氢电解可以促进核能发展

ISTOCK

This articleis part of our exclusive IEEE Journal Watch series in partnership with IEEE Xplore.

2022年，核电站发电量占美国发电量的18% —— 即使该技术已经应用了几十年，但其在效率方面仍然存在缺陷，因为核电站的建造成本很高。更重要的是，他们很难快速提高和降低电力产量，以应对电网能源价格的波动。综合这些因素，核电很难实现盈利。

俄亥俄州托莱多大学电力系统副教授Raghav Khanna致力于“拯救”正在运行但价格没有竞争力的核电站。Khanna说：“当电网需求较低时，向电网出售核能并不是很经济。因此，核电站的能源供应商不会赚大钱。”

Khanna和托莱多大学的其他研究人员创建了一个机器学习模型，以研究核能和氢能联合发电系统的盈利能力，即核可再生综合能源系统。这项研究是与美国能源部爱达荷国家实验室联合进行的，是美国政府扩大绿色氢气市场和增加对电网可再生能源兴趣的更大努力的一部分。

使核能更有利润、更具吸引力的一种方法可能是将核电站与氢电解槽和燃料电池系统集成，以产生和储存氢气。当电网需求较低，电力销售价格低于核电运营成本时，核电产生的电力可以用来生产氢气。当电网需求再次上升时，储存的任何氢气都可以通过燃料电池供应，并转化为电力在电网上销售。Khanna说，这种“基于动态电网定价的各种参与者交易、接收和分配能源”的想法被称为交易性能源。过量的氢气也可以卖给化学品制造商，作为持续反应的原料。

通过围绕能源生产、交换和销售做出复杂的决策，交易性能源有可能增加能源供应商的收入，降低能源消费者的成本。但复杂性也可能是一个不利因素：为了增加利润，系统必须在适当的时刻进行优化，以便在不同的运营模式之间切换，这对动态定价来说可能是一项挑战。

这就是用一种叫做深度强化学习的机器学习建模可以起到帮助作用的地方。在研究中，研究人员在之前建模反式能量系统的基础上，为氢电解槽和燃料电池模型添加了更多的细节。电解槽和燃料电池模型基于固体氧化物氢技术，这是一种很有前途的氢电解和燃料电池新设计，可以使工艺更高效、更具成本效益。

该研究考虑了核电站、电解槽和燃料电池的运行情况，对系统的电压和电流进行了建模。深度强化学习模型通过将发电量与电网需求进行比较，确定了在操作之间切换的正确时间。

Khanna说，做出这些决定需要机器学习，因为电价是一个“移动目标”，受天气、太阳能和风能等其他可再生能源的可用性、位置和时间等变量的影响。

归根结底就是“需求在哪里，供应在哪里”。Khanna表示：“如果它是一个固定的数字，那么你就不需要深度强化学习——你只需要使用一个简单的控制器。”

该模型预测，在120天内，将氢气生产与核能相结合，收入将增加27%。在未来的工作中，托莱多大学的研究人员希望在模型中添加更多细节，例如包括功率转换器的效果和核电站的更精细的表示。

尽管已有清洁能源投资和举措，但仍缺乏利用氢能技术提高能源生产商效率和盈利能力的能源项目。研究人员希望这个模型能成为在物理世界中建立这样一个系统的蓝图。

研究人员于7月在佛罗里达州奥兰多举行的2023年IEEE电力与能源协会General Meeting上介绍了他们的工作（https://ieeexplore.ieee.org/document/10253272）。