基于自编码器认知深度学习的地热能制氢掺混天然气产量估算方法

《British Accounting Review》：Autoencoder Based Cognitive Deep Learning Approach for Estimating Hydrogen-Enriched Natural Gas from Thermal Energy Sources

　　

研究人员指出，地热资源可用于生产富氢天然气（Hydrogen?Enriched Natural Gas, HENG）所需的氢气。本研究采用认知深度学习（Cognitive Deep Learning, CDL）方法构建了三种模型，用于估算基于地热能源辅助制氢可获得的HENG产量。研究的主要数据来源于一座正在运行的地热电站的实际记录。CDL是一种将类人认知技能融入人工智能模型的技术，通过将深度学习模型与认知概念相结合，以提升大规模数据处理中的模式识别、预测及决策能力。研究中采用了自编码器（Autoencoders, AEs）、深度信念网络（Deep Belief Networks, DBNs）、前馈神经网络（Feedforward Neural Networks, FFNNs）、门控循环单元（Gated Recurrent Units, GRUs）以及回声状态网络（Echo State Networks, ESNs）构建CDL模型。其中，AEs用于在隐空间压缩和重构多维数据，实现非线性降维。该方法旨在提供一种可扩展且精确的HENG产量估算工具，以应对全球日益增长的能源需求。分析结果表明，AE?DBN?FFNN模型在HENG产量预测中取得了显著的成功率，其决定系数（R2）达到0.9887，均方根误差（Root Mean Square Error, RMSE）为18.9166。

该研究针对全球气候变化背景下能源效率提升与碳排放削减的需求，探索了将地热能与氢能结合以实现低碳燃料供应的技术路径。当前，氢能因其高能量密度和低环境影响被视为重要的清洁能源载体，但绿色制氢成本高、储存难，限制了其大规模推广。将氢气按一定比例掺入天然气管网可在无需大幅改造基础设施的情况下实现更清洁的燃烧并提高热值。然而，准确预测富氢天然气（HENG）的产量及其在能源系统中的可行性，是实现系统优化与控制的关键。研究人员依托实际运行的双工质地热发电站数据，提出了一种融合自编码器（AE）与认知深度学习（CDL）框架的多阶段建模方法，以提升HENG产量估算的准确性与可解释性。

关键技术方法方面，研究人员采集了地热电站运行期间的真实工况数据，构建了由AE、DBN、GRU、ESN组成的多种深度学习模型，并在AE阶段完成多维数据的非线性降维与特征压缩。随后，将降维后的特征分别输入至DBN、GRU、ESN及FFNN进行回归预测，并通过决定系数（R²）、均方根误差（RMSE）、变异系数（Coefficient of Variation of RMSE）、皮尔逊相关系数等指标评估模型性能，同时结合SHAP（SHapley Additive exPlanations）分析方法增强模型的可解释性。

研究结果部分，首先在系统描述中介绍了地热能源转换系统（Energy Conversion System, EC）的结构与运行方式，该系统以双流体循环（地热流体与n?戊烷）驱动电解槽生产氢气，并将氢气掺入天然气管网。其次，在结果与讨论中，研究人员发现AE?DBN?FFNN模型的预测精度显著高于其他单一或混合模型，尤其在捕捉复杂变量交互方面表现优异。AE阶段有效降低了输入维度并过滤噪声，提高了后续模型的泛化能力。GRU与ESN在时间序列建模中也展现了各自优势，但整体性能不及结合AE与DBN的混合结构。最后，在结论部分，研究人员指出该集成框架不仅提升了HENG产量预测的精度，还通过引入SHAP分析与潜特征映射，实现了模型物理一致性与可解释性的双重保障，为复杂热能与操作条件下的HENG估算提供了可扩展的方法论。

讨论部分强调，现有HENG预测方法多直接映射输入输出关系，缺乏特征抽象与解释能力。本研究提出的AE?DBN?FFNN框架通过潜空间表示与分层特征提取，解决了这一问题，并在地热辅助制氢场景中验证了有效性。研究人员认为，该成果可为可再生能源系统的设计与优化提供科学依据，推动氢能经济与低碳能源转型。