评估荷兰北海海上风电制绿氢：技术经济模拟与机器学习和优化的互补

《International Journal of Hydrogen Energy》：Assessing green hydrogen production via offshore wind in the Dutch North Sea: Complementing techno-economic simulation with machine learning and optimization

　　

本研究分析了在荷兰北海区域利用专用海上风电进行绿氢生产。分析基于一个详细的技术经济模型，该模型模拟物理流并估算平准化氢成本（LCOH）。然而，模型输出依赖于用户提供的输入，且评估所有可能的输入在计算上不可行。为此，研究人员采用了“约束学习优化”，即在仿真数据上训练替代机器学习模型，并将其嵌入混合整数优化问题中。替代模型基于4096次仿真运行进行训练，对于物理流相关输出实现了≤3%的平均绝对百分比误差，对于LCOH相关输出实现了约10%的误差。训练完成后，这些替代模型使得研究人员能够在亚秒级求解时间内解决特定利益相关者的问题实例，支持快速情景分析和权衡探索。

以下是根据论文主体内容撰写的解读文章，共约1500汉字：

**研究背景与问题**

氢能在向可持续能源系统转型中扮演关键角色。北海是全球海上风电最活跃的区域之一，为绿氢生产提供了有利环境。然而，大规模海上风电制氢系统的经济可行性仍是开放性问题。准确评估此类系统需要构建并分析技术经济模型，但由于可再生能源的间歇性及组件间的非线性相互作用，模型参数（如资本成本、运行效率、融资条件）需在长时间跨度内预测，尤其是尚未商业化推广的技术，可靠数据稀缺且未来轨迹不确定。

现有仿真研究虽能提供有价值见解，但模型输出高度依赖用户提供的输入，这些输入可能是可控决策（如电解器容量）或外生参数（如风电机安装成本）。传统敏感性分析无法区分决策与参数，且全面分析需大量计算；基于仿真的优化方法如启发式算法需预知目标函数，且不便于揭示输入-输出关系。为此，研究人员提出结合技术经济仿真与“约束学习优化”的方法，利用替代机器学习模型近似仿真输出，并直接嵌入混合整数优化问题，以支持灵活、高效的决策优化。

**研究内容与结论**

研究人员基于Travaglini等人开发的技术经济仿真框架，评估荷兰北海地区海上风电制绿氢系统。该框架模拟风电场、电解器（碱性ALK和质子交换膜PEM）、管道等组件的运行行为，并估算平准化氢成本（LCOH）。为解决仿真模型计算瓶颈，研究人员采用以下方法：首先通过全因子设计进行输入筛选，识别出影响最显著的输入变量；然后在4096次仿真运行（包括全因子设计和随机采样）的数据上训练替代机器学习模型（如极限梯度提升XGB、梯度提升机GBM、多层感知机MLP）；最后将训练好的模型嵌入混合整数优化问题中，利用Gurobi求解器快速求解利益相关者定义的问题实例。

研究结论表明：物理流相关输出（如产氢量、盐水废物、弃电量、容量因子）的替代模型预测精度高（平均绝对百分比误差≤3%），而LCOH相关输出误差约10%。该方法能在亚秒级内生成优化方案，并通过原始仿真验证。研究还展示了通过动态添加约束（如限制盐水废物、禁止近岸开发）和改变目标函数（如最小化条件风险价值CVaR_90%）快速获取新解的能力。案例分析显示，LCOH可低至4.3欧元/公斤，高达28.2欧元/公斤，凸显了决策支持工具在早期规划中的重要性。论文发表在《International Journal of Hydrogen Energy》。

**主要关键技术方法**

研究采用以下关键技术方法：（1）**输入筛选**：通过2级全因子设计（384次仿真）拟合线性回归模型，识别影响显著决策变量（风电机数量、电解器位置、电解器类型、电解器容量、离岸距离）及保留的不确定技术参数（电解器能量消耗z_η）；（2）**数据收集**：结合96次全因子设计运行与4000次随机采样，共生成4096次仿真运行数据集；（3）**机器学习训练**：对每个输出训练MIO可表示的模型（如XGB、GBM、MLP），通过80%-10%-10%数据分割和5折交叉验证调参；（4）**约束学习优化**：将训练好的替代模型嵌入混合整数优化问题，使用Gurobi求解器求解利益相关者定义的问题实例。

