一种面向未来能源系统的综合能源架构—基于能源多板块智能耦合的绿色能源系统ENSYSCO
作者简介:
侯正猛（1963—），男，教授，博士. 研究方向：二氧化碳封存；油气、地热资源开发；大规模地下储能；碳中和等. E-mail：hou@tu-clausthal.de
侯正猛，四川阆中人，能源与岩石力学专家，1983年毕业于昆明理工大学采矿工程专业。德国克劳斯塔尔工业大学教授、中德清洁能源创新平台德方负责人，四川大学与克劳斯塔尔工业大学联合成立的中德能源研究中心德方首席科学家，郑州大学与克劳斯塔尔工业大学联合成立的中德碳中和与绿色发展研究院院长。欧中氢能和燃料电池协会副理事长，中国（德国）研发创新联盟碳中和与能源转型专业委员会主任委员。长期致力于油气与地热开发、深部岩石力学的理论研究与工程实践，特别在盐岩力学方面成果突出，在德国最早建立了描述盐岩蠕变、膨胀、损伤和损伤恢复特性的HOU/LUX本构模型，开拓了盐岩损伤力学研究新领域。在非常规油气和干热岩开发领域，建立了三维压裂的多物理场耦合和支撑剂运移等模型，形成了一套三维仿真压裂软件包，实现了压裂和生产全过程的优化设计。在CO2地质利用与封存领域，研发了抗CO2的全新封井技术，并于2009—2011年在德国Altmark气田的现场试验得到了充分验证。近年来，在碳中和与能源转型领域提出了创新性理念与构想，并在可再生能源地下大规模储存领域进行了深入探索，取得了重要进展。已发表论文250余篇，出版英文和德文专著10部及中文专著1部，主编国际会议论文集5部。
通信作者:
An Integrated Framework to Better Fit Future Energy Systems—Clean Energy Systems Based on Smart Sector Coupling (ENSYSCO)
-
摘要: 为避免大量温室气体排放导致的剧烈气候变化给全球发展带来难以估量的破坏性影响，当今世界的大部分国家正迅速提升其能源生产中可再生资源的比重，以加速能源转型并实现在21世纪中叶达成碳中和的承诺。然而，旧有的能源系统在形成之初并未考虑对可再生资源的大规模融合，因此在面对此类资源具有的间歇、波动与随机等特性时，其往往较为脆弱。基于对既往智能电网技术和德国提出的能源利用多板块耦合技术进展的总结，同时考虑到大规模地下储能的潜力和基于人工智能的监控、分析和预测的广泛应用，作者提出了一种基于智能多板块耦合的清洁能源系统（clean energy systems based on smart sector coupling，ENSYSCO）的面向未来的综合能源架构。首先，ENSYSCO架构通过对电力多元转换/逆转技术（power-to-X-to-power）的应用将能源的生产、消费和存储3大板块紧密耦合在一起。大规模地下储能的引入在大幅提升系统冗余度及灵活性的同时，也令所在国家或地区获得了更加充沛且稳定的能源储备。其次，未来能源系统中出现的各种功能复合体会导致更复杂的供需关系，同时也迫切需要与之适配的多元运输网络。物理与数据混合驱动的轻量化人工智能方法既赋予管理系统强大分析、决策和反馈能力，也令整个系统的运转更高效、坚固且节能。最后，ENSYSCO架构中以地下抽水蓄能为代表的大多数技术都已足够成熟，并且可以立即投入工业化应用。对可再生增强型地热系统和人工智能管理系统的进一步研究，将有助于ENSYSCO架构推动中国更快、更好地实现碳中和目标。Abstract: In order to avoid the severe climate changes caused by a large amount of greenhouse gas emissions from bringing destructive impact on global development, most countries are rapidly increasing the proportion of renewable resources in their energy production to accelerate the energytransition and realize the commitment of achieving carbon neutrality by the middle of this century. However, the legacy system did not consider the large-scale integration of renewable resources at the beginning of its formation. Therefore, it is often vulnerable to the intermittent, fluctuating and random characteristics of such resources. In this paper, based on the summing upand development of the smart grid and the sector coupling concept of energy utilization raised by Germany, and taking into account the widespread adoption of large-scale underground storage and AI-based (artificial intelligence) monitoring, analysis and forecasting, an integrated future framework named clean energy systems based on smart sector coupling (ENSYSCO) is proposed. Firstly, ENSYSCO closely couples the three sectors of energy’s production, consumption and storage through applying the power-to-X-to-power techniques. The introduction of large-scale underground storage on one hand greatly improves the redundancy and flexibility of the system, on the other hand enables the regions to obtain a more abundant and stable energy reserve. Secondly, various functional complexes within the future energy system lead to more complex supply-demand relationships, and at the same time, there is an urgent request for proper transport grids. The lightweight AI method driven by the hybrid of physics and data not only endows the governance system powerful analysis, decision-making and feedback capabilities, but also makes the operation of the entire system more efficient, robust and energy-saving. Finally, most of the techniques in the ENSYSCO framework, e.g. the pumped-storage hydroelectricity in mines (PSHm), are mature enough and can be put into industrial applications immediately. Further research on the regenerative enhanced geothermal system (REGS) and the AI governance will help ENSYSCO to promote China’s achievement of carbon neutrality more effective.
