《Renewable Energy》：Multi-objective optimization framework for reconfigurable PV–PEM electrolyzer using machine learning surrogates
编辑推荐：
针对直接耦合PV-PEM制氢系统中PV最大功率点（MPP）与电解槽工作点失配及传统优化计算耗时久的问题，研究者开发了结合NSGA-II、CRITIC权重与随机森林（RFR）代理模型的混合框架，实现了PV阵列动态重构与PEM温度协同优化，计算时间缩短6倍且性能几乎无损，为离网绿氢系统实时控制提供了新思路。
在全球能源转型的浪潮中，低碳氢能在重工业、长途运输等难以电气化的领域被视为脱碳的关键。国际能源署及相关行业展望指出，到2030年全球低排放氢产量预计将达到3700万吨/年，而目前这一比例尚不足全球总产氢量（约1亿吨/年）的1%。在这一背景下，利用丰富的太阳能资源通过光伏（PV）电解水制氢成为了极具前景的路径。
然而，将光伏与电解槽耦合并非易事。目前主流的间接耦合方式需要大量电力电子设备（如DC/DC转换器、最大功率点跟踪即MPPT控制器），这不仅推高了平准化制氢成本（LCOH），还引入了转换损耗，且电压纹动可能影响质子交换膜（PEM）的完整性。虽然直接耦合（DC直连）省去了这些设备，能量转移效率可达94%–95%，并能消除约700 �/kW的转换器成本，但它面临一个核心难题：光伏阵列的最大功率点（MPP）会随辐照度和温度剧烈波动，而电解槽有特定的I-V（电流-电压）工作窗口。若采用固定的电气互联（静态耦合），两者特性极易失配，导致能量损失剧增，尤其在冬季或低辐照度条件下，系统效率将大打折扣。
为了解决这一痛点，并摆脱传统多目标优化（MOO）在计算上的沉重负担，Diamantis Almpantis、Henrik Davidsson及Martin Andersson（瑞典隆德大学能源科学系）在《Renewable Energy》发表了其最新研究成果。他们提出了一种自适应可重构直接耦合PV-PEM系统优化策略，并结合机器学习代理模型，实现了系统配置的动态调优与计算效率的飞跃。
为开展此项研究，作者运用了以下几个主要关键技术方法：1. 基于物理的三二极管模型（3DM）模拟异质结（HJT）光伏组件及PEM电解槽（BriHyNergy T10）的电化学特性；2. 采用NSGA-II（非支配排序遗传算法II）进行多目标优化，决策变量包括PV并联串数（Np）和PEM操作温度（TPEM），目标涵盖产氢量、太阳能-氢能效率（STH）、能量转移损失及配置成本；3. 应用CRITIC方法（基于标准间相关性的准则重要性）确定目标权重，并结合模糊逻辑、TOPSIS和VIKOR进行多准则决策分析（MCDA）以选定最优配置；4. 构建随机森林回归（RFR）代理模型，并利用k-d树最近邻算法进行预测过滤，以替代耗时的迭代物理优化；5. 使用来自瑞典隆德、捷克布拉格和法国奥代洛三个不同气候地区的全年每小时气象数据进行验证。
1. Introduction
文章指出，尽管直接耦合架构在成本和效率上具有理论优势，但静态连接无法适应光辐照度的波动。已有研究表明，动态重构技术（通常通过MOSFET开关调整PV串并联）可使冬季输送至电解槽的能量提升高达93%。然而，现有的优化与控制方法多依赖计算密集型的元启发式算法，且机器学习（ML）在该领域的应用多局限于MPPT分类或容量预测，未能作为加速优化求解的直接代理。此外，多数研究局限于单一地点或短时间尺度。本研究旨在填补这些空白，通过引入混合物理-数据驱动框架，实现长期、多地点的高效系统设计与近实时控制。
2. Model description
2.1. HJT PV mathematical modeling
研究选用REC350AA模块（含60个HJT电池），采用三二极管模型进行电气性能模拟。该模型详细考虑了串联/并联电阻、饱和电流、温度依赖的开路电压、接触电阻率以及非晶硅/晶体硅（a-Si:H/c-Si）界面的复合损失。模型明确分离了体复合（Id1）、耗尽区复合（Id2）和特有的界面复合（Id3），并引入增强复合电流（Irec）以反映TCO层相关的电压依赖损耗。
2.2. PEM mathematical modeling
选用BriHyNergy T10电解槽（40个电芯串联），额定功率42 kW。堆叠电压计算涵盖了可逆能斯特电压（Erev）、欧姆过电位（Vohm）、活化过电位（Vact）、浓度过电位（Vcon）及气体交叉过电位（Vcross）。由于PEM效率随功率输入非线性变化（LHV效率约66%–72%），研究采用分段线性近似（4段模型，最大相对产氢误差<0.2%）以平衡精度与计算量，并设定5%最小负载阈值（对应80 W/m2辐照度）以保证堆叠稳定性。
2.3. HJT PV-PEM system modeling
