基于机器学习的低碳城市废弃物多联产系统优化：氢能与甲烷生产的能量-?效率协同提升

《Energy》：Design, performance assessment, and machine learning-driven optimization of a novel low-carbon urban waste-to-x polygeneration system: multi-scenario analysis of hydrogen and methane production

本研究针对城市能源需求增长、废弃物累积及温室气体排放等挑战，提出了一种集成市政固体废弃物气化、碳捕集与利用、质子交换膜电解制氢及甲烷化的创新多联产系统。通过耦合燃气轮机、超临界CO2、卡林纳、有机朗肯和蒸汽朗肯循环，系统实现了电能、区域供热、氧气、氢气和甲烷的协同生产，并实现87%的CO2捕集率。采用机器学习辅助的多目标灰狼优化器后，系统能量效率提升至49.5%，?效率达53.6%，为城市资源循环利用提供了近零排放的解决方案。

　　

在全球人口增长和工业化进程加速的背景下，能源需求持续攀升，导致对化石燃料的依赖加剧，温室气体排放和全球变暖问题日益严峻。为应对这一挑战，《巴黎协定》设定了2050年实现碳中和的宏伟目标。向可再生能源转型被视为实现该目标的关键策略，而城市固体废弃物作为生物质能源的一种，为城市发电提供了宝贵机遇。通过利用市政固体废弃物，不仅能满足能源需求，还能通过减少填埋量来减轻环境污染。然而，可再生能源供应的不稳定性要求整合储能系统以确保可靠性，而通过电解水制氢以及生物甲烷等替代燃料的合成，可为能源间歇性问题提供有效的长期存储方案。

在此背景下，Mohammadreza Babaei Khuyinrud等人于《Energy》发表研究，提出了一种新型低碳城市废弃物多联产系统。该系统创新性地整合了生物质气化、燃气轮机、超临界CO₂循环、卡林纳循环、有机朗肯循环和蒸汽朗肯循环，并耦合了先进的废水处理、碳捕集、质子交换膜电解和甲烷化技术。该系统可同时生产电力、区域热能、氧气、氢气和甲烷，通过将多向量燃料生产与近零排放相结合，超越了典型的废弃物发电方式。

为开展研究，作者综合运用了多种关键技术方法。研究建立了系统的热力学模型，使用Engineering Equation Solver进行模拟，并利用Aspen HYSYS处理废水处理和CO₂捕集子过程。通过详细的能量和?分析评估系统性能后，采用机器学习辅助的多目标灰狼优化算法对系统进行优化，以同时最大化效率、减少排放并提升整体可持续性。系统以市政固体废弃物为原料，集成了燃气轮机循环、超临界CO₂动力循环、卡林纳循环、有机朗肯循环和蒸汽朗肯循环等多个动力子系统，并配备了单乙醇胺化学吸收法碳捕集单元、质子交换膜电解制氢装置以及甲烷化反应器。

3.1. 数学建模部分详细描述了系统的热力学模型。研究基于质量和能量守恒定律建立了各组件的数学模型，并采用?分析评估系统的不可逆损失。对于生物质气化过程，模型考虑了气化反应平衡、元素平衡和能量平衡关系，能够预测合成气的组成和特性。

3.2. 多目标优化部分介绍了优化方法。研究通过敏感性分析确定了对系统性能影响最大的参数，然后使用人工神经网络建立代理模型，并应用多目标灰狼优化器同时最大化能量效率、?效率和氢气产率三个目标函数。

4. 结果部分展示了系统性能评估结果。在基准运行条件下，系统实现了35.0%的能量效率和39.9%的?效率，净发电量为3510 kW，供热1310 kW，日产氢131.6 kg、氧气2106 kg和甲烷296.3 kg，同时捕获87%的CO₂排放。?分析表明，生物质气化炉是主要的?损源(8014 kW)，而混合器和分流器实现了最高的?效率(>99.0%)。

优化后系统性能显著提升，能量效率和?效率分别提高至49.5%和53.6%，氢气、氧气和甲烷产量增加23.0%。在燃料生产模式中，纯氢生产情景实现了最高效率。集成碳捕集与利用使系统能够将捕获的CO₂与产生的H₂转化为可储存的甲烷，直接解决了可再生能源间歇性和氢储存限制问题。

4.5. 多目标优化部分比较了四种优化算法的性能，发现灰狼优化器在收敛性和多样性方面表现最佳。LINMAP方法从Pareto解集中选出了最平衡的解决方案，使系统在多个目标间取得了良好折衷。

4.6. 优势、挑战与实施前景部分讨论了该多联产框架的实用价值。与现有技术相比，该系统独特地整合了市政固体废弃物和废水处理与先进碳捕集利用技术，实现了近零排放运行，同时联产电力、热能、氢气、甲烷和氧气。尽管碳捕集单元的高压压缩机消耗了系统产生电力的相当大部分，降低了效率并增加了运营成本，但持续的技术进步有望在未来提高性能并降低成本。

研究结论部分强调，该集成方法为可持续城市资源管理提供了全面而灵活的选择。通过将多种废弃物流与先进的热回收和机器学习优化相结合，该系统在能量效率和环境可持续性方面表现出色，为城市环境中的废弃物增值、资源回收和减排目标提供了一条可行路径。未来的研究应侧重于量化这些经济和环境指标，探索各种规模和应用场景，并解决社区接受度和就业创造等社会和经济挑战，以增强本研究的广泛相关性。