?感知设计与深度学习PINN派生的下一代固体氧化物燃料电池–有机朗肯循环–光伏热太阳能集热器混合发电系统多目标优化

《Renewable Energy》：Exergy-Aware Design, Deep Learning PINN-Deriven Multi Objective Optimization of a Next-Generation Solid Oxide Fuel Cell–Organic Rankine Cycle–Photovoltaic-Thermal Solar Collectors Hybrid Power System

　　

**摘要**

本研究提出了一种下一代混合发电系统，该系统集成了固体氧化物燃料电池（SOFC）、有机朗肯循环（ORC）、光热一体化（PVT）集热器和电解槽，以同时应对高效能源转化和可持续分布式发电的双重挑战。此前的研究通常依赖稳态模型或黑箱优化器，而本文所提出的框架通过将严格的热力学第一定律和第二定律建模与基于深度学习的混合优化策略相结合来弥补这一空白，该优化策略融合了物理信息神经网络（PINNs）和非支配排序遗传算法II（NSGA-II）。将物理约束直接嵌入学习过程，使得对设计和运行条件的探索既准确又具有计算效率。本研究的创新之处既体现在系统层面的集成，也体现在方法论的进步。本研究开发了完全耦合的SOFC–ORC–PVT–电解槽混合构型之一，并进行了全面的热经济-环境评估。此外，本研究还建立了一个物理约束优化框架，通过使用混合模型避免了黑箱机器学习和纯启发式优化的弊端。结果表明，SOFC提供高温电化学功率，ORC使用R601作为工质回收120 °C的低温余热，PVT集热器在真实太阳边界条件下同时提供电能和热能。多目标优化展示了在最大化?效率（最高达63.2%）的同时将度电成本降至具有竞争力的水平的运行点。PINN代理模型实现了强大的预测精度（成本R2=0.87，?效率R2=0.75），证明其能够以物理保真度捕捉非线性的热经济交互作用。

**引言**

全球能源格局正在经历前所未有的变革，其驱动力来自于满足日益增长的能源需求和缓解气候变化的双重挑战[1]。工业化、人口增长和技术进步加剧了能源消耗[2]。与此同时，能源系统脱碳的紧迫性不断加剧，因为以化石燃料为基础的发电仍占全球CO?排放量的60%以上[3]。可再生能源和高效混合系统现已成为弥合这一差距的关键[4]。然而，间歇性、低热效率以及多种能源转化技术集成复杂性等因素阻碍了其广泛采用[5]。

在新兴解决方案中，将燃料电池（FCs）、有机朗肯循环（ORCs）和太阳能收集相结合的混合系统具有变革性潜力[6]。燃料电池提供高效、低排放的电力，而ORC回收废热以提升整体效率[7]。太阳能的整合进一步降低了对化石燃料的依赖，并解决了单一可再生能源的间歇性问题[8]。混合系统的热力学性能具有高度非线性，受组件耦合、工质选择和动态运行条件等因素影响[9]。

尽管对混合能源系统的兴趣日益增长，但燃料电池、ORC和太阳能技术的最佳集成仍面临关键挑战[10]。首先，传统建模方法严重依赖稳态热力学分析或计算密集型的数值模拟，这些方法无法考虑实际运行条件下子系统之间的动态交互[11]。Yilmaz和Ozturk[12]开发并模拟了一个集成热电联产系统，该系统包括固体氧化物燃料电池（SOFC）、燃气轮机、有机朗肯循环（ORC）、喷射器式Kalina循环、氢气制取与储存单元、木材蒸汽发生单元和氨生产单元。研究结果表明，能量回收和?回收分别为0.04%和13.57%，氢气和氨的生产速率分别为0.0085 kg·s?1和0.2023 kg·s?1，电力生产速率为20,180 kW。Yadav和Singh[13]提出并评估了一种多系统集成构型，包括SOFC、Kalina循环、Brayton循环、水-氨吸收制冷循环和淡水生产单元。研究结果表明，在压比为12、涡轮入口温度为1450 K时，最大能量回收率达到62.47%。Nourpour和Manesh[14]研究了包括SOFC、ORC和燃气轮机的热电联产系统。该系统从能量、?和经济性的热力学变量角度进行了评估和考察，并在五流体ORC中进行了额外评估。系统最终成本计算为$2437.28/小时（pts·s?1），环境因子为$1476.18，单位发电成本为$1.41/MWh。最终确定R11是ORC的最合适工质。Ghorbani等[15]提出了一种将SOFC与ORC集成在一起的热电联产系统，并从热力学变量以及能量、?、经济和环境因素方面进行了考察和优化。为评估敏感性，ORC中使用了两款制冷剂——R407C和R404A作为工质。研究结果表明R407C作为工质的性能更优，在最佳点时能量和?回收率分别为49.42%和46.83%。Wang等[16]研究了SOFC与ORC及燃气轮机结合系统用于海事应用的可行性及热力学（能量、?和经济性）评估，作为双燃料发电机的替代方案。研究结果表明，内生有效能耗散占系统总能耗散的73.89%。