系统通过MOSFET实现PV侧的动态电气重构，以模拟MPPT效果，而PEM堆叠配置固定但操作温度可变。系统性能通过I-V曲线交点确定操作点，评价指标包括配置成本（C）、产氢速率、STH效率及能量转移损失（L = Poperation- PMPPT）。模拟以小时分辨率进行全年计算，兼顾了精度与计算效率。
3. Methodology
3.1. Multi-objective optimization methodology
研究采用两阶段策略。第一阶段利用NSGA-II（种群100，子代60，评估60次）基于典型气象日生成帕累托前沿（Pareto front），探索Np和TPEM的权衡空间。随后应用CRITIC方法计算目标权重（产氢0.333，成本0.352，STH效率0.205，损失0.110），并嵌入模糊逻辑、TOPSIS和VIKOR进行MCDA排序，以确定基准配置。第二阶段基于此权重，执行全年的动态离散迭代加权求和优化。
3.2. Hybrid machine learning-based model methodology
为克服物理优化在长时间序列和实时控制中的计算瓶颈，研究训练了随机森林回归（RFR）模型。该模型以太阳辐照度、环境温度、储氢水平等为输入，直接预测最优Np、TPEM及性能指标。为保证可靠性，引入了k-d树最近邻过滤器以识别相似工况，并辅以基于规则的可行性逻辑来处理低辐照度或分布外样本。
4. Results & discussion
4.1. Multi-objectives optimization results
NSGA-II生成的3D帕累托前沿显示，多数解集中在较高操作温度（345K-355K），体现了热-电化学协同效应（降低活化与欧姆损失）。分析发现峰值STH效率（约14%–16%）并不对应最大产氢量，后者常发生在600–800 W/m2中等辐照度下；高辐照度时因电流密度大导致欧姆损失主导，效率反而下降。成本与性能呈边际效用递减关系。CRITIC权重显示产氢与成本权重最高且稳定，而能量损失影响最弱。MCDA结果显示，VIKOR倾向于成本更高（PV串数达75）的方案，模糊逻辑和TOPSIS则分别收敛于45和60串（对应PV/PEM功率比0.75:1至1.25:1）。
4.2. Impact of the economic objective on system configuration
当剔除“配置成本”目标后（三目标优化），PV oversizing比例允许增至1.5，且所有MCDA方法趋于一致配置。这证实了经济约束在限制过度装机、保持直接耦合理想匹配及投资回报中的决定性作用。
4.3. Hybrid machine learning model-based results
RFR代理模型表现出色，平均R2达0.9196，MAPE仅0.78%，温度分类准确率92%。在计算性能上，相较于物理基模型，混合代理模型使全年模拟提速6倍，次日预测调度更是加速200倍（纯推理模式）。误差分析显示次日预测误差低于1.5%。三地验证表明，尽管法国奥代洛年辐照度比瑞典隆德高48%，但产氢仅多33%，这归因于HJT的3二极管模型捕捉到的低温高辐照下开路电压提升，使奥代洛脱离低效亚阈值状态更快，STH效率达15.53%。此外，通过RFR可动态调整Np（不仅依赖辐照度，也随温度变化）和TPEM，实现了不同地点下连续的恒等氢气输出（如隆德0.170 kg H2h-1）。
4.4. Comparative performance and system advantages
本研究的STH效率（15.44%–15.53%）与静态最佳直接耦合（94%–95%电能转移效率）相当，但本方案允许动态重构并将PV超配比限制在1.25。与传统依赖迭代求解器的设计阶段优化不同，该RFR代理模型将系统配置从设计活动转变为可行的实时能源管理策略，且保持了物理模型的高保真度。
5. Conclusions
本研究成功构建了一个针对可重构HJT PV-PEM电解槽系统的多目标优化框架。通过结合动态重构、I-V曲线校验和NSGA-II，确定了平衡产氢、效率与损失的优化配置。进一步引入基于CRITIC权重的确定性优化，使运行规划符合实际决策优先级。核心突破在于混合代理模型（RFR + k-d树）的应用，它将计算时间从天缩短至小时级，支持全年优化及数字孪生（Digital Twin）实时控制。该方法在三个地理差异显著的地点均维持了约15.5%的稳定STH效率。未来研究将纳入组件降解、可变经济条件及强化学习（RL），以迈向全自主、自适应、离网的可再生制氢运行。
综上所述，Diamantis Almpantis等人的这项工作不仅解决了直接耦合PV-PEM系统中PV与电解槽特性动态匹配的顽疾，更通过机器学习代理模型巧妙规避了复杂多目标优化带来的计算桎梏。这一研究意义深远：它证明了在无需额外功率电子设备的情况下，通过智能重构与数据驱动控制，离网绿氢生产可以达到近乎最优的物理性能，且具备走向实时化、规模化部署的潜力，为全球分布式氢能基础设施的建设提供了重要的理论与技术蓝图。
