基于数据的鲁棒优化与集成氢生产系统的容量配置:考虑电式磁阻加热器(e-SMR)和混合电解器的层次化协同运行
《Energy》:Data-driven robust optimization and capacity configuration of integrated hydrogen production system considering hierarchical synergistic operation of e-SMR and hybrid electrolyzers
【字体:
大
中
小
】
时间:2026年05月16日
来源:Energy 9.4
编辑推荐:
摘要
从可再生能源(RES)中生产氢气是一种有前景的技术途径,可以缓解由于使用化石燃料而导致的能源资源枯竭和环境问题。然而,单一类型的氢气生产方法难以适应可再生能源的固有波动性。为了解决复杂的源负载不确定性,本研究提出了一种新型的集成氢气生产架构,将电化蒸汽甲烷重整(e-SM
摘要
从可再生能源(RES)中生产氢气是一种有前景的技术途径,可以缓解由于使用化石燃料而导致的能源资源枯竭和环境问题。然而,单一类型的氢气生产方法难以适应可再生能源的固有波动性。为了解决复杂的源负载不确定性,本研究提出了一种新型的集成氢气生产架构,将电化蒸汽甲烷重整(e-SMR)单元与混合电解槽相结合。首先,通过精确的参数识别构建了一个高保真的数学模型。其次,为了应对源侧的不确定性,开发了一种通过黏菌算法(SMA)优化的CNN-BiLSTM-Attention网络,以生成高精度的可再生能源预测区间。随后,基于经验模态分解(EMD)建立了一个三层层次协同运行策略:低频功率成分被分配给e-SMR和碱性(ALK)单元,而高频波动则由质子交换膜(PEM)电解槽吸收,确保频率与设备的精确匹配。在这些数据驱动的边界和物理约束的驱动下,通过改进的NSGA-II算法制定了一个双层多目标数据驱动的鲁棒优化框架,以确定最佳容量配置。结果表明,预测模型的平均准确率为94.31%。在稳定和波动需求场景下进行验证时,所提出的配置将氢气的平准化成本(LCOH)波动限制在5.90%,能量损失限制在0.41%。比较分析显示,与纯水电解和e-SMR基线相比,所提出的系统分别降低了30.70%和17.65%的LCOH。这项工作为稳定的氢气生产提供了一个高度鲁棒且经济可行的技术经济解决方案。
引言
由于人口持续增长和城市化进程的加快,全球能源需求正在激增。传统的能源供应严重依赖化石燃料。然而,这些能源的广泛使用导致了严重的环境问题,如全球变暖和酸雨,这对生态系统和人类健康造成了极大的危害[1]。为了减缓气候变化,迫切需要通过可持续能源替代碳基能源[2]。在这方面,中国和欧盟都宣布了到本世纪中叶实现碳中和的目标。氢气作为一种非常合适的二次能源载体,正受到越来越多的认可,因为它提供了一种有前景的无碳解决方案[3,4]。氢气具有较高的比能量密度,几乎是汽油的三倍。氢气可以从可再生能源中本地生产,从而减少国家对外国供应商的能源依赖。氢气的另一个优势在于其清洁性质,在燃料电池中使用时不会产生污染物[5,6]。大规模利用氢气有望最小化碳足迹,并促进未来的能源可持续性和安全性。
为了满足全球日益增长的氢气需求,高效且经济可行的氢气生产方法至关重要。有多种生产氢气的技术途径,如化石燃料重整、生物质气化[7]和水电解。特别是蒸汽甲烷重整(SMR)目前是主要的方法[8],占全球氢气产量的48%。该技术已经商业化成熟且应用广泛,能量效率高达70-85%。利用丰富且廉价的天然气原料,SMR的生产成本低于其他方法。然而,这一过程的二氧化碳排放量为每千克氢气11.4千克,这在实现全球碳中和的背景下是一个主要缺点。为了解决传统SMR中基于燃烧的加热过程的高碳强度问题,电化蒸汽甲烷重整(e-SMR)作为一种变革性技术应运而生。