回收动态优化。尽管有这些贡献，但使用详细分布式模型的全厂范围动态优化仍然有限。Powell等人[21]使用分布式模型优化了PTC，而Baidya等人[22]在多聚光器PTC–LFR STPP中研究了收入最大化问题，但仅限于PTC回路，并排除了运营成本。即使这种公式化在计算上也要求很高，且难以扩展到全厂范围。LFR系统的动态优化尤其短缺，因为直接蒸汽生成和两相水-蒸汽流动增加了建模复杂性。因此，将分布式太阳能场动态与集成运营耦合的全厂范围动态优化仍然未得到充分探索，同时，在运营约束下进行协调的PTC–LFR优化以实现工厂收入最大化的研究也尚未报道。

上述差距激发了将电力市场条件与复杂工厂动态相结合的优化框架的发展，同时减少了详细基于第一原理模型的计算负担。在复杂能源系统中类似的计算挑战也促使了计算效率高、高保真模拟方法的发展[26]。非侵入式的简化阶数模型结合了机器学习和高保真模拟数据，也是为了解决这些计算挑战而开发的[27]。因此，由AI驱动的替代模型，特别是神经网络（NN）替代模型，可以用代数表示法替换计算密集型的基于微分方程的STPP组件，同时保留了系统的基本动态[28]。本研究专注于一个同时使用PTC和LFR技术的现有混合STPP[29]，并通过明确耦合电价变化与集成工厂动态来实现收入最优化。为了实现计算效率高的全厂范围模拟和优化，通过用深度神经网络（DNN）替代模型替换了[30]中报告的经过验证的第一原理动态模型中的计算密集型聚光器子模型，同时保留了其余工厂组件的第一原理描述。由此产生的混合物理-数据驱动框架支持在现实运营条件下的高效动态模拟和全厂范围优化。在此基础上，构建了一个经济优化问题，旨在在实时太阳辐射和电力市场条件下最大化净工厂收入，同时考虑非线性、时变和非稳态行为。

本研究的新颖之处在于开发了一种用于多聚光器STPP动态运营优化的辅助灰色盒子框架。虽然设计优化、技术经济优化、调度调度和孤立子系统级优化已经得到了广泛研究，但协调的全厂范围运营优化仍然相对较少。当前框架能够同时优化PTC的油质流量和LFR-SD的水质流量以实现收入最大化，同时保留了基于第一原理的整个工厂动态，并在目标函数中包括了辅助泵送功率的惩罚。

**本工作的具体贡献包括：**
? 通过用DNN替代模型替换PTC和LFR-SD聚光器子模型，开发了一个HSTPP的数字孪生模型，以下简称HSTPP-Surrogate。
? 实现了一个基于非线性静态回归模型（NSRM-FFNN）的前馈神经网络（NSRM-FFNN），用于模拟PTC油出口温度的动态行为。
? 用基于非线性有限脉冲响应（NFIR）的长短期记忆（LSTM）和移动窗口平均（MWA）的外源输入模型（NFIRX-LSTM-MWA）替换了基于第一原理的LFR-SD子模型，以捕捉非线性和时间动态。
? 将HSTPP-Surrogate作为模拟器运行，生成了10小时的预测结果，展示了可靠的长期预测能力。

**STPP概述**
STPP由相互连接的子系统组成，这些子系统将集中的太阳能转化为电能，包括太阳能聚光器、换热器（HX）、蒸汽鼓（SD）、热油储存罐和涡轮发电机组合。本研究考虑了一个位于印度哈里亚纳邦Gurgaon的NISE（28°25′N, 77°09′E）的1兆瓦（约5 MWth）HSTPP[31]。这个试点规模的研究和示范设施采用了PTC和LFR的混合配置[32]。

**PTC和LFR-SD组件的HSTPP-Surrogate建模**
本研究用基于DNN的替代模型替换了计算密集型的基于第一原理的PTC和LFR-SD模型，以实现全厂范围的动态优化。训练数据是使用在HysolSim[30]中开发的经过验证的第一原理HSTPP模型生成的。图1中的原始HSTPP配置已更新为包含基于NN的PTC和LFR-SD组件，如图2所示。这种配置被称为HSTPP-Surrogate。

**使用HSTPP-Surrogate模型的HSTPP收入优化**
在HSTPP中，盈利能力受到市场驱动的时变电价的影响，这为通过适应性工厂运营增加收入提供了机会。下面将介绍所提出的方法、数学公式和解决策略。

**结论与未来工作**
本研究开发了一个多聚光器混合数字孪生NN基替代框架，用于HSTPP的动态建模和优化，该框架结合了第一原理模型和深度学习替代模型，其中PTC和LFR-SD回路分别由NSRM-FFNN和NFIR-LSTM-MWA网络表示。这些替代模型捕捉了详细HSTPP-Surrogate模拟器的动态行为，同时将计算时间减少了32倍以上。

**作者贡献声明**
Dibyajyoti Baidya：写作 - 审阅与编辑、撰写原始草稿、可视化、软件开发、方法论、形式分析、概念化。
Mani Bhushan：写作 - 审阅与编辑、监督、调查、形式分析、概念化。
Sharad Bhartiya：写作 - 审阅与编辑、监督、调查、形式分析、概念化。

**利益冲突声明**
作者声明没有已知的竞争性财务利益或个人关系可能会影响本文所述的工作。