基于领域自适应卷积神经网络的相变材料储能系统实时荷电状态估计

《Energy and AI》：Vision-based State-of-Charge Estimation in Latent Thermal Energy Storage Systems: A Proof-of-Concept Domain-Adapted Deep Learning Framework

　　

摘要

高效且可持续的储能技术的开发与推广是实现清洁能源转型的核心所在。在相变材料（PCM）热能储存系统中实现精确的实时荷电状态（SoC）估计，仍然是一项关键的技术挑战。这一困难主要由相变材料的温度-焓特性、热滞后效应以及固液相变高度非均匀的时空推进所驱动。此外，尽管传统的基于物理的数值模型具有较高的精度，但由于计算量过大，往往难以满足实时应用的需求。本研究提出了一种新颖的深度学习框架，采用经过领域自适应的卷积神经网络（CNN）架构，实现相变材料热能储存系统中非侵入式、连续的荷电状态（SoC）回归分析。该方法利用受控实验测试在运行阶段中提取的视觉特征，实现了基于图像的实时荷电状态估计，同时降低了对侵入式仪器和计算密集型物理建模的依赖。在充电实验的组内条件评估中，测试平均绝对误差（MAE）低于1%；而在以不同流速、入口温度和持续时间进行的独立部分充电实验的跨条件评估中，集成平均绝对误差为2.76%。充电至放电的迁移学习实现了2.19%的折叠外综合平均绝对误差。这些结果表明，所提出的架构能够成功识别固液界面的演化并重建相应的荷电状态轨迹。总体而言，本研究为潜热储能系统中智能化、非侵入式和实时热力学状态监测奠定了概念验证基础，为更加可靠、自适应和可扩展的相变材料储能技术铺平了道路。

Ilaria Marotta | Mohammad Saffari | Giorgio Frazzoni | Salvatore Vasta | Andrea Frazzica | Valeria Palomba