通过利用来自可再生能源的电产生的焦耳热直接驱动吸热反应,e-SMR从根本上改变了氢气生产的范式。Wismann等人[9]实验表明,直接电加热使体积减少了100倍,并实现了毫秒级的动态响应,这与可再生能源的间歇性很好地契合。基于这些发现,Song等人[10]开发了一个基于能量级联利用和高效电热转换原理的系统级e-SMR模型。他们的研究表明,e-SMR通过消除燃烧热损失显著提高了能量效率和可再生能源的适应性。Song等人[11]从多个角度对这项技术进行了全面评估。结果证实,电化使得二氧化碳浓度更高,并避免了燃烧废气的稀释。因此,与碳捕获单元相关的能耗大幅降低。与传统SMR相比,e-SMR在其整个生命周期内表现出更强的碳中和潜力和经济可行性。现有的关于e-SMR单元的研究主要集中在由电网供电的稳态设计上,对与可再生能源直接耦合的探索有限。当由不稳定的可再生能源驱动时,e-SMR单元会经历温度驱动的动力学变化,导致出口气体成分和流量的显著波动,从而影响系统稳定性。因此,准确分配可再生能源电力是一个重大挑战。
使用来自风能和太阳能的可再生电力进行水电解是一种有吸引力的绿色氢气生产方法。已经开发了几种用于水分解的电解槽类型,其中碱性(ALK)电解槽[12,13]和质子交换膜(PEM)电解槽的技术成熟度较高,而其他类型[14]仍处于起步阶段。ALK电解槽结构相对简单,资本成本较低,但从待机模式到满负荷的启动时间较长,因此难以适应可再生能源的功率波动[15]。相比之下,PEM电解槽具有快速动态响应、高负载灵活性和高能量效率。它们能够适应快速波动的可再生能源输入,但其高昂的资本成本限制了其工业应用。通过利用ALK和PEM电解槽的运行特性,混合氢气生产系统可以实现互补优势,并充分利用可再生能源[16]。Xu等人[17]设计了一个结合ALK和PEM电解槽的氢气生产系统,并协同优化了系统的容量和能量调度。考虑到不同电解槽的互补性,系统的经济性能和稳定性相比单一技术电解槽系统有了显著提高。Yu等人[18]报告了一个具有混合电解槽结构的岛屿规模电解氢气生产系统,并进一步开发了一种优化策略,以最大化利润并最小化系统寿命的退化。同样,Zhou等人[19]提出了一个多电解槽离网混合氢气生产系统。结果表明,该系统可以降低初始投资成本并提高氢气产量。此外,尽管混合ALK和PEM电解槽单元表现出动态互补性,但它们的运行仍然对风能和太阳能发电的随机波动敏感。因此,准确预测可再生能源的不确定性对于持续稳定的工业氢气供应至关重要。
如上所述,尽管e-SMR通过电化显著减少了直接碳排放,但它本质上仍然依赖于天然气作为原料,未能完全将氢气生产与化石燃料脱钩。另一方面,从可再生能源生产绿色氢气的主要挑战在于它们的间歇性和波动性。气候条件的变化导致氢气供需两侧出现显著不匹配[20]。考虑到单一技术氢气生产的局限性,将多种技术集成到一个系统中成为满足不同场景下变化氢气需求的有效策略。这样的集成系统可以同时实现低碳排放、降低运营成本和增强经济盈利能力。Kim等人[21]将沼气自热重整与PEM水电解结合用于绿色氢气生产。电解过程由风力涡轮机和光伏发电提供的电力驱动,产生的氧气用作沼气重整的氧化剂,实现了沼气和可再生能源的协同转化。最近,Zhu等人[22]建立了一个结合PEM水电解、SMR和生物质气化的集成系统,用于稳定和清洁的氢气生产。通过优化调度这三个氢气生产模块,该系统实现了比传统主流技术更高的能量和熵效率以及更低的碳排放。然而,当系统由可再生能源驱动时,稳定性和经济性能取决于基于鲁棒优化的容量配置。虽然传统的鲁棒优化确保了在最坏情况下的运行安全性,但对预定义的保守不确定性集的依赖限制了系统的经济效率[23]。数据驱动的鲁棒优化通过构建动态边界解决了这个问题[24]。然而,在构建鲁棒区间时,现有框架使用的是具有静态超参数的神经网络。这一限制影响了捕捉显著气象波动的能力,从而影响了容量配置的可靠性。因此,制定一个结合高精度预测的数据驱动鲁棒容量配置框架对于实现系统的鲁棒性和经济性能至关重要。
