《Energy Conversion and Management》:Neural network-based model predictive control for waste heat recovery from PEM electrolysis with heat pumps
编辑推荐:
氢能在未来能源系统中有望发挥关键作用,质子交换膜(PEM)电解尤其适合利用可再生资源制氢。然而,PEM电解运行过程中会释放大量热量。将这些废热用于供热网络或工业过程可提高经济效益并助力供热部门脱碳。由于PEM电解槽在相对较低温度下运行,许多应用需要热泵(HP)
氢能在未来能源系统中有望发挥关键作用,质子交换膜(PEM)电解尤其适合利用可再生资源制氢。然而,PEM电解运行过程中会释放大量热量。将这些废热用于供热网络或工业过程可提高经济效益并助力供热部门脱碳。由于PEM电解槽在相对较低温度下运行,许多应用需要热泵(HP)来提升废热温度。此类耦合系统需要控制器同时处理电解槽堆的热管理与热泵的协调。但PEM电解槽与波动可再生能源耦合时的快速负荷变化给控制器带来挑战,因其必须同时稳定电解槽冷却循环和热泵制冷循环。因此,本文提出了一种基于神经网络的模型预测控制器(MPC),可高效控制废热回收,同时满足电解槽和热汇的温度要求。研究人员通过数值案例研究对该控制策略进行了性能评估,并与基于比例积分(PI)控制器的传统控制进行了比较。研究表明,该方法在最小化温度波动和最大化热回收效率方面具有显著改进。在波动功率输入影响下,与PI控制相比,MPC可将热泵平均效率提高达7%,将辅助加热能耗降低达52%,并将平均温度偏差和最大温度偏差分别降低达1.4 K和10.4 K。
该研究发表于《Energy Conversion and Management》,聚焦于可再生能源制氢系统中PEM电解槽废热回收的控制优化问题。研究背景在于,PEM电解槽在运行过程中约有三分之一电能转化为50–80°C的废热,而目前这部分热量通常直接排放至环境中。随着欧盟对区域供热脱碳需求的增长,将电解槽废热通过热泵升级后接入区域供热网络(DHN)具有重要经济与环保价值。然而,现有研究多集中于稳态模拟与经济分析,缺乏对耦合系统动态特性的深入探讨,尤其缺乏针对PEM电解槽与热泵耦合系统的先进控制策略研究。
现有控制研究存在明显不足:针对热泵的MPC研究多采用线性化模型或较长采样时间,难以覆盖全工况范围;针对PEM电解槽的MPC研究则未涉及热管理的显式控制;而电解槽与热泵耦合系统的控制至今尚未被研究。此外,现有MPC研究在模型-实物失配(model-plant mismatch)、非线性动态预测模型以及短采样时间方面存在研究空白。为应对这些挑战,研究人员开展了本项研究。
研究人员构建了由PEM电解槽与压缩式热泵组成的耦合系统,通过神经网络MPC实现废热回收优化。核心结论包括:MPC在波动工况下可显著提高热泵效率、降低辅助能耗、改善温度控制精度,且对设定值变化和预测误差具有鲁棒性。
研究采用的关键技术方法主要包括:基于Modelica语言建立详细的物理仿真模型作为虚拟实验平台;采用幅值调制伪随机二进制信号(APRBS)激励生成涵盖全工况的动态训练数据;使用神经常微分方程(NODE)近似系统动态行为,前馈神经网络(FNN)拟合稳态特性;将训练后的神经网络通过ONNX格式嵌入基于Pyomo优化环境的MPC框架;采用弹性权重巩固(EWC)算法实现NODE的在线持续学习以防止灾难性遗忘;建立包含二次型代价函数与终端区域约束的非线性MPC优化问题,并结合稳态优化确定最优控制输入设定值;以基于Chien-Hrones-Reswick方法整定的PI控制器作为基准对比方案;选取德国Cottbus地区实际光伏与风电功率曲线作为研究案例。样本队列来源为PV2City项目的公开气象数据,包括2024年3月13日的全球辐射数据(光伏)和3月28日的风速数据(经Enercon E-175 EP5风电机组功率曲线转换)。
**系统建模与参数化**
研究建立了详细的物理仿真模型。PEM电解槽采用准二维建模方法,单个电池单元在流道长度方向离散化并在堆叠方向热耦合,涵盖双极板/端板、流道(FCL)和膜电极组件(MEA)的热质传递。电解槽额定工况为100节电池,操作温度上限60°C,阳极入口温度50°C、出口55°C,电流密度范围0.2–2 A cm
-2,最大废热输出75 kW。热泵采用R1234ze(E)制冷剂,蒸发温度45°C,冷凝温度90°C,设计COP为4.68,为区域供热网络提供60°C回水/90°C供水。模型关键组件包括膨胀阀、气液分离器、压缩机和板式换热器等,各组件通过一维有限体积法离散求解质量与能量守恒方程。
**系统辨识与神经网络训练**
为获取适合非线性系统辨识的训练数据,研究采用APRBS信号激励模型控制输入(热泵膨胀阀开度A
eff,HP、压缩机转速n
comp、冷凝器质量流量?
cond、辅助加热功率Q?