-
过去100年中，基于化石燃料的老旧能源系统向大气中排放了大量温室气体，由此导致的全球气温升高[1]进一步引发了如冰川融化、海平面上升[2-4]和更多的极端天气（异常高温、干旱、洪水和超级风暴等）等灾难性后果[5-9]。能源需求及其消耗率的不断攀高也令可供利用的化石燃料储备降低到一个非常危险的水准[10]。由此，采用清洁的可再生能源逐步代替化石能源成为了世界能源领域发展与转变的必然趋势。许多国家都在努力提升其能源结构中可再生能源的比重，例如，在中国可再生能源占电力总消耗的比重已达26.4％[11]，在美国可再生能源消耗占电力消耗的比重18％[12]，而在德国可再生能源消耗电力消耗的比重则达到了42％[13]。
但是，可再生能源份额的迅速提升也使得能源系统面临着巨大的风险。水能、风能和太阳能是目前最主要的3种可再生能源类型，其生产对气象条件的高度依赖决定了基于其进行的能源供给具有强烈的时空波动性。这使得绝大多数国家都因为缺乏储能能力和先进的管理方法而遭受弃电问题的困扰，例如，中国在2018年全年弃水（电）691亿kW·h，弃风（电）277亿kW·h，弃光（电）54.9亿kW·h[14]，同时，短时产能过剩导致的负电价也时常出现在德国的电力市场中[15]。换言之，迫切需要一种面向未来的先进架构来加大对大幅增长的可再生能源的消纳能力，从而最终形成以可再生能源为主的新型能源系统。
现有的能源体系已存在了百年之久，即使在20年前，电力网络这一重要的能源基础设施仍保留着最初的缺点，如缺乏自动化的分析且可观性差等[16]。随着全球电力需求的持续增长，例如，1991—2011年间美国的电力消耗以年均2.5％的速度不断攀升[17-18]，集中发电和老旧的管理系统已不再适应新的时代。随着碳中和目标的提出，人们更加坚信应进一步减少温室气体的排放[19]。这意味着化石能源需要尽可能地被可再生能源取代。然而，无论是可再生能源本身强烈的随机性及由此导致的电力生产在时空上的不均衡与波动性，还是消费者需求表现出的高动态性，都迫使新的能源系统变得更具可感知性，并能够灵活适应更复杂的情况。为了应对这些问题，能源行业提出了两个全新的概念，即智能电网[16]和多板块耦合[20]。
智能电网（smart grid）的雏形最早出现于20世纪末。在经历了数十年的发展并融合了众多先进理念后，其核心内涵变得更丰富[16]。通过引入先进的信息与通信技术（information and communications technology，ICT），例如，使用传感器网络获知系统的实时状态[21-22]并进行有效的整合、分析，智能电网能够及时调整电力的生产和输运计划。因此，智能电网可以更好地融合稳定性较差的可再生能源。在最近十年的发展过程中，为了进一步提高其鲁棒性，研究人员还引入了小型的储电单元，并提出了微电网等概念。这些新元素的加入都使得智能电网更为智能与坚固。能源利用的多板块耦合（sector coupling）是德国工业界近十年来提出的另一个创新概念。由于交通及制热/制冷板块的转型进度远远落后于电力板块，德国政府迫切希望将该国在电力系统中的转型优势迅速而直接地引入到其他板块中[20]。然而，多板块耦合并不仅仅意味着其他板块直接电气化，与之相关的还有电力的多元转换技术（power-to-X）的使用。通过多元转换技术，能源系统可以迅速地将电力板块中的过剩能量转换为其他形式，如热能和化学能。由此，多板块耦合在极大地促进了电力消纳的同时，也使得交通和制热/制热板块能够直接从可再生能源发电份额的大幅提升中获益。可以说，多板块耦合概念的提出既考虑了能源消费板块的整体转型，也进一步增强了系统的灵活性。
尽管智能电网和多板块耦合都在一定程度上降低了可再生能源不稳定性带来的影响，但仅是针对能源系统中的一部分群体[16,20]。ICT和小型储电单元的引入虽使得智能电网更具弹性，但天气变化所导致的生产与消费间的供需不平衡仍难以消除。同样地，多板块耦合的提出最初仅是为了加速能源消费的整体转型，早期的大量研究均是围绕该目的展开。因此，两者的研究既没有考虑过对过剩能量的大规模储存，也并未想到以非电能的形式存储能量随着计算机科学的飞速发展，人工智能（artificial intelligence，AI）和数据加密（data encryption）技术在过去数十年中取得了巨大进步。使用物理与数据混合驱动的深度神经网络为能源系统进行更加轻量化的建模（如“数字孪生”）已成为可能[23-24]。由此，本文提出了一种基于智能多板块耦合的清洁能源系统（clean energy systems based on smart sector coupling，ENSYSCO）的面向未来的综合能源架构（integrated framework）。其基本思路是采用先进的AI技术和加密结算方法以更好地整合能源系统中的输运网络及生产、储能和消费板块。同时，地下储能的引入也有助于实现可再生电力的大规模稳定存储和高效利用。通过对该架构及其中不同节点和调控策略的详细规划与构想，将能够更好地帮助未来的能源系统实现对可再生能源的融合，以达成最终的碳中和目标。
1. ENSYSCO的基本构想
