吸附储能软状态-of-电荷估算：黑箱与物理信息驱动方法

《ENERGY AND BUILDINGS》：Soft state-of-charge estimation for adsorption energy storage: Black-box and physics-informed approaches

　　

吸附型储热（Thermal Energy Storage, TES）是一种面向废热回收与多部门耦合能源系统的新兴技术。研究人员利用边缘计算平台采集的实验数据，评估黑箱神经网络（Neural Networks, NNs）与物理信息神经网络（Physics-Informed Neural Networks, PINNs）。目标是基于瞬时传感器数据重建不可测当前状态，主要是制冷剂吸附量（refrigerant uptake）与吸附/解吸温度，实现直接State-of-Charge(SOC)跟踪。所提PINN引入专门物理损失，将热化学能量平衡与吸附动力学耦合，由瞬时边缘输入驱动。 对比评估表明，相对于高保真白箱动态模型，PINN在所有关键输出上均优于常规NN。吸附与解吸质量分数方面，PINN的R2分别为0.939与0.938，高于NN的0.922与0.905；吸附与解吸温度估计中，PINN的R2为0.994与0.992，NN为0.989与0.985。上述改进对应MSE、MAE、RMSE降低15–25%。用于SOC估算时，PINN的R2为0.939，NN为0.922。含噪声测量的鲁棒性测试显示，因嵌入物理约束，PINN优于标准NN。

《ENERGY AND BUILDINGS》刊发的该文聚焦吸附型热化学储热（Thermochemical Energy Storage, TCS）系统中State-of-Charge(SOC)的实时软感知问题。研究背景方面，全球能源转型要求建筑与区域能源基础设施采用先进热储能（Thermal Energy Storage, TES）技术。吸附储热利用多孔固体（如silica gel）与水蒸气的可逆吸附（放热、放电）与解吸（供热、充电）过程储放能，可在低温热源下运行且能量密度较高。然而，该类系统具有非线性、时变特征，受材料性质、温度梯度、压力与循环工况影响；传统白箱模型以一维偏微分方程（Partial Differential Equations, PDEs）描述传热传质，虽可解释但计算负担大、参数敏感、难以实时控制与放大。纯黑箱神经网络（Neural Networks, NN）虽快，但缺物理一致性、训练域外泛化差。因此，研究人员开展黑箱NN与物理信息神经网络（Physics-Informed Neural Networks, PINN）作为软传感器（soft sensor）的对比研究，用间接可测变量重建吸附质量分数w(t)（单位sorbent质量上的adsorbate质量比）、吸附温度T_ads与解吸温度T_des，并由此估算SOC，公式为SOC=[w(t)-w_min(t)]/[w_max(t)-w_min(t)]。

研究人员基于HYPERGRYD EU项目真实运行/实验数据构建监督学习数据集，以高保真白箱动态模型输出作基准，训练并评估黑箱NN与PINN。结论上，PINN把热化学能量平衡与Linear Driving Force(LDF)吸附动力学写入物理损失，用时间t作为连续坐标，不依赖循环结构即可捕捉吸附-解吸时序依赖；在吸附/解吸质量分数、温度及SOC估计上R²均高于NN，误差指标MSE、MAE、RMSE下降15–25%，在加噪工业条件中仍因物理约束更鲁棒。意义在于为吸附储热控制提供可边缘部署、物理一致、实时兼容的虚拟传感框架。

关键技术方法上，研究人员采用三类方法：一是边缘计算（edge computing）平台采集水箱水温、进出水温、蒸汽压、过程点蒸汽温度等可测变量；二是对实验传感器数据预处理并以前文白箱动态模型生成基准标签，构造监督学习数据集；三是以黑箱NN纯数据建模，以及PINN将质量平衡与LDF驱动力量方程作为物理损失项加入训练，把系统状态表示为时间t的连续函数，从而实现由瞬时输入直接跟踪SOC。

研究结果按原文小节可归纳为：1. Introduction中，Background说明吸附储热潜力与PDE模型局限，Previous works综述PDE白箱、黑箱辨识、建筑与钻孔储热中PINN应用，指出现有吸附储热PINN研究空白；Problem Statement指出w(t)、T_ads、T_des不可直接测，外部传感器只能给间接量，核心是从间接输入推断不可观状态；Objectives明确以软传感框架估w(t)与温度并算SOC。2. 模型与方法中，研究人员用白箱模型提供w_min(t)、w_max(t)边界与基准，NN仅从数据映射输入到状态，PINN在损失中加能量平衡与LDF项，使预测满足热化学约束。3. 评估部分，相对白箱基准，PINN吸附质量分数R²=0.939/0.938、NN为0.922/0.905；温度R²为0.994/0.992对0.989/0.985；SOC的R²为0.939对0.922；MSE、MAE、RMSE降15–25%。4. 鲁棒性测试中，研究人员向测量加噪以模拟工业现场，PINN因嵌入物理约束，预测偏移小于标准NN。

讨论与结论部分原文要点为：传统SOC方法如积分能量平衡或压力-体积-温度（Pressure-Volume-Temperature, PVT）相关常作平衡假设，在废热回收快速瞬态下失真，且对传感器噪声与不可观寄生热损敏感；纯黑箱缺物理一致、域外失效。研究人员所提PINN弥补该缺口，把守恒方程与驱动力关系融入学习，在边缘端保持低计算成本，抑制简化物理估计器的精度漂移与敏感问题。结论为：PINN可作为吸附储热鲁棒软传感器，在实时边端部署下比黑箱NN更高保真地重建制冷剂吸附量与吸附/解吸温度，并更准确跟踪SOC；其物理嵌入带来噪声鲁棒性与更好泛化，对吸附储热进入工业控制具有明确价值。