基于空间和时间融合模型在波动燃料类型和处理选项下的生物气固体氧化物燃料电池厂的性能预测和评估

科学领域:

• 能源系统工程 能源系统工程
• 人工智能在能源中的作用
• 可再生能源技术可再生能源技术

背景情况:

• 固体氧化物燃料电池 (SOFC) 是高效的绿色电源,但复杂的系统动态阻碍了性能预测.
• 准确的SOFC性能估计对于优化系统设计和对各种应用程序进行参数灵敏度分析至关重要.
• 生物气为燃料的热电联产系统由于燃料组成的波动和复杂的反应路径而面临独特的挑战.

研究的目的:

• 设计和模拟电解质支持的SOFC系统,在不同的燃料条件下进行生物气联合发电.
• 开发和评估用于预测SOFC堆电压和性能的先进AI模型.
• 为了比较不同的阳极再循环方案 (热和冷) 和改革方法,以获得最佳的系统设计.

主要方法:

• 两个SOFC系统布局的概念设计,具有不同的阳极循环 (热/冷) 和改革策略.
• 在波动的沼气燃料输入条件下模拟SOFC性能.
• 长短期记忆 (LSTM),1D卷积神经网络 (1DCNN) 和一个集成的CatBoost模型用于性能预测的应用.

主要成果:

• 集成的CatBoost模型显著提高了冷循环方案的预测准确性,R平方从0.5增加到0.8.
• 根平均平方误差 (RMSE) 和平均绝对误差 (MAE) 降低了44%,平均绝对百分比误差 (MAPE) 降低了29%.
• 聚变算法在热循环方案中表现出优异的预测性能,特别是在定期训练数据中.

结论:

• 拟议的AI驱动预测模型有效评估SOFC系统输出,而不需要物理实验.
• CatBoost集成器成功地结合了时间和空间数据,克服了静态聚变方法的局限性.
• 即使使用复杂,波动的燃料输入,也可以实现准确的SOFC性能预测,提高系统设计和可靠性.