电能及热能一直被认为是两种非常重要的能量形式。在可再生能源占据主导的未来能源系统中，风电场、光伏电站或太阳能集热器所生产的电能或热能都将被直接导入能源的输运网络（电网/供暖网络）。由此，未来能源系统必须直面可再生能源的一系列不友好特性，如随机性、间歇性及时空分布的不均匀性等。为此，ENSYSCO综合能源架构设计了由能源3大板块、高效输运网络和先进管理系统构成的3层式架构，见图1。同时，为了更好地应对可再生能源的大规模使用，基于完备ICT网络和电力多元转换/逆转技术（power-to-X-to-power）的耦合机制也将使能源的生产、消费和存储3大板块紧密地连接在一起。进一步的，考虑到直储技术（电池、储热罐等）有限的储能能力及其在高强度工作时的安全性，大规模地下储能将被引入并发挥重要作用。这一设定在大幅提升能源系统冗余性和灵活性的同时，也将令所在国家或地区获得更加充沛且稳定的能源储备。
图 1 ENSYSCO综合能源系统的3层式架构Fig. 1 Three-layer-framework of the ENSYSCO
下载:
全尺寸图片
另外，需要关注的是ENSYSCO架构中复杂的供需关系和多元化的输运网络。在未来的能源系统中，能源的生产设施也可能成为高效的储能设备，不同节点间的供需关系时刻都在发生改变。同时，系统中的各主要板块都将是分布式的。尽管电网仍然被认为是最主要的输运网络，但其他形式的能量载体，如氢气（H2）或由其参与制成的甲醇（CH3OH），也可以通过专门的气体和液体输运网络进行输运（图1）。所有这些复杂的过程，都需要强大的反馈、分析和决策系统才能进行有效的管理，毫无疑问，高智能的管理系统也是ENSYSCO架构设计中最具挑战性的部分。半物理驱动的深度神经网络[25-26]为构建管理系统提供了一种切实的解决方案，该方法是一种由先验物理信息与系统实时数据混合驱动产生高效能预测网络的AI技术，使得更轻量化且精确的系统仿真成为可能。同时，数据加密的引入将使得交易数据难以被篡改。所有这些先进的信息技术都将令ENSYSCO的运转更为高效、坚固且节能。
2. ENSYSCO中的节点和管理系统
下面将详细介绍ENSYSCO中的各大板块及管理系统。完全分布式的多能互补机制、基于先进AI方法的智能监管系统及强大的大规模地下储能是ENSYSCO架构最显著的特征。
2.1 生产板块及其节点
过去，以石油、天然气为代表的化石能源均是从其赋存矿藏中直接被开采出来，随后根据实际需求进行加工、存储以至最终的能源供给。然而，未来能源系统的一个显著特征是可再生能源的分布式生产（图2）。依据环境条件的差异，不同类型的可再生能源电站将被安置在更具有产能潜力的地理位置。同时，这些电站仅会在气象条件较为理想时产出电能或热能。因此，ENSYSCO必须被设计为一个多能互补的架构。如此一来，即使是同一消费者，其获得的能源供应也可能来自不同的生产节点。ENSYSCO通过将各类设施生产的电能和热能在输运网络中进行整合，进而提供给对其有需求的消费节点（用户）。
图 2 基于ENSYSCO架构的综合能源系统概览Fig. 2 Overview of the integrated energy system based on the ENSYSCO framework下载:
全尺寸图片
与此同时，ENSYSCO架构中的某类生产节点将具有比其他节点更丰富的功能，例如，可再生的增强型地热系统（regenerative enhanced geothermal system，REGS），在从地底汲取热量进行发电或者供热的同时还能作为一个强大的储能节点。并且，其自身的生命周期也将得到有效延长。在ENSYSCO系统的最初构建中，对于那些能源消耗巨大的国家，可以引入REGS和清洁化的化石能源电厂（即应用了整体煤气化联合循环发电技术和碳捕集、利用与封存技术）作为系统的储备能源。化石电厂的燃料则来源于通过多余电能生产的氢气与被捕获的二氧化碳一起进行甲烷（人造天然气）/甲醇合成。
2.2 消费板块及其节点
更高程度的电气化是未来能源消费的一个重要特征。与氢有关的能量载体（氢气、甲烷和甲醇等）及热能则将成为电力能源之外的重要补充。如第2.1节所述，ENSYSCO中的能源供需是复杂且高度动态化的。家庭地热、太阳能及储能设备的出现使得过去仅作为消费节点的各类建筑也具备了生产与储能的功能。结合微电网[27]和燃料电池[28]等技术，消费板块将涌现出一系列具备了生产、消费、储能乃至输运能力的功能复合体（图2）。
基于智慧能源的被动建筑（smart energy passive building）的示意图见图3，其能耗将远低于传统建筑设计。在适当情况下，这种智能建筑甚至可以实现向外供能。如图3所示，此类智能建筑的能源需求将主要由其附属的可再生能源生产设备供给，例如，浅层地热系统（shallow geothermal system）和太阳能屋顶（solar roof）等。一旦出现暂时无法消耗的过剩能量，智能终端将决定是将其储存在附属的储能设备中，还是上网向外供能。然而，当生产条件不够理想且自身的储能无法完全满足需求时，智能建筑将无法实现能源流通的闭环。借助边缘计算[29-31]和轻量级的AI算法，智能终端可以在对实时和历史的能源价格进行分析后以较低的价格购入电能或热能并将其存储起来。因此，以智能被动房屋为代表的功能复合体的出现在技术上将是可以实现的，并且在商业上也是符合期望的。
