硅基光伏-电解水制氢与储能系统中机器学习辅助的产氢性能预测

《DeCarbon》：Techno-economic and life-cycle assessment of levoglucosenone production from pine via hydrothermal pretreatment integrated solvothermal conversion

　　

光伏（PV）水解耦制氢方法目前是最具前景的绿氢制备路径之一。光伏技术的快速迭代显著影响了光伏制氢的技术与经济性评估。研究人员首次在库车地区气候条件下，系统比较了三种最先进硅基光伏技术的光伏制氢表现，构建了具备最优充放电策略的全天候稳定制氢控制系统，以实现稳定高效的氢能生产。研究人员采用七种机器学习（ML）算法，对100 MW光伏制氢与储能（PH-S）系统全生命周期内的发电与产氢性能进行预测，其中长短期记忆（LSTM）算法表现最佳，平均绝对误差（MAE）为0.0415，均方根误差（RMSE）为0.0891，决定系数（R2）为0.8402。在成本效益方面，本征薄层异质结（HJT）光伏技术实现了最低的平准化度电成本（LCOE）与平准化制氢成本（LCOH），分别为0.025 /kWh与6.95/kg。敏感性分析表明，当质子交换膜电解（PEMEC）成本降低50%时，PH-S系统LCOH下降21.40%。该研究为大规模光伏制氢的工程实施与PH-S系统降本提供了有价值的见解。

研究背景方面，面向碳中和目标的绿氢制备高度依赖光伏驱动的水电解技术，但光伏技术代际迭代快、出力受地域气候影响显著，使得大规模光伏制氢与储能（PH-S）系统的发电—产氢性能预测与全生命周期经济性评估存在较大不确定性，传统经验模型难以支撑工程化决策。为此，研究人员以新疆库车地区实际气候条件为边界，选取三种先进硅基光伏技术，耦合100 MW级PH-S系统，引入机器学习预测框架与充放电优化控制策略，开展性能预测与成本敏感性分析，相关成果发表于《DeCarbon》。该研究明确了LSTM在光伏出力与产氢量时序预测中的优势，甄别出HJT光伏技术在该气候与系统配置下兼具发电经济性与制氢成本优势，为干旱区光伏制氢电站的技术选型与降本路径提供了定量依据。

关键技术方法上，研究人员以库车地区气象数据与实际辐照序列为输入样本，构建100 MW光伏制氢与储能系统仿真边界；设计含最优充放电策略的全天候稳定制氢控制逻辑；选用七种机器学习算法（含LSTM、随机森林等）对系统发电功率与产氢量作全生命周期回归预测与对比；基于预测结果计算LCOE与LCOH，并对质子交换膜电解（PEMEC）设备成本下降情景作敏感性分析。

研究结果如下。

系统建模与控制策略：研究人员建立光伏阵列—储能—PEMEC耦合的PH-S系统能流模型，设计最优充放电策略以平抑光伏波动，实现全天候稳定制氢，为后续预测提供系统级边界。

机器学习预测性能比较：通过七种ML算法对发电与产氢时序预测，LSTM以MAE=0.0415、RMSE=0.0891、R2=0.8402优于其余模型，证明深度学习对光伏间歇性出力的时序记忆能力更适配产氢量预测。

光伏技术路线对比：在库车气候下并行评估三种先进硅基光伏技术，HJT凭借温度系数与双面增益特性取得最高等效发电收益，其LCOE低至0.025 /kWh，对应LCOH为6.95/kg，优于其他对比组件。

成本敏感性与降本机制：敏感性分析显示PEMEC占制氢成本权重显著，当其设备投资降低50%时，系统LCOH下降21.40%，表明电解槽降本对PH-S经济性拉动强于单纯光伏侧降价。

讨论部分指出，机器学习辅助预测可有效替代部分物理仿真以支撑早期选址与容量配置；HJT在典型干旱强辐照区的LCOE/LCOH双低特征具有推广价值；未来需将组件衰减、储能循环寿命、电网交互约束纳入ML特征工程。研究结论翻译如下：本研究在库车气候下系统比较三种先进硅基光伏技术的制氢表现，所建LSTM预测框架具备较高精度（R2=0.8402），HJT光伏实现最低LCOE（0.025 /kWh）与LCOH（6.95/kg），PEMEC成本减半可使LCOH降低21.40%，结果为大规模光伏制氢与PH-S系统实施及降本提供定量支撑。