**研究结果详解**

**3.1 输入筛选、数据与替代模型**：通过全因子设计分析各输入的一阶效应，发现电缆类型和电解器降解率对所有输出无显著影响（p>0.05），故将其固定为标称值（电缆设为AC，降解率设为5.04×10^-6（ALK）和4.85×10^-6（PEM））。最终保留5个决策变量和1个不确定技术参数（z_η）。基于4096次仿真数据训练替代模型：物理流输出（产氢、盐水、弃电、容量因子）的R²≥0.98，MAPE≤3%；LCOH期望和CVaR_90%的R²≈0.73-0.74，MAPE≈10-11%。

**3.2 动态探索解决方案**：通过求解三个逐步添加约束的问题实例展示方法灵活性。问题P1（最小化期望LCOH）在0.3秒内得到最优解（89台风机、PEM电解器、离岸50km）。问题P2（增加盐水废物≤1000 kt/年、离岸距离≥100 km）在0.4秒内得到新解（71台风机、1400 MW电解器、离岸200 km），但仿真验证发现低电解器能耗时盐水废物超标。问题P3（最小化CVaR_90%，并采用最坏情况假设）在0.3秒内得到稳健解（63台风机、1200 MW电解器、电解器改设陆上、离岸200 km），且在所有能耗水平下均满足约束。

**3.3 特定情景分析与权衡探索**：通过求解最大产氢量问题（固定电解器容量1000 MW，改变风机数量），发现当风机超过67台时产氢增速减缓，且电解器效率对产氢的影响随风机数增加而放大。通过求解容量因子帕累托前沿问题，发现碱性电解器（ALK）的容量因子低于质子交换膜电解器（PEM），反映了其更严格的最小负荷要求和较低运行灵活性。

**讨论与结论总结**

**讨论部分**：该方法的主要优势在于能够轻松调整目标或约束，无需从头开始，支持工业利益相关者和决策者实时探索不同目标或引入特定约束（如限制盐水废物、排除近岸开发），获得实际相关解。从科学角度看，约束学习优化可增强传统仿真研究，不仅揭示输入如何影响输出，还提供情景优化的规范性信息，用于分析约束“代价”和权衡。局限性包括：（1）替代模型精度受限于数据质量和数量，仿真本身仍是现实简化；（2）模型仅在预定义域内可靠，域外预测可能不可靠；（3）假定不确定参数独立均匀分布，实际可能不成立；（4）不能保证相对原始仿真框架的可行性和最优性。

**结论翻译**：本研究利用技术经济仿真框架与混合整数约束学习优化相结合的方法，评估了荷兰北海海上风电制绿氢。这一数据驱动方法在考虑框架参数不确定性的同时，实现了对设计决策的优化。与更直接的基于仿真的优化方法相比，使用替代机器学习模型可大幅减少计算时间，支持迭代和交互式分析。结果表明，替代模型对物理流输出具有高精度（平均预测误差约3%），但对成本相关输出精度较低（约10%）。尽管存在预测误差，替代模型仍有助于识别有前景的设计方案，这些方案可通过原始仿真模型验证。研究结果展示了该方法的有效性，能够在数秒内生成解决方案，并以动态方式进行验证和优化（如添加约束和/或改变目标函数）。结果还表明，海上风电制氢系统的性能对各种设计决策以及技术和经济参数高度敏感，例如期望LCOH可在每公斤4.3至28.2欧元之间变化。这凸显了决策支持工具在分析和优化设计决策中的重要性，尤其是在此类系统的早期规划阶段。研究人员提出的方法使规划者和政策制定者能够纳入不确定性，并快速识别和量化权衡，从而支持在氢能部署背景下做出更知情、更稳健的决策。