图 3 集能源的生产、存储和消费板块于一体的智能能源被动房屋Fig. 3 Smart energy passive house combining production, storage and consumption sectors下载:
全尺寸图片
在交通领域，未来的氢能源汽车也可视为融合了生产、消费、储能及输运能力的功能复合体。氢能源汽车通过燃料电池（化学能转化为电能）获得动力，而纯电动汽车并不具备能源生产能力。在更为理想的条件下，其还可以决定是否将产生的电力反输回电网中。
2.3 储能板块及其节点
功能复合体的出现使得ENSYSCO中的储能节点也将是分布式的。尽管智能房屋等的附属储能设备在一定程度上满足系统的储能需求，ENSYSCO架构的储能核心是以电力多元转换/逆转技术为基础的大规模地下储能。
未来的能源系统将不再依赖稳定的化石能源。因此，ENSYSCO需要一套切实可行的方案来解决系统的大规模、长周期、高效率、低成本储能问题，这主要是为了确保能源安全和解决以可再生能源为主的新型电力系统的稳定运行瓶颈问题。例如，德国拥有约8 300万人口，需要超过5.5 GW的储备[32]来确保其冬季的能源供应。表1展示了不同储能技术所能实现的容量及存储时长。如表1所示，在各种储能方式中，以电转气为代表的3个大规模地下储能具备GW以上的储能容量。但是，仅有电转气技术的储能时间可以长达数年，比地面设施的储能时间更长。此外，大规模地下储能技术还具有较高的安全性和较低的单位成本[33]。因此，选择大规模地下储能作为核心解决方案是必然结果。
表 1 不同储能技术所能实现的容量及存储时长[33]Table 1 Capacities of different energy storage technologies and the corresponding storage-time[33]储能技术 储能规模 储能时长 高能量密度超级电容 >1 kW～<100 kW min 电池：
锂离子电池、钠硫电池、
高级铅酸电池、液流电池等>1 kW～<10 MW min、h 高功率超级电容 >10 kW～<10 MW >10 s 高功率飞轮 >10 kW～<10 MW >10 s 压缩空气储能 >10 MW～<10 GW h、d、周 抽水蓄能 >10 MW～<10 GW 周 电转气：
氢气、合成天然气>100 MW～<100 GW 周、a 根据能量的不同存储形式，地下储能技术又可以细分为4类（图4），分别对应了不同的多元转换/逆转技术。第1类是将电能转换为水等储能介质的重力势能，一个突出的例子是地下抽水蓄能（underground pumped-storage hydroelectricity，UPSH）。第2类也被称为电转氢，其指导思想是：利用多余的电力通过电解水制氢并直接将其存储在地下；同时，氢气拥有多种利用方式：作为交通能源供给加氢站、作为还原剂取代焦炭用于炼铁炼钢等、作为燃料富氧发电、作为化工原料再加工（如氢气与捕获的二氧化碳一起可以合成人造天然气/甲烷或甲醇）。第3类是将多余电力转换为热能和气体的分子势能，由于与电转氢的工作原理完全不同，该技术被称为压缩空气储能（compressed air energy storage，CAES）。第4类是基于电转热的REGS。REGS是具备了电能/热能生产和储存能力的功能复合体，其工作原理是：在系统没有出现多余电力时，REGS将作为普通的地热电站产出电能和热能；当需要储能时，加压后的换热介质将被加热并重新注入天然热藏中；注入的能量将有助于热场的恢复，从而延长了REGS的生命周期。
图 4 ENSYSCO系统中不同类别的大规模地下储能技术Fig. 4 Different categories of underground energy storage techniques in ENSYSCO system下载:
全尺寸图片
2.4 基于轻量化AI的系统管理与通过区块链进行的数据加密
基于半物理驱动深度网络和联邦学习[34-35]的AI系统管理是ENSYSCO的另一种关键技术。极度复杂且高度动态化的未来场景将使得单纯依靠人力的系统分析及管理难以进行。尽管ENSYSCO已将ICT和自动化技术运用到输运网络和各类节点中，但最新的AI技术可以更好地实现对生产、消费和储能板块的仿真、分析及管理。
ENSYSCO引入了由Lagaris等[36]提出的用于求解常/偏微分方程（组）的神经网络方法。首先，该方法使用了微分方程提供的精准的先验知识以训练深度神经网络（deep neural network，DNN）。然后，深度网络将继续基于联邦学习方法并由系统的实时运行数据驱动以进行学习（图5）。由此，相比于传统的数值方法，人工智能方法的仿真和预测能力得到大幅提升，可以作为一个更为轻量化的AI管理系统。
图 5 一个受物理定律约束的可训练神经网络的示意图（以2维的纳维斯托克斯方程为例）Fig. 5 Schematic diagram of a trainable neural network restricted by physical laws (the 2-D Navier–Stokes equations as example)下载:
全尺寸图片
3. ENSYSCO中的关键创新
在最初的设计过程中，ENSYSCO架构吸收了许多智能电网和能源利用多板块耦合的既有经验。而在进一步形成这一架构的核心思想时，本文依据专业知识和未来场景中的实际需求，为ENSYSCO整合了更多有益于系统稳定性与能源安全性的先进方法。这些方法是ENSYSCO的创新所在。