为了解决上述研究空白,本文提出了一种数据驱动的鲁棒容量配置和分层协同调度策略,用于新型集成氢气生产系统。主要贡献总结如下:
(1) 建立了一种新型的集成氢气生产架构及其高保真的物理模型。通过将电化蒸汽甲烷重整(e-SMR)与ALK和PEM电解槽相结合,提出了一种基于经验模态分解(EMD)的三层层次协同运行策略。通过分解不稳定的可再生能源信号,将平滑的低频成分分配给e-SMR和ALK单元,而高频波动则由PEM电解槽吸收。这实现了频率与设备的精确匹配,并提高了整个系统的稳定性。
(2) 开发了一种通过黏菌算法(SMA)优化的CNN-BiLSTM-Attention网络,用于构建高精度区间预测,为量化可再生能源的不确定性提供了可靠的数据驱动基础。
(3) 构建了一个双层多目标数据驱动的鲁棒优化框架,用于系统容量配置。该模型使用改进的NSGA-II算法高效求解,成功实现了系统鲁棒性、经济性和低碳性能之间的最佳平衡。
集成氢气生产系统架构
图1展示了所提出的集成氢气生产系统的架构。该系统包括一个e-SMR单元以及ALK和PEM电解槽。e-SMR单元进一步与碳捕获与储存(CCS)[25]相连。能源来自天然气管道、风力涡轮机(WT)、光伏(PV)阵列和电网。能源聚合和传输通过DC/AC总线实现,这些总线驱动多个氢气生产模块。具体来说,低频电力被...
数据驱动的鲁棒不确定性集
基于混合深度学习
集成氢气生产系统的实际运行在很大程度上依赖于风能和太阳能。为了验证高保真物理模型在极端环境波动下的运行鲁棒性,有必要准确定义系统的外部不确定性边界。因此,本节介绍了一种基于CNN-BiLSTM-Attention网络的预测方法,用于量化源侧不确定性并构建鲁棒不确定性集。
双层鲁棒优化框架
由于e-SMR和电解槽模型的高非线性,显式双重约束的推导在数学上难以处理,因此无法直接应用标准的精确鲁棒优化算法[47]。因此,提出了一种双层数据驱动的鲁棒运行和容量配置框架[48]。在该框架中,上层算法负责启发式搜索最佳容量配置。下层模型作为鲁棒...
测试系统和数据收集
为了评估所提出的集成氢气生产系统的性能,对中国西北部的一个工业园区进行了详细的仿真分析。仿真使用MATLAB 2025a软件平台进行。为了训练改进的CNN-BiLSTM-Attention模型,收集了当地的WT和PV功率输出历史数据。具体来说,原始气象数据来自Copernicus气候变化提供的ERA5再分析数据集。
结论
本研究提出了一种集成氢气生产系统,该系统将e-SMR单元与ALK和PEM电解槽单元相结合,基于通过参数识别建立的高保真非线性模型。为了解决可再生能源的不确定性,使用通过SMA优化的CNN-BiLSTM-Attention神经网络构建了数据驱动的鲁棒不确定性集。随后,制定了一个双层数据驱动的鲁棒优化框架。具体来说,上层算法利用CRediT
作者贡献声明
Shuai Ma:撰写——原始草稿、验证、方法论、概念化。
Ruihang Ji:资源、调查、形式分析、数据管理。
Guoxing Li:撰写——审阅与编辑、监督、项目管理、资金获取。陆友军:负责论文的撰写、审稿与编辑工作,以及项目的监督工作。
利益冲突声明:作者声明不存在任何可能影响本文研究结果的已知财务利益冲突或个人关系。
致谢:本研究得到了国家自然科学基金(项目编号:52406177)的支持,同时也得到了长春大学高性能计算平台的协助。
生物通微信公众号
生物通新浪微博
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