基于PSO和GA优化的逆神经网络控制器的智能按需绿色氢气生产用于合成燃料

《Eng》：Intelligent On-Demand Green Hydrogen Production for Synthetic Fuels via PSO- and GA-Optimized Inverse Neural Controllers

　　

绿色氢气是Power-to-Liquid (PtL)路径中用于生产可持续合成燃料的关键能源载体，有助于工业和运输部门的脱碳。然而，可再生能源的间歇性以及维持合成过程适当化学计量比所需的可变氢气需求，使得必须根据工艺需求调节氢气产量，而不是最大化其产量。本文提出了一种碱性水电解的智能控制策略，其中氢气生产目标基于可用二氧化碳，由合成甲醇的化学计量需求确定。研究人员使用实验数据开发了人工神经网络（ANN）模型，在隐藏层中结合了经典和适形激活函数。基于所选模型，研究人员构建了逆人工神经网络（ANNi），并利用粒子群优化（PSO）和遗传算法（GA）根据氢气需求确定所需的馈电电流。所提出的方法在源自甲醇合成化学计量需求的动态氢气需求曲线下进行了评估。结果表明，所提出的控制器紧密跟踪氢气需求的变化。在每次设定点变化后，H₂/CO₂比在约0.98秒（ICANNi-PSO）和0.96秒（ICANNi-GA）内恢复到化学计量设定点附近的范围。此外，一些适形激活函数在隐藏层中使用更少神经元的情况下实现了与经典激活函数相当的性能。两种优化算法在评估条件下提供了可比的跟踪性能。

**论文解读：基于PSO和GA优化的逆神经网络控制器实现智能按需绿色氢气生产用于合成燃料**

**研究背景与问题**
绿色氢气作为可持续合成燃料生产的关键能量载体，在Power-to-Liquid (PtL)路径中扮演重要角色，有助于工业与交通领域的脱碳。然而，传统氢气生产策略通常以最大化发电量为目标，忽略了下游合成过程对氢气需求的动态变化。可再生能源的间歇性导致氢气供应不稳定，而合成燃料（如甲醇）所需严格的H₂/CO₂化学计量比要求氢气产量必须根据过程需求实时调节，而非单纯依赖能源可用性。现有控制方法（如PID控制器）在快速变化工况下性能下降，而先进控制策略（如模型预测控制、滑模控制）虽能改善响应，但缺乏将氢气生产与下游PtL过程化学计量需求直接关联的机制。因此，亟需一种智能控制方法，使碱性水电解制氢系统能够根据CO₂可用性动态调整产量，以维持合成反应所需的最佳反应物比例。

**研究目的与意义**
本研究旨在开发一种基于逆神经网络（ANNi）与优化算法（PSO和GA）的智能控制策略，用于碱性水电解器的按需绿色氢气生产。通过将氢气需求直接定义为下游甲醇合成过程的化学计量需求，实现氢气产量与CO₂供应量的实时匹配，避免氢气过度生产。该策略为PtL系统的集成控制提供了方法论框架，有助于提升合成燃料生产的效率和经济性。论文发表在《Eng》。

**关键技术方法**
研究人员采用实验数据（约75,000个样本，采样周期0.1秒）构建前馈人工神经网络（ANN）模型，输入变量为电流、压力、温度，输出为氢气流量。在隐藏层中测试了5种经典激活函数（tansig、logsig、Elu、softplus、swish）及其5种适形变体（ctansig、clogsig、cElu、csoftplus、cswish）。通过对比RMSE、MAPE、R²等指标，选出ELU 3–3–1、Swish 3–3–1、CELU 3–2–1、CLogsig 3–2–1四个最优模型。基于选定模型，构建逆神经网络（ANNi），固定ANN权重，将期望氢气流量作为输出，通过在线运行PSO或GA算法求解最优馈电电流，以最小化预测流量与需求的误差。同时引入积分补偿器（增益K_i）减少跟踪误差，形成ICANNi-PSO与ICANNi-GA控制器。数据采集使用NI USB-6363板卡、FMA-A2310-H2传感器等，反应器为40串联单元碱性电解槽，电解质为30% KOH溶液。

**研究结果**
**3.1 基于ICANNi-PSO的按需绿色氢气生产控制**
研究人员使用动态氢气需求曲线（由甲醇合成化学计量比推导）评估ICANNi-PSO控制器。结果显示，四种选定模型均能紧密跟踪氢气需求变化，跟踪误差微小。在每次设定点变化后，H₂/CO₂比平均在约0.98秒内恢复到化学计量设定点附近的范围，且稳态时比值稳定在3附近。性能指标RMSE约为10^-5 kg/s，MAPE接近1%，IAE、ISE、ITAE、ITSE差异极小，表明控制器具有良好跟踪能力。

**3.2 基于ICANNi-GA的氢气生产控制**
在相同需求曲线下，ICANNi-GA控制器表现出与ICANNi-PSO相似的跟踪行为。氢气流量在准稳态下保持参考值附近，瞬态偏差主要出现在需求变化时刻。H₂/CO₂比在每次变化后平均约0.96秒内恢复至设定范围。性能指标中RMSE范围在1.01×10^-5至1.02×10^-5 kg/s，MAPE为1.0140%–1.0150%，CTansig模型取得最低MAPE和IAE，但整体差异微小。两种优化算法在控制效果上无系统性差异。

**结论与讨论**
本研究提出了一种智能控制方法，将碱性水电解制氢与甲醇合成化学计量需求直接关联。最终结论指出：ICANNi控制器能有效调节氢气产量应对需求变化，RMSE约10^-5 kg/s，MAPE约1%；PSO与GA两种优化策略在跟踪性能上可比，控制努力无显著差异；适形激活函数（如CELU、CLogsig）在隐藏层神经元更少的情况下达到与经典函数相当的性能。该工作为未来PtL应用中氢气生产与CO₂可用性持续适配提供了方法论基础。未来研究将扩展至完整PtL工厂，纳入可再生能源波动性与费托合成。