3.1 能源的大规模地下存储
3.1.1 可再生增强型地热系统REGS
在以往的增强型地热系统建造过程中，开发人员都是简单地在目标热藏中建构垂直方向的注入井与生产井，再运用水力压裂等工程方法产生大范围的单一裂缝，以此为换热介质创造一定的热交换体积。然而，采用这种方法建造的地热系统其实际工作体积往往非常有限。同时，纯水等工作介质在被从地下抽取到地表的过程中，所溶解的各类矿物也可能发生析出，进而产生沉淀。这主要是因为流体温度在远离热藏的过程中不断降低，从而引起矿物溶解度的下降。沉淀的出现极有可能导致生产井的堵塞，严重威胁着系统的工作效能。
具备能源大规模存储功能的REGS，也称集成式EGS（EGS integration technique）是侯正猛教授研究团队对传统地热的一次重大创新。该方案中，不仅水平井多级压裂被应用到了地热系统的建造中[37-38]，建造完成的REGS还拥有两种不同的工作模式（图6）。1）模式Ⅰ（产能模式）服务于电能和热能的生产。模式Ⅰ下，注入热储层的换热介质（通常为地表水）会被加热至热藏温度（以德国北部盆地的地热梯度为例，其热藏温度将高达160 ℃以上）。随后，被抽取到地表的换热介质的热能利用将被分为两个阶段：一是，高温蒸汽发电将使工作介质的温度从160 ℃以上降低至约100 ℃；二是，变为液态的换热介质仍继续为建筑物提供热能，温度降至50～60 ℃的换热介质被回注入地下热交换系统循环利用。2）模式Ⅱ中，REGS则用于储存系统中过剩的可再生能源。利用这些能量加热加压后的工作介质，例如，纯水的沸点在16 MPa压力下将上升至约350 ℃，使得单位质量的换热介质能够吸收比生产过程中更多的能量。这些超高温的换热介质一旦被注入地下，既能有效帮助ENSYSCO进行能量存储，储层热环境的恢复也能使REGS的生命周期获得延长。当前，作者团队正聚焦于REGS的相关研究，以进一步阐明该系统的储能效率等科学问题。
图 6 可再生增强型地热系统REGS示意图Fig. 6 Schematic diagram of the regenerative EGS facility下载:
全尺寸图片
3.1.2 废旧矿井中的地下抽水蓄能PSHm
地下抽水蓄能，也称矿井抽水蓄能（pumped-storage hydroelectricity in mines，PSHm），是由德国下萨克森能源研究中心提出的用于储存过剩能源的大型地下设施[39]。作者亦对该方案在ENSYSCO中的应用寄予了厚望。图7为用于存储过剩能源的废旧矿井地下抽水蓄能的工作流程和示意图。
图 7 用于存储过剩能源的废旧矿井地下抽水蓄能Fig. 7 Pumped storage facility in the abandoned mining to store the excessive power下载:
全尺寸图片
与地表的同类型设施一样，PSHm的工作原理为：通过利用能源系统中的过剩电力将矿井中下储库的蓄水泵送至较高位置的上储库，PSHm能够将这些电能转换为水的重力势能；而当系统产能不足、需要及时获得补充时，上储库中的水流经发电机进入下储库。由此，水的重力势能又重新被转换为电能。
在PSHm中，地上完备的基础设施和地下矿井在其生命周期中构建的庞大而稳固的巷道及采矿区系统将会使PSHm的建造和翻新成本大大降低[40]。同时，地下矿井中足够的垂直落差使得PSHm的建造不会受地表环境的影响。除此之外，水的循环使用和矿井中渗透水的及时补充也意味着PSHm不需要额外的水资源。因此，谢和平等[41]指出，虽然中国北方广阔的平原地貌使得该区域缺乏建造地面抽水蓄能所需的高落差地形，但该地区众多废旧煤矿中一些具备条件的可用于建造PSHm；并且，预测，利用废旧煤矿建造的PSHm将使中国获得高达7.25亿kW·h的可观储能潜力。
3.1.3 电转气产业链
图8为电转气产业链示意图，由图8可知，基于电解水制氢的电转气技术将对未来的能源领域产生广泛而深远的影响。当今的电解水制氢已经可以实现高效的大规模生产[42]。更重要的是，通过该方法利用过剩的电能制取氢气不会排放任何二氧化碳。转换制得的氢气还可以有多种去向，例如，氢气可作为动力燃料被直接供给加气站。而对于不适合直接使用氢气的大型船舶，ENSYSCO会首先将氢气转化为甲烷（人造天然气）或甲醇。
图 8 基于使用过剩电能制氢的电转气产业链示意图Fig. 8 Schematic diagram of the power-to-gas industry chain based on H2 production from surplus下载:
全尺寸图片
鉴于盐岩极低的渗透率，在地下盐岩结构中建造大型的氢气储库将是绝佳选择。Donadei等[43]指出，如果将德国北部盆地的269处满足利用条件的地下盐岩结构全部用于建构氢气储库，德国可获得约1.6 pW·h的储能潜力。此外，氢气在化学工业中也起到重要作用，氢气可以同二氧化碳一起合成甲醇或人造天然气，同时，氢气也可以用于合成氨气。
3.2 基于轻量化人工智能的系统管理