wh)和扰动(电解电流I
ely),记录系统状态(COP、阳极入口温度T
an,in、冷凝器出口温度T
cond,out、压缩机出口压力p
comp,out)响应。最小保持时间设为1小时以覆盖系统最大时间常数,采样时间2秒。数据经Z-score标准化处理后,50%用于训练(96小时运行数据),50%用于验证。
动态行为辨识采用NODE,其中FNN以状态、控制和扰动向量为输入近似状态导数,通过ODE求解器(前向欧拉法)积分预测未来状态。网络结构经参数研究确定为2层16神经元、Tanh激活函数配置,采用伴随灵敏度法反向传播梯度,AdamW优化器,L2损失函数,学习率调度策略,早停机制防止过拟合。稳态行为辨识采用经典FNN,最优结构为3层32神经元、Tanh激活函数。
在线训练机制使NODE在MPC运行期间持续学习:每步以过去20个时间步的数据更新网络,通过EWC算法限制重要参数更新幅度,防止灾难性遗忘。惩罚项强度由Fisher信息矩阵对角元控制。
**模型预测控制器设计**
MPC框架采用滚动时域优化:动态优化问题以二次型代价函数最小化状态偏差、控制输入偏差及控制动作变化率,引入终端区域约束近似Lyapunov函数非增条件;预测时域前首先求解稳态优化问题,确定最大化COP、最小化Q?
wh同时满足温度设定值的最优稳态工作点及对应p
comp,out。优化问题通过Pyomo构建,利用OMLT库将ONNX格式神经网络自动转换为优化变量与约束,采用FMI标准导出FMU模型与FMPy实现MPC与物理模型通信。权重选择基于经验调试,状态偏差权重以额定稳态值归一化。
**闭环阶跃响应分析**
在I
ely从1800A降至1500A的阶跃扰动下,MPC表现出显著优势:T
an,in和T
cond,out的最大偏差分别为0.21 K和0.40 K,远低于PI控制的0.46 K和2.20 K。但MPC存在模型-实物失配导致的稳态偏移(0.21 K和0.15 K)。效率方面,MPC的COP在阶跃前后分别为4.88和5.28,较PI控制(4.63和4.88)提升5.4%和8.2%,且通过稳态优化避免不必要的辅助加热。
**光伏电流工况案例**
基于光伏功率曲线、T?
an,in=50°C的仿真表明:MPC与PI控制下T
an,in的平均绝对偏差(MAD)相近,但MPC的根均方偏差(RMSD)低0.01 K、最大偏差(MAX)低0.85 K;T
cond,out控制方面,MPC的MAD低0.34 K、RMSD低0.72 K、MAX低4.87 K。效率指标上,MPC辅助加热积分数(INT Q?
wh)降低52.14%,平均COP提高5.93%。控制输入轨迹分析揭示:MPC通过更小膨胀阀开度和更低压缩机转速运行,平均压缩机功率从13.41 kW降至9.53 kW(-28.9%),冷凝器热流从69.62 kW降至53.27 kW(-23.5%),在相同冷凝压力下避免不必要的制冷剂质量流量,从而降低压缩功、提升COP。
在线学习使T
an,in和T
cond,out的MAX分别额外降低0.13 K和0.61 K。15%平均预测误差的敏感性分析显示结果仅轻微变化,归因于滚动时域更新、热过程惯性和输入变化率惩罚的鲁棒化作用。
T?
an,in=55°C时结果趋势一致:MPC的T
cond,out MAD低1.02 K、RMSD低1.62 K、MAX低10.39 K;INT Q?
wh降低44.6%,AVE COP提高6.8%。
**风电电流工况案例**
风电曲线波动更剧烈,MPC优势更为突出:T
an,in的MAD低0.22 K、RMSD低0.51 K、MAX低4.65 K;T
cond,out的MAD低0.93 K、RMSD低1.21 K、MAX低5.69 K;INT Q?
wh降低37.07%,AVE COP提高7.11%。15%预测误差的敏感性分析再次验证鲁棒性。T?
an,in=55°C时,MPC在T
an,in控制上MAD低0.16 K、RMSD低0.33 K、MAX低2.19 K;T
cond,out控制上MAD低1.38 K、RMSD低1.84 K、MAX低9.92 K;INT Q?
wh降低29.7%,AVE COP提高5%。
**适用性与局限性讨论**
研究讨论了废热回收应用的两个主要限制:电解槽运行温度上限(通常60–70°C)和热泵可达温升。随着温升增加,COP下降且多级配置更复杂,经济性需个案评估。主要应用包括二三代区域供热网络和低压蒸汽供应。此外,废热供需的时空匹配 mismatch、控制系统稳定性证明的缺失、大量训练数据在实际系统中的获取难度、及测量误差影响等均为待解决问题。研究未对电解槽寿命进行定量评估,温度偏差的降低尚不足以证明寿命的显著延长。
**研究结论**
该工作开发了基于数据驱动神经网络模型的非线性MPC策略,用于优化PEM电解槽与热泵耦合系统的废热回收控制。通过详细物理仿真模型生成的虚拟数据训练NODE和FNN,分别逼近动态和稳态系统行为。经参数研究确定最优网络架构后,将神经网络集成至MPC框架。以基于Chien-Hrones-Reswick方法整定的PI控制器为基准,研究发现:MPC在电流阶跃扰动下已展现更小的设定值偏差和更高效率;光伏工况下将热泵平均效率提高达6.8%,辅助加热能耗降低达52.14%,平均和最大温度偏差降低达1.02 K和10.39 K;风电工况且效率提升达7.11%,辅助加热降低达37.07%,温度偏差降低达1.38 K和9.92 K。MPC对不同温度设定值和预测误差不敏感。
未来工作将探索该控制策略在实验装置上的应用,考虑基于真实实验数据的神经网络训练及测量误差对MPC性能的影响,同时将稳定性保证问题纳入进一步研究。