《Journal of Energy Storage》：A learning-based approach for optimizing compressed air energy storage operation
编辑推荐：
电气化和间歇性可再生能源的日益集成重新定义了现代电力系统，需要先进的能源存储系统管理方法。压缩空气储能（CAES）提供了一种有前景的解决方案；然而，在变化负载条件下保持高效率仍然具有挑战性，特别是当CAES系统很少在设计条件下运行，必须持续适应波动负载和可再生
电气化和间歇性可再生能源的日益集成重新定义了现代电力系统，需要先进的能源存储系统管理方法。压缩空气储能（CAES）提供了一种有前景的解决方案；然而，在变化负载条件下保持高效率仍然具有挑战性，特别是当CAES系统很少在设计条件下运行，必须持续适应波动负载和可再生能源输入时，其中压缩机、涡轮机和热交换器之间的多个耦合热力学变量必须同时调整以维持高效和稳定的运行条件。本研究开发了一种基于学习的方法，使用神经网络控制微分方程（Neural CDE）模型来准确复制CAES在充电和放电模式下的行为。模型预测了各种运行条件下的关键性能参数，R2值超过0.999，所有变量的出口温度平均绝对误差（MAE）低于0.075 K。鲁棒性测试进一步表明，模型在显著不同的环境条件下保持预测精度。超参数分析表明，预测性能对训练轮次、控制路径时间点和学习率高度敏感。训练后的模型被嵌入优化框架，并应用于混合风-柴油-压缩空气储能运行的模型预测控制（MPC）方案，在噪声预测条件下保持荷电状态（SOC）偏差低于1%。
随着可再生能源在电力系统中的集成度不断提高，电网稳定性面临严峻挑战，能源存储系统成为关键支撑技术。压缩空气储能（Compressed Air Energy Storage, CAES）因其大规模和长时存储能力，被视为提升电网灵活性的有前景方案。然而，CAES系统在实际运行中很少处于设计工况，必须持续适应波动负载和可再生能源输入，其运行涉及压缩机、涡轮机和热交换器之间多个耦合热力学变量的复杂协调，传统物理模型通常需要迭代求解程序以确保热力学和运行约束，这使得实时优化和控制变得困难。多个绝热CAES项目未能达到预期性能或被中止，凸显了在非设计条件下维持高效运行的挑战。为此，研究人员开展了基于学习的CAES运行建模和控制研究，利用神经网络控制微分方程（Neural Controlled Differential Equations, Neural CDE）模型，旨在准确捕捉CAES的非线性动态并集成到优化和预测控制框架中，以提升系统在不确定环境下的运行效率和鲁棒性。本研究发表在《Journal of Energy Storage》期刊，为CAES与可再生能源集成系统提供了数据驱动的建模和控制新范式，具有重要的理论和实践意义。
研究人员采用的主要关键技术方法包括：首先，开发基于Neural CDE的学习模型，通过数据驱动方式近似CAES在充电和放电模式下的非线性动态，利用连续时间表示处理时间序列输入；其次，将训练后的Neural CDE模型嵌入优化框架，结合混合整数线性规划（MILP）进行系统调度；最后，集成模型预测控制（Model Predictive Control, MPC）方案，以实现自适应实时运行。研究基于加拿大北部Kuujjuaq社区的风速和需求数据进行验证。
研究结果部分包括以下方面：
首先，Neural CDE模型结果表明，通过使用热力学模拟数据训练的模型，在充电和放电模式下均能高精度预测CAES性能参数，如空气质量流量、出口温度等，R
2值超过0.999，MAE低于0.075 K，验证了模型对非线性动态的准确捕捉能力。
其次，超参数敏感性和泛化分析显示，模型性能对训练轮次、控制路径时间点和学习率敏感，最优超参数配置下模型在不同环境条件下（如环境温度变化）保持预测精度，展现出良好的鲁棒性和泛化能力。
第三，线性和分段热力学近似评估表明，分段线性近似比单一线性近似更准确地捕捉CAES的非线性动态，有助于在优化中维持一致的SOC轨迹，减少长期漂移风险。
第四，Neural CDE与热力学模型评估比较了Neural CDE模型与物理模型在调度中的表现，两者在操作成本和SOC轨迹上高度一致，证实了Neural CDE作为代理模型的可靠性。
最后，Neural CDE与MPC集成展示了将Neural CDE模型应用于MPC框架，在实时调度中适应噪声预测，保持SOC偏差低于1%，验证了框架在不确定条件下的实用性和适应性。
讨论部分总结了研究的局限性和未来方向：Neural CDE模型基于固定系统架构训练，结构变化需重新训练；当前输入特征有限，限制了直接调节某些热力学状态；模型适用于常压配置，未评估滑压系统。未来研究可扩展输入特征、结合强化学习、纳入预测不确定性量化等。研究结论指出，提出的基于Neural CDE的学习框架能够准确预测CAES性能参数，具有鲁棒性，集成到优化和MPC中可有效管理混合风-柴油-CAES系统，为CAES与可再生能源集成提供了高效的数据驱动建模和控制方法，有助于解决现代绝热CAES系统在非设计条件下的运行挑战。