除了考虑如何应用信息技术以更好地完成能源系统的监控和调整，作者团队还认识到ENSYSCO系统产生的海量数据对处理能力提出了更高的要求。因此，轻量化的计算方法至关重要。Lagaris等[44]提出的应用神经网络求解常/偏微分方程（组）的方法启发了作者团队在ENSYSCO中搭建基于AI的轻量化管理系统，示意图如图9（a）所示。在以往的研究中，应用神经网络求解常/偏微分方程（组）的方法主要用于解决计算流体力学（computational fluid dynamics，CFD）和电磁学领域的相关问题。由于深度神经网络在实际工作中（经过训练后）的计算资源消耗远小于训练阶段和传统数值方法，基于神经网络求解常/偏微分方程（组）进行仿真无疑是建构轻量化监控系统的理想选择。
图 9 基于轻量化人工智能的能源系统管理示意图Fig. 9 Schematic diagram of energy system’s governance based on lightweight artificial intelligence下载:
全尺寸图片
在ENSYSCO架构的基于AI的管理系统中，可用于描述目标场景的微分方程组被用于构造深度神经网络的目标函数，结合历史数据驱动网络进行训练，获得经过预训练的半物理半数据混合驱动深度神经网络。如图9（b）所示：在基于联邦学习的进一步强化中，预训练的半物理驱动深度网络被存储在核心网络的云服务器中；将预训练模型同步到各节点的智能终端并引入不同的初始条件和边界条件，同时，依据实时数据对其进一步训练，使模型变得更加健壮和通用。由此，基于AI的管理系统可以更好地复现、仿真和预测能源系统中的实际场景。
4. 总结与展望
当今世界，基于化石能源的老旧能源系统早已不堪重负。无论是大量排放的温室气体，还是化石能源储备的不断减少，都使得维持现有的能源结构面临着巨大挑战。尽管可再生能源由于随机性、间歇性和波动性会给能源系统带来不小的压力，出色的可持续性及碳中和战略的实施仍使其成为了全球能源转型的必然选择。
为确保未来的清洁能源系统能更好地融合可再生能源且更加智能、安全稳定，作者提出了面向未来的基于智能多板块耦合的清洁能源系统（ENSYSCO）能源系统架构。这一创新架构主要围绕以下几点展开了相关研究：
1）相较于德国较早前提出的能源利用多板块耦合方案，ENSYSCO架构运用电能的多元转换/逆转技术将能源的生产、消费、储运3大板块紧密地结合在了一起，高效的耦合机制覆盖了整个系统。同时，以地下储氢库、可再生增强型地热系统REGS和地下矿井抽水蓄能PSHm为代表的大规模地下储能成为了储能板块的核心。这些具有长周期、大容量储能潜力的大型地下设施，结合消费板块众多功能复合体中的储能设备构成分布式储能网络，不仅赋予ENSYSCO在时间和空间上有效调节能源供应和耦合消费，也使其所在的国家和地区获得了大量的能源储备。
2）大规模地下储能并不以电能的形式储存能量，而是先将电能转换为更加稳定的形式，如水的重力势能或氢的化学能。相比于地表的各类储电设备，此类设施更加安全、更为稳定且具有更低的储能成本。同时，地下储能节约了大量土地资源也更利于生态环境保护。例如，PSHm的建造利用了废旧矿山中既有的巷道和采矿区系统，这些巨大的地下空间将可以继续在ENSYSCO架构中以新的形式发挥作用。
3）ENSYSCO通过能源的多元转换/逆转技术来实现板块间的完全耦合，因此该架构中存在着多种形式的能量载体（氢气、压缩空气、甲烷、甲醇等）。考虑到多元转换和多形态输运网络的复杂性与高动态性，ENSYSCO中提出了将轻量化人工智能与数据方法加密相结合的方法，并将该方法用于识别、复现、仿真、预测和记录能源系统中的实际场景。同时，未来的能源系统中将出现众多的功能复合体，这将使不同节点间的供需关系持续发生变化。为了令各板块能够更好的相互配合，同时有效地降低核心网络的运算压力，在当前的技术条件下，本文认为应结合联邦学习等分布式训练方法，通过由生产、消费、储能节点智能终端构成的分布式计算网络来为此类AI监控网络提供更新与计算支持。
尽管前瞻性的ENSYSCO综合能源架构中仍有许多技术细节需要进一步研究，例如REGS的储能效率及AI管理系统的高效训练。但以PSHm为代表的大多数技术都已足够成熟且可以立即投入工业化应用。现今许多国家由于缺乏足够的储能能力而浪费了大量的风能、水能和太阳能，投资建设大规模的地下储能设施并在此基础上完成智能监控系统的建构，将帮助这些国家更好地完成能源转型以至最终达成碳中和的目标。
-
图 1 ENSYSCO综合能源系统的3层式架构
Fig. 1 Three-layer-framework of the ENSYSCO
下载:
全尺寸图片
图 2 基于ENSYSCO架构的综合能源系统概览
Fig. 2 Overview of the integrated energy system based on the ENSYSCO framework
下载:
全尺寸图片
图 3 集能源的生产、存储和消费板块于一体的智能能源被动房屋
Fig. 3 Smart energy passive house combining production, storage and consumption sectors
下载:
全尺寸图片
图 4 ENSYSCO系统中不同类别的大规模地下储能技术
Fig. 4 Different categories of underground energy storage techniques in ENSYSCO system
下载:
全尺寸图片
图 5 一个受物理定律约束的可训练神经网络的示意图（以2维的纳维斯托克斯方程为例）
Fig. 5 Schematic diagram of a trainable neural network restricted by physical laws (the 2-D Navier–Stokes equations as example)
下载:
全尺寸图片
图 6 可再生增强型地热系统REGS示意图
Fig. 6 Schematic diagram of the regenerative EGS facility
下载:
全尺寸图片
图 7 用于存储过剩能源的废旧矿井地下抽水蓄能
Fig. 7 Pumped storage facility in the abandoned mining to store the excessive power
下载:
全尺寸图片
图 8 基于使用过剩电能制氢的电转气产业链示意图
Fig. 8 Schematic diagram of the power-to-gas industry chain based on H2 production from surplus
下载:
全尺寸图片
图 9 基于轻量化人工智能的能源系统管理示意图
Fig. 9 Schematic diagram of energy system’s governance based on lightweight artificial intelligence
下载:
全尺寸图片
表 1 不同储能技术所能实现的容量及存储时长[33]
Table 1 Capacities of different energy storage technologies and the corresponding storage-time[33]
储能技术 储能规模 储能时长 高能量密度超级电容 >1 kW～<100 kW min 电池：
锂离子电池、钠硫电池、
高级铅酸电池、液流电池等>1 kW～<10 MW min、h 高功率超级电容 >10 kW～<10 MW >10 s 高功率飞轮 >10 kW～<10 MW >10 s 压缩空气储能 >10 MW～<10 GW h、d、周 抽水蓄能 >10 MW～<10 GW 周 电转气：
氢气、合成天然气>100 MW～<100 GW 周、a -
[1] Walsh J,Wuebbles D,Hayhoe K,et al.Report of national climate assessment 2014[R].Washington D.C.:U.S.Global Change Research Program,2014. [2] Meier M F.Contribution of small glaciers to global sea level[J].Science,1984,226(4681):1418–1421. doi: 10.1126/science.226.4681.1418 [3] Gregory J M,Oerlemans J.Simulated future sea-level rise due to glacier melt based on regionally and seasonally resolved temperature changes[J].Nature,1998,391(6666):474–476. doi: 10.1038/35119 [4] Barnett T P,Adam J C,Lettenmaier D P.Potential impacts of a warming climate on water availability in snow-dominated regions[J].Nature,2005,438(7066):303–309. doi: 10.1038/nature04141 [5] Rosenzweig C,Iglesias A,Yang X B,et al.Climate change and extreme weather events;implications for food production,plant diseases,and pests[J].Global Change and Human Health,2001,2(2):90–104. doi: 10.1023/A:1015086831467 [6] Patz J A,Campbell–Lendrum D,Holloway T,et al.Impact of regional climate change on human health[J].Nature,2005,438(7066):310–317. doi: 10.1038/nature04188 [7] Alexander L V,Zhang X,Peterson T C,et al.Global observed changes in daily climate extremes of temperature and precipitation[J].Journal of Geophysical Research:Atmospheres,2006,111(D5):D05109. doi: 10.1029/2005JD006290 [8] Bradley R S,Vuille M,Diaz H F,et al.Threats to water supplies in the tropical Andes[J].Science,2006,312(5781):1755–1756. doi: 10.1126/science.1128087 [9] Rahmstorf S,Coumou D.Increase of extreme events in a warming world[J].Proceedings of the National Academy of Sciences of the United States of America,2011,108(44):17905–17909. doi: 10.1073/pnas.1101766108 [10] Statistical review of world energy 2016[R].London:p.l.c,2016. [11] China Energy Portal.2019 electricity & other energy statistics(preliminary)[DB/OL].(2020–01–21)[2021–06–02].https://chinaenergyportal.org/2019-electricity-other-energy-statistics-preliminary/. [12] U.S.Energy Information Administration.Electric power monthly[R].Washington D.C.:U.S.Energy Information Administration,2018. [13] Umweltbundesamt.Zeitreihen zur Entwicklung der erneuerbaren Energien in Deutschland[R].Berlin:Bundesministrium für Wirtschaft und Energie,2018. [14] 国家能源局发布2018年可再生能源并网运行情况等[EB/OL].(2019–01–28) [2021–06–02].http://www.gov.cn/xinwen/2019-01/28/content_5361939.htm. [15] Aust B,Horsch A.Negative market prices on power exchanges:Evidence and policy implications from Germany[J].The Electricity Journal,2020,33(3):106716. doi: 10.1016/j.tej.2020.106716 [16] Gungor V C,Sahin D,Kocak T,et al.Smart grid technologies:Communication technologies and standards[J].IEEE Transactions on Industrial Informatics,2011,7(4):529–539. doi: 10.1109/TII.2011.2166794 [17] U.S.Energy Information Administration.Annual energy review 2011[R].Washington D.C.:U.S.Energy Information Administration,2012. [18] Ratner M,Glover C.US Energy:Overview and key statistics[R].Washington D.C.:Congressional Research Service,2014. [19] Asia and the Pacific renewable energy status report[R].Paris:Renewable Energy Policy Network for the 21st Century,2019. [20] Wietschel M.Integration erneuerbarer Energien durch Sektorkopplung:Analyse zu technischen Sektorkopplungsoptionen[R].Berlin:Bundesministerium für Umwelt,Naturschutz und Reaktorsicherheit,2019. [21] Saleh M,Khdour T,Ferrah A,et al.Analysis of digital utility endpoints in smart grid using modular computing platform[C]//Proceedings of the 2019 Advances in Science and Engineering Technology International Conferences (ASET).Dