通过迁移学习辅助的深度核贝叶斯优化加速碱性水电解的柔性优化

《Chinese Journal of Chemical Engineering》:Accelerating flexible optimization of alkaline water electrolysis via transfer-learning-assisted deep kernel Bayesian optimization

【字体: 大 中 小 】 时间:2026年09月28日 来源:Chinese Journal of Chemical Engineering 3.5

编辑推荐:

   摘要 碱性水电解制氢(AWE)在可再生能源驱动的制氢过程中发挥着重要作用,但其在波动电力输入下的灵活运行受到强非线性、多变量耦合以及负载相关运行特性的阻碍。本研究首先建立了一个基于实验数据校准的高保真AWE系统仿真模型,作为可靠的数据生成平台。引入由多层感知机(NNGP)驱动

  

摘要 碱性水电解制氢(AWE)在可再生能源驱动的制氢过程中发挥着重要作用,但其在波动电力输入下的灵活运行受到强非线性、多变量耦合以及负载相关运行特性的阻碍。本研究首先建立了一个基于实验数据校准的高保真AWE系统仿真模型,作为可靠的数据生成平台。引入由多层感知机(NNGP)驱动的深核学习模型作为代理模型,以克服高斯过程(GP)在复杂响应景观中的局限性,其中多层感知机将原始变量映射到结构化隐空间,使GP能够在有限样本下构建更具表达力的核表示。进一步采用SHapley加性解释(SHAP)来量化变量贡献,并为优化后的低能耗运行策略提供物理洞察。将NNGP代理模型嵌入到贝叶斯优化(BO)中,在安全性和过 crossover约束下,通过优化四个关键AWE运行变量来最小化单位氢能耗(HEC)。与标准GP相比,NNGP代理模型在数据稀缺场景下提供了更高的精度和效率,从而加速了低能耗运行区域的识别。为缓解在未知运行环境下的冷启动问题,进一步将迁移学习整合到NNGP-BO框架中(TL-NNGP)。具体而言,将从10 kW基准AWE系统获取的源域知识迁移到100 kW和1000 kW的目标场景,这些场景旨在模拟由波动可再生能源输入驱动的负载变化。结果表明,所提出的TL-NNGP框架显著加速了优化收敛,降低了预测不确定性,并在不同扩展场景下实现了稳健的运行性能。本研究为与可再生能源耦合的柔性AWE系统提供了一种高效且可迁移的优化策略。

引言 碳中和加速了包括风能和太阳能光伏在内的可再生能源的部署[1]。然而,这些资源固有的间歇性和变异性对电网稳定性和电力的高效利用构成了重大挑战[1],[2]。氢气作为一种通用且清洁的能量载体,具有高能量密度、长期可储存性以及与能源系统灵活集成的特点,在低碳基础设施中日益重要[3],[4]。由可再生电力驱动的电解制氢已成为绿氢生产的主要途径,通过削峰和负载均衡提供电网灵活性,从而提高可再生能源利用率[5]。碱性水电解(AWE)[6]在水电解技术中因其技术成熟、系统成本低和工业可扩展性而脱颖而出,是"电-氢-电"清洁能源循环的关键组成部分[7]。然而,与质子交换膜电解(PEMWE)和固体氧化物电解(SOEC)相比,AWE对波动可再生电力输入的动态响应有限,限制了运行效率和能源利用率[8],[9]。在实际的可再生驱动制氢系统中,短期电力波动可以通过储能装置进行缓冲,使电解槽在一系列预设稳态功率负载下运行[10]。然而,功率负载的变化会改变最优运行条件和过程性能,使得识别每个稳态条件下的协调运行设定点变得至关重要。因此,在多个稳态功率负载条件下优化AWE运行对于降低氢能耗同时保持安全高效运行具有重要意义。