其次，在效率、?、成本和排放之间进行平衡的多目标优化需要先进的计算工具。Zahedi等[17]开发并优化了一种集成热电联产系统，该系统将ORC、燃气轮机循环、蒸汽朗肯循环、电解槽、太阳能聚光器和甲烷生产与储存单元相结合，利用太阳能和生物质能输入，并通过遗传算法进行优化。所提出的系统通过聚焦于能量、?、经济性和环境影响的全面分析进行了考察。研究结果表明，在最优条件下，?回收率达到61.7%，而发电成本为每千瓦时6.36美分。此外，将朗肯循环引入燃气轮机循环可将能量和?回收率分别提升至71.8%和73.7%。该系统有能力产生327,160 kW的电力，而碳捕获系统可将627,000吨二氧化碳转化为甲烷。Bahari等[18]介绍了一个综合系统，将燃气轮机SOFC、斯特林发动机以及联合多级闪蒸和反渗透系统相结合，以产生淡水并回收燃气轮机的排气热量。使用斯特林发动机的优势在于通过液态燃料利用增强输入燃料电池的热量，用泵替代燃料压缩机，优化系统性能，并消除膨胀阀的需求。已采用非支配排序遗传算法II（NSGA-II）进行优化，重点提升?效率并降低系统的最终生产成本。研究结果表明，系统在最优点时的?效率和能量效率分别为73.5%和69.06%。系统的总发电量为99 MW。Behzadi等[19]研究并优化了包括SOFC、余热回收单元和溴化锂吸收发电循环的集成热电联产系统的热力学、能量、?、环境和经济维度，并将结果与具有ORC的类似系统进行了对比。该分析采用灰狼优化算法确定最佳性能，以?回收率和最终成本为目标函数。环境分析结果表明排放量低于2.8 kg·MWh?1。优化结果显示，燃料电池-ORC和燃料电池-吸收循环的?回收率分别提高了13.8%和14.7%，同时总成本率分别降低了11.2和11美元/小时。Hassanzadeh等[20]通过考察三种变量最优条件和基准运行方案，评估了燃料电池-燃气轮机联合系统的能量、经济性和环境?，并使用10 MW独立燃气轮机分析了结果。采用人工神经网络对系统变异性进行建模，并使用灰狼算法对结果进行优化。研究结果表明，与独立燃气轮机相比，集成系统具有优越性，分别实现了最优?效率、二氧化碳排放量和单位生产成本68.5%、277.7 kg·MWh?1和22.7 $·GJ?1。Liu和Karimi[21]介绍了一种基于机器学习的方法用于预测用于发电的燃气轮机性能。采用两个人工神经网络模型和一个利用实际运行数据的高维模型来预测空气压缩机和涡轮的运行特性。两个模型都能以低于1%的误差准确表征特性。此外，还提出了四种其他Klinger模型来表征燃气轮机的部分负荷和满负荷性能。

近期研究表明，将可再生能源与燃料电池相结合的混合系统正朝着太阳能、氢能技术、废热回收和高级优化的紧密耦合方向快速发展。You等[22]开发了一种基于SOFC的分布式冷热电三联供（CCHP）系统，应用了太阳能、燃气轮机和利用ORC循环的能量回收，并进行了能量、?、经济和环境评估。此类探索凸显了级联能量消耗和综合热力学评估的重要性，但优化策略并未包含深度学习代理模型以同步探索相互关联的设计空间。太阳能-燃料电池混合系统的近期发展进一步强调了需要更明确的方法论区分。Chen等[23]在可变环境条件下研究了一个PVT–SOFC混合电站，并优化了能量管理和最大功率点跟踪策略。他们的研究结果表明了智能控制在可再生能源-燃料电池集成中的重要性，但未考虑基于ORC的废热回收系统和热经济优化。Roshani等[24]建议了一个更广泛的 renewables混合系统，包含PVT集热器、燃料电池、风力涡轮机、制氢和其他能源转化方式，并使用响应面方法和生命周期评估对系统进行了优化。该文展示了PVT、氢能和燃料电池技术之间的协同效益，但所用方法并非基于物理约束的耦合热力学系统代理优化。

尽管已有大量研究调查了将太阳能-ORC-FC技术相结合的混合能源系统，但大多数这些研究仅停留在概念性热力学建模阶段，未涉及实际限制。首先，现有模型大多基于稳态假设，忽略了波动太阳辐照度、可变负荷需求和子系统间动态交互下发生的瞬态行为。这限制了其研究结果在实际运行中的应用。其次，虽然已应用遗传算法、粒子群优化和其他进化方法等优化技术，但这些方法通常作为黑箱迭代求解器运行，虽然能够提供解决方案，但缺乏适应性且不嵌入基本物理定律。这导致解决方案可能计算成本高昂且有时在物理上不一致。此外，尽管机器学习在能源系统研究中迅速发展，但其在完全集成的FC–ORC–PVT–电解槽架构中的应用仍大部分未被探索。现有研究要么聚焦于孤立子系统，要么专注于预测建模而未与系统级优化耦合。值得注意的是，物理信息神经网络（PINNs）的应用可以克服纯数据驱动模型缺乏物理修正的局限性。同时，先前工作中对工质、系统构型和环境影响的比较分析很少考虑机器学习辅助优化在系统?效率、成本降低和环境可持续性方面的协同效益。因此，迫切需要一种将严格的热经济建模与物理约束机器学习和多目标优化相结合的高级方法论，从而弥合概念设计与实际部署之间的差距。

本研究的科学新颖性不仅在于将SOFC、ORC、PVT和电解槽作为各个单独组件使用——这些组件已在文献中得到调查——更在于将它们集成在统一的优化框架中，该框架具有?感知能力和物理约束性。从系统角度来看，完全耦合的SOFC–ORC–PVT–电解槽系统旨在同时利用高温电化学能量、SOFC废热以及太阳能电能和热能。从方法论角度来看，使用物理信息神经网络作为代理模型来建模集成系统的非线性热经济行为，随后与NSGA-II集成以寻找最优运行条件。本研究的主要贡献在于开发了一个将系统架构、第二定律热力学、基于深度学习的代理建模和多目标优化视为相互依赖步骤（而非独立分析步骤）的框架。

该研究提供了一种系统化的方法，用于考虑SOFC、ORC、PVT和电解槽各子系统之间的非线性相互作用，同时保持?效率与运行成本之间的平衡。

**材料与方法**

本部分阐述所提出的循环系统，并说明其各组件之间的关系。此外，描述了每个组件的能量与?建模关系，并介绍了经济与环境维度。

**结果与讨论**

本部分首先介绍输入数据方法，随后讨论当前研究模型的验证。接着呈现系统中各流体流动的数值结果，以及系统中各组件的预期经济与环境变量，包括基于生命周期的燃料与产品成本、污染排放计算以及?损失。最后，展示所提出的深度学习PINN-NSGA-II系统模型的优化结果。

**结论**

本研究提出并评估了一种集成FC-ORC-PVT的新型混合能源系统，实现了高效率、低?损失和经济可行性。研究方法基于热力学建模——兼顾第一和第二定律——通过详细的?分析与经济分析，在真实运行条件下评估系统性能。此外，开发了前沿的PINN-NSGA-II混合优化框架，以识别最优设计与运行参数。

**CRediT作者贡献声明**

Azfarizal Mukhtar：撰写——审阅与编辑、监督、调查研究、形式化分析、数据管理、概念构思。Bouthaina Dammak：撰写——初稿撰写、可视化、软件、资源、方法学、形式化分析。Mohamed Ben Aissa：软件、方法学、调查研究、形式化分析、概念构思。Azher M. Abed：可视化、验证、资源、方法学、调查研究。Farruh Atamurotov：软件、资源、调查研究、形式化分析。

**AI生成使用声明**

作者使用了AI辅助工具（ChatGPT和DeepSeek）进行语言编辑和句子改写，以增强清晰度和可读性。所有科学内容、解释和结论均由作者全权负责。

**利益冲突声明**

? 作者声明不存在已知的竞争性经济利益或个人关系，这些因素可能对本论文所报告的工作产生影响。

**致谢**

本研究由沙特阿拉伯利雅得努拉宾特阿卜杜勒阿齐兹公主大学研究支持项目（编号PNURSP2026R847）资助。

Mohamed Ben Aissa | Azher M. Abed | Azfarizal Mukhtar | Bouthaina Dammak | Farruh Atamurotov

沙特阿拉伯海伊勒大学工程学院化学工程系，邮编81441，海伊勒，沙特阿拉伯，邮政信箱2440。