基于随机森林代理模型的生物质电力-氢-冷多联产系统多目标优化

《Biomass and Bioenergy》:Random forest surrogate-based multi-objective optimization of a biomass multigeneration system for power, hydrogen, and cooling

【字体: 大 中 小 】 时间:2026年10月24日 来源:Biomass and Bioenergy 5.8

编辑推荐:

   ## 研究亮点 - 提出了一种基于生物质的能、氢、冷多联产系统。 - 能量效率和?效率分别为36.45%和31.41%,净功率输出为5626 kW。 - 随机森林代理模型将优化加速了几个数量级。 - 遗传算法在7种情景下进行了三目标优化。 - 稳定的帕累托点确认了可靠的设计

  

## 研究亮点

- 提出了一种基于生物质的能、氢、冷多联产系统。
- 能量效率和?效率分别为36.45%和31.41%,净功率输出为5626 kW。
- 随机森林代理模型将优化加速了几个数量级。
- 遗传算法在7种情景下进行了三目标优化。
- 稳定的帕累托点确认了可靠的设计权衡前沿。

## 引言

数十年来,研究人员和工程师一直在应对能源危机及其对环境造成的损害[1]。根据最新预测,到2030年全球日均石油消耗量将达到1.05亿桶,给能源供应带来重大挑战[2]。最重要的两个方面是寻找非化石能源以及提高能源循环效率[3]。利用生物质作为可再生能源可以提供能源并有助于减少与废弃物相关的温室气体。从生物质中提取能源的一种常见方式是通过气化[4]。单联产循环是浪费的。在多联产系统(MGS)中,由于某种能源被用于多种用途,热力学循环中可以获取更多产出。多联产系统中能量流的智能集成可以提供一种有效方法来减少能量损失并提高整体能源转换效率。同时,MGS使多个循环和子循环协同运行,从而减少能量损失[5]。

Florin和Harris[6]研究了从生物质蒸汽气化中生产氢气以及使用氧化钙捕集CO?。他们确定了温度、压力、蒸汽与生物质比率和吸附剂与生物质比率等参数的最优值,并开发了一个模型来计算这些最优值。他们的模型表明,83 mol%的氢气浓度是最高可行浓度,这是在常压下、蒸汽与生物质比为1.5、钙与碳比为0.9以及800-900 K的温度范围内实现的,这与早期实验结果有很大不同。Sabbaghi等人[7]设计了一种新型生物质系统,可同时生产电力、热能和氢气。他们使用了改进的燃气轮机、超临界CO?循环、跨临界CO?循环、PEM电解槽和PEM燃料电池。燃气轮机将废热输送至燃料电池,然后用于驱动CO?循环。研究了四种生物质,即木材、纸张、稻壳和市政固体废物。分析采用了热力学第一和第二定律。基本系统实现了47.89%的能量效率、32.26%的?效率和2.74 kg/h的氢气产量。大部分?毁损发生在生物质锅炉和冷凝器中。使用市政固体废物时,?效率提高到33.16%,为四种选项中最高。该设计不包含ORC低温循环,也没有任何冷却效果。

Burulday等人[8]研究了一种由太阳能热电厂和基于生物质资源的制氢厂组成的混合系统。他们使用Aspen HYSYS进行模拟。系统将生物质转化为合成气,然后通过水煤气变换(WGS)反应器和变压吸附(PSA)装置进行提纯以获得氢气。太阳能朗肯循环将太阳能转化为电力,ORC利用废热提供制氢所需电力的7.8%。他们的产量为每年7912.5吨氢气和38.89 MW的净功率。氢气部分和太阳能部分的?效率分别为55.8%和39.6%。

在一项研究中,Sharafi Laleh等人[9]设计了一种新的基于生物质的联合发电厂,用于体育设施,包括生物质气化单元、光热(PVT)集热器、制氢和反渗透(RO)海水淡化。主要目标是通过能量、?、经济和环境分析评估该系统的性能,并研究压缩机压比和燃气轮机入口温度等参数的影响。结果表明,提高燃气轮机入口温度(GTIT)可提高能量和?效率,降低成本和环保指标,而对于压比,效率在11.5附近存在最优值。系统实现了40.6%的能量效率、36.7%的?效率、3675 kW的发电量和21.3 kg/s的淡水产量。与[7]类似,该系统跳过了基于ORC的热量回收,同样没有冷却。

Sharifishourabi等人[10]开发并评估了一种新型太阳能-生物质多联产系统,面向可持续社区,目标是生产电力、热能、冷量和氢气。集成系统结合了厌氧消化(沼气)、太阳能定日镜、布雷顿循环、蒸汽循环、ORC和双效吸收系统。创新之处在于集成超声波单元从处理后的废水中产生氢气。结果显示总能量效率为58.43%,?效率为56.92%,产生5507 kW的净功率和2.2 kg/h的氢气。虽然在此案例中出现了冷却,但通过双效吸收循环实现。仅使用一个ORC,而非级联组,也没有喷射循环。

Fu等人[11]在生物质多联产系统中添加了双床吸附循环,在电力、热能和氢气之外提供冷却。气化器是?损失的最大来源,为4322.24 kW,而动力循环承担了最大的成本负担,为260.49美元/小时。原料水分起到了混合作用:水分增加降低了氢气产量和加热负荷,但提高了冷却能力。采用人工神经网络与遗传算法结合进行优化,目标是提高?效率同时减少排放和成本。最佳折衷点位于64.57%的?效率、43.90美元/小时的费率处。

ORC用水替换为有机工质,这种工质沸点低,因此可以从低温热源发电[12]。该循环是从包括工业应用中低温废热或地热资源在内的多种来源回收能量的关键方法,这些来源在技术上和经济上可能不适合用于传统蒸汽循环[13]。

在一项研究中,Park等人[14]优化了超临界二氧化碳(sCO?)循环、ORC和吸附制冷的组合,用于从Titan-250燃气轮机中回收最大废热,采用级联系统配置。使用R1234ze(E)作为工质时,集成系统的发电量为7.14 MW,同时用于冷却和热水供应。?效率达到63.26%,总有用能比基准情况提高了70%以上。此处未使用生物质作为热源,仅使用燃气轮机排气废热。优化方法不是代理模型,而是序列二次规划方法。Han等人[15]研究了热集成双循环有机朗肯循环(TID-ORC)系统的参数优化和性能研究,应用于重型柴油机。主要目标是通过集成换热器最大化排气废热和冷却液热量的利用效率。结果显示在最优条件下(冷却液温度130°C),净输出功率达到28.59 kW,热效率达到14.6%,相比基准情况提高了13.4%。

在多联产循环中,产生的电力可以通过电解槽用于生产氢气作为高附加值产品。Husaini等人[16]分析了使用碱性水电解和PEM电解槽的地热驱动制氢系统,以评估可靠性和成本。10 MW碱性水电解产氢量为181.03 kg/h,平准制氢成本(LCOH)为6.52美元/kg,而PEM模型产氢量为191.26 kg/h,成本为6.67美元/kg。研究得出结论,尽管PEM对纯度要求更高,但水处理成本几乎可以忽略不计,仅占0.17%,而电力成本占总支出的64%以上。

由此出现了两个研究空白:没有研究将级联ORC与喷射冷却结合应用于生物质燃烧电厂,也没有优化研究使用随机森林代理模型来涵盖一系列决策者权重设置。本研究填补了这两个空白。系统布局结合了生物质气化器、超临界布雷顿循环、三个级联ORC以及动力和喷射制冷联合循环,电力输送至PEM电解槽,据作者所知,这一组合此前未有报道。优化部分训练了随机森林代理模型与遗传算法结合,然后在七种权重情景下映射成本、?效率和净功率,而非确定一个固定点。

## 系统描述

图1(a)展示了初始考虑的基准生物质循环的初步简化示意图。图1(b)描绘了主要升级后的循环示意图,其中布雷顿循环和动力与喷射制冷联合循环被整合到基准循环中,两者均由生物质循环回收的废热驱动。图1(c)展示了所研究循环的最终示意图。图1(c)说明了所提出方案的工作原理。

## 假设与输入

本节介绍了用于建模所提出系统的基本能量和?平衡方程。模拟使用EES(工程方程求解器)运行,多目标优化由MATLAB处理。建模过程中采用了以下假设:

- 所研究循环在稳态条件下运行,可同时产生多种产出。
- 每个系统组件视为控制体积。
- 动能和势能变化被忽略。

## 结果与讨论

本节从能量、?和经济角度展示了所提出基于生物质的MGS的建模结果。循环中每个状态点的热力学性质直接来自EES模拟,列于表6中。这些性质包括图1(c)所示所有流道的压力、温度、比焓、比熵、质量流量和?速率。状态点按子系统组织:主循环为状态1-13,E1-E13为

## 结论

本研究提出了一种同时生产电力、氢气和冷量的基于生物质的MGS。系统包括生物质气化器、超临界布雷顿循环、三个ORC、喷射制冷循环和PEM电解槽。为热力学模拟建立了随机森林代理模型以替代昂贵的计算,并使用遗传算法优化了最小化成本同时最大化?效率和净输出功率的三目标问题。

## 局限性

本研究存在一些局限性。首先,假设电解槽消耗的电力比例恒定(5%)。实际上,这一比例是负荷、温度和堆栈退化的函数。其次,整个领域假设处于稳态,未研究部分负荷和偏离设计工况的性能。第三,生物质水分含量和组成(CH?.??O?.??)是设定值,实际生物质因来源而异且会发生变化。

## CRediT作者贡献声明

Shoaib Khanmohammadi:概念化、方法论、软件、初稿撰写、审阅与编辑、调查、监督。Armin Ahmadian:概念化、形式分析、软件、可视化、验证、初稿撰写、审阅与编辑。Ribwar Abdulrahman:概念化、软件、可视化、初稿撰写、调查、方法论。

## 生成式AI及AI辅助技术在写作过程中的声明

在准备本文过程中使用了DeepSeek(DeepSeek AI)将最初用非英语书写的章节翻译成英文,改进语法和句子结构,并将文本润色为清晰的学术英语。作者提供了所有技术内容、分析和预期含义,仅使用DeepSeek将这些材料以精加工英语表达。DeepSeek未用于开发或解释系统模型、生成或分析数据、执行

## 致谢

作者感谢克尔曼沙阿科技大学对本研究的资助,项目编号为kutkoya-8/T/P/S。

Shoaib Khanmohammadi | Armin Ahmadian | Ribwar Abdulrahman
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号