为阐明在不同运行条件下支配AWE性能的复杂相互作用,广泛的学术努力倾向于高保真多物理场和过程级仿真[11],[12]。通过整合电化学反应动力学、传递现象、热梯度和气液两相流,这些模型以高保真度揭示了局部传递机制和宏观系统行为,对理解性能限制和指导设计决策具有重要价值[13]。然而,这些模型的高保真特性通常涉及大量耦合的偏微分方程和参数,导致巨大的计算成本和漫长的仿真时间。这种计算负担阻碍了它们在全球优化和实时控制框架中的有效部署,尤其是在探索大型设计空间或应对高度变化的可再生电力输入时。一种有效策略是开发数据驱动代理模型,如人工神经网络(ANN)[14]和支持向量机(SVM)[15],建立低成本计算映射,在捕捉AWE系统复杂输入输出关系方面已展现出显著成效。Sirat等人[14]采用多输入单输出(MISO)人工神经网络(ANN)模型准确捕捉了AWE电池运行变量之间的复杂关系,实现了高效的结构优化和可扩展性。尽管其效率高,但纯数据驱动代理模型通常缺乏物理可解释性,严重依赖训练数据集,可能导致过拟合和较差的外推能力。元启发式算法,如遗传算法(GA)[11]和粒子群优化(PSO)[16],[17],可以在无需梯度信息的情况下高效探索高维、非线性和非凸设计空间,非常适合优化AWE系统的运行参数。例如,Duan等人[11]构建了一种新型变直径电解槽设计,并通过多目标遗传算法进行了优化,在保持比基准结构更低压降的同时,将电解液速度分布均匀性提高了8.40%。此外,强化学习(RL)也被应用于优化AWE运行策略,Lee等人[18]开发了一种代理辅助的强化学习框架用于零间隙AWE系统,将计算成本降低了超过400倍,成功优化了入口流量和电流密度,展现了高预测保真度和稳健可扩展性。然而,这些算法需要大量函数评估,且对初始猜测敏感,对于大规模或随机系统计算成本高昂[19]。

贝叶斯优化(BO)在具有多变量耦合和高度非线性响应面的复杂黑箱优化问题中越来越受到关注。通过采用概率代理模型(通常为高斯过程GP),BO可以量化预测不确定性,并通过平衡探索与开发的采集函数引导采样[20],[21]。这使得BO特别适合材料设计[22]、实验参数调优[23],[24],以及有限样本和高评估成本条件下的过程优化[25]。Tian等人[26]应用了目标导向的BO来高效识别具有预定性能的材料,证明了在小数据条件下更快的收敛速度。Shields等人[20]证明,通过编排高效且连贯的实验轨迹,BO在优化Mitsunobu和脱氧氟化反应方面超越了传统专家启发式方法。随后,Yuan等人[27]推进了一种成本感知的BO策略,用于流动电合成运行条件的有效筛选。然而,当部署在具有复杂响应地形的高维空间中时,GP通常遭受核退化且计算开销巨大,从而损害模型性能。作为一种稳健解决方案,深核学习(DKL)实现了低维隐表示的自动学习,从而构建显著更具表达力的GP模型[28],[29]。例如,Singh等人[30]利用装饰有多层感知机(MLP)特征提取器的DKL,成功将分子描述符和图映射到隐空间嵌入,提高了化学反应产率的预测精度。类似地,DKL的通用性被Andrea等人[31]扩展到多孔锂离子电池正极的微结构调控中,他们在闭环BO循环中部署了生成对抗网络(GAN)生成器来表征隐设计域。虽然DKL增强的BO通过提高预测保真度和不确定性量化促进了快速全局收敛,但在AWE系统场景下优化仍面临严峻挑战。受间歇性可再生能源驱动,AWE系统必须频繁适应变化的负载特征,其中固有的非线性机电和传质变化导致了不同的系统类型。在这些跨域优化视域中,传统BO和DKL-BO架构容易遭受严重的代理冷启动和样本约束,降低了优化效率并引发了致命的不稳定性。

为克服这一瓶颈,迁移学习被用于跨任务知识复用[32]。这里,源模型学到的权重或隐结构被迁移到目标模型以引导其初始化,通过重用历史特征表示实现"热启动",避免新任务中的随机初始化。例如,Yan等人[33]将迁移学习与深度神经网络代理建模相结合,无需物理模型重构即可高效预测AWE性能。同时,Jiang等人[34]引入了预训练、集成学习和主动学习的联合范式,以提高对新钙钛矿氧化物的预测泛化能力。尽管它们各有优势,但将DKL和迁移学习融合到BO框架中以优化在高度波动可再生电力输入下的AWE系统的报道却鲜有。

基于上述考虑,本研究提出了一种适用于AWE的灵活多场景优化框架。考虑到短期可再生电力波动可以通过储能装置进行缓冲,AWE系统由一系列预设稳态功率负载场景表示,每个场景优化固定的运行设定点组合。因此,优化解被解释为负载/规模特定的稳态设定点组合,而非所有场景共享的通用运行点或时变控制轨迹。首先建立了一个经过实验数据校准的高保真AWE过程仿真模型,作为可靠的数据生成平台。为捕捉运行变量与系统性能之间的强非线性关系,开发了基于MLP的DKL(NNGP)作为代理模型,其中MLP用作特征提取器在GP之前学习信息丰富的隐表示。然后将NNGP代理模型嵌入BO框架中,以数据高效的方式优化AWE运行条件,同时进一步采用SHAP来解释优化后的运行策略并量化变量贡献。在每个预设稳态负载下,通过调整四个运行变量——包括KOH浓度、电池温度、运行压力和电解液流量——来最小化单位氢能耗,同时将氢氧过 crossover(HTO)和法拉第效率(FE)作为过程约束。与标准GP相比,NNGP代理模型在数据稀缺条件下展现出更强的预测能力和优化效率,使得用更少的评估次数即可识别低能耗运行区域。为进一步解决新运行场景中的冷启动问题,将迁移学习引入基于NNGP的BO框架(TL-NNGP)。具体而言,从AWE 10 kW基准条件学到的知识被迁移到100 kW和1000 kW的目标场景,这些场景旨在代表与波动可再生电力输入相关的负载变化。结果表明,所提出的TL-NNGP框架加速了收敛,降低了优化不确定性,并在不同运行场景下实现了更稳定的性能。本研究为柔性AWE运行提供了一种数据高效且可迁移的优化策略,为可再生能源驱动制氢系统的智能优化提供了新的见解。

部分摘要

建模平台与过程配置 采用商业过程仿真软件UniSim Design R511 [35]建立AWE系统的稳态过程模型。近期UniSim版本已纳入专门的绿氢过程模型,包括具有预定义参数的电解槽单元操作,可进一步定制以代表特定技术。本研究采用内置的碱性电解槽模块作为核心堆模型。由于AWE的电化学行为已经过实验数据分析 实验数据首先进行分析,以表征碱性水电解系统在不同电流、温度和压力条件下的运行行为。图4展示了在80 °C和1.6 MPa下系统效率、电解槽效率和比能耗。在500 A堆电流下,电功率输入约为10 kW,产氢速率约为1.8。在研究的电流范围内,电解槽效率。

结论 本研究开发了一种数据高效的迁移学习辅助DKL BO框架,用于在波动可再生电力输入下AWE的柔性多负载优化。首先建立了高保真过程模型,并使用实验数据进行校准和经验修正,其中电流-功率验证、产氢修正和HTO修正确认了其在描述电化学能量响应、低负载效率变化和气体纯度行为方面的可靠性。基于。

CRediT作者贡献声明 Zhongtao Shang:写作-审阅与编辑,写作-原稿撰写,软件。Yiyang Dai:写作-审阅与编辑,监督,资源,概念化。Yuan Chen:写作-审阅与编辑,写作-原稿撰写。Xinyue Chen:写作-原稿撰写,监督。Zihao Wang:验证,软件。Zhiying Wang:写作-原稿撰写,资源。Jie Liu:验证,软件,资源。

马婷婷:形式化分析、数据整理

数据可用性
数据可在请求时提供。

利益冲突声明
? 作者声明他们没有任何已知的可能影响本文所述工作的竞争性经济利益或个人关系。

致谢
作者感谢国家自然科学基金(22538010)的支持。

王智颖 | 刘杰 | 马婷婷 | 马婷婷 | 陈新月 | 王子豪 | 陈源 | 尚重涛 | 戴意阳
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号