原文信息：
Optimization of Solid Oxide Electrolysis Cells Using Concentrated Solar-Thermal Energy Storage: A Hybrid Deep Learning Approach
原文链接：
https://www.sciencedirect.com/science/article/pii/S0306261924019937
Highlights
（1）将太阳能高温集储热用于可逆固体氧化物电池
（2）将物理模型和AI相结合用于过程动态优化
（3）耦合储热装置后电池内部温度波动可降低53%
（4）提出基于平衡输出和运行安全的控制策略
（5）提高了系统对波动可再生能源输入的响应能力
Research Gaps
这项研究为可逆固体氧化物电池系统的实时优化和控制提供了一种开创性的方法，耦合高温太阳能集储热推动可持续的能源转换，提高了可靠性和经济可行性，即使在动态操作条件下也能实现精确和快速的预测能力。
Abstract
The Solid Oxide Electrolysis Cell (SOEC) represents a cutting-edge solution for the conversion of CO2 and H2O into syngas, offering significant economic and environmental benefits. However, the process requires substantial high-temperature heat inputs, traditionally supplied by electricity. This study introduces a novel approach leveraging concentrated solar radiation as a renewable heat source for SOEC, addressing the challenge of its inherent fluctuations through the integration of Thermal Energy Storage (TES) systems. We propose a hybrid model that combines multi-physics simulation with a deep learning algorithm, enabling rapid optimization of the electrolysis process under real-time direct normal irradiance conditions. Our findings demonstrate that the inclusion of TES within the system architecture results in a remarkable 53% reduction in temperature variation rate at the SOEC inlet, ensuring operational stability and efficiency. Furthermore, by fine-tuning capacity parameters, we have developed a control strategy that harmonizes efficiency with safety performance. The robustness of our system is underscored by its resilience to step changes, achieving a 75% reduction in temperature fluctuations. This research contributes a pioneering method for the real-time optimization and control of SOEC systems, harnessing the power of TES to drive sustainable energy conversion with enhanced reliability and economic viability, facilitating precise and swift predictive capabilities even under dynamic operating conditions.
Keywords
Solid oxide electrolysis cell固体氧化物电解池
Concentrated solar聚光式太阳能
Thermal energy storage热化学储能
Deep learning 深度学习
Dynamic optimization 动态优化
Graphics
图1. （a）耦合系统的流程图及实时测得的10小时DNI数据;（b）TES的有限差分动态模型;（c）吸热器的有限差分动态模型。
图2. （a）系统图（分别标记为橙色、浅蓝和深蓝色）;（b）系统1的聚光式太阳能吸热器入口温度、热化学储罐出口温度和系统2的电加热功率随时间变化曲线;（c）SOEC入口温度随时间变化曲线（耦合TES前后）。
图3.（a，b）不同空气流率和水摩尔比下SOEC输出功率随时间的变化曲线；（c，d）不同空气流率和水摩尔比下氢碳比随时间的变化曲线；（e，f）不同空气流率和水摩尔比下的平均PtG效率和电效率。
图4. （a）优化前后系统的电解效率和SOEC单电池产热量随时间的变化曲线；（b）优化的控制策略下空气流率和混合气中水的摩尔比随时间的变化曲线。
图5. 耦合系统各参数对不同阶跃信号的响应：1.5 DNI（1.5倍的阶跃信号）、0.5 DNI（0.5倍的阶跃信号）分别持续10/20分钟每小时。（a），（b）&（c）聚光式太阳能吸热器出口温度、热化学储罐出口温度和SOEC输出功率；（d）不同的热化学储罐出口温度下SOEC的阳极入口温度随时间的变化曲线（出是温度分别为1073K和873K）。
团队介绍
本研究由浙江大学，德国Bielefeld大学，香港理工大学的研究人员共同完成。
通讯作者简介：
徐浩然，博士，浙江大学特聘副研究员，主要从事基于可逆固体氧化物电池技术（rSOC）的能源高效转化与储存研究，目前已发表第一/通讯作者论文100余篇，谷歌学术总引用3800余次，h指数35，i10指数76，并多次受邀报告。
第一作者简介：
柳宏巍，硕士，从事基于人工智能的固体氧化物电解池系统优化和热管理研究。
关于Applied Energy
本期小编：夏元兴；审核人：徐浩然
《Applied Energy》是一本专注于ENERGY & FUELS领域的Multi-Language学术期刊，创刊于1975年，由Elsevier BV出版商出版，出版周期Monthly。该刊发文范围涵盖ENERGY & FUELS等领域，旨在及时、准确、全面地报道国内外ENERGY & FUELS工作者在该领域的科学研究等工作中取得的经验、科研成果、技术革新、学术动态等。该刊已被SCIE数据库收录，在中科院JCR最新升级版分区表中，该刊分区信息为大类学科工程技术1区，2023年影响因子为10.1。全部论文可以免费下载。在《Applied Energy》的成功经验基础上，致力于发表应用能源领域顶尖科研成果，并为广大科研人员提供一个快速权威的学术交流和发表平台，欢迎关注！
公众号团队小编招募长期开放，欢迎发送自我简介（含教育背景、研究方向等内容）至wechat@applied-energy.org
点击“阅读原文”
提交文章吧
喜欢我们的内容？
点个“赞”或者“再看”支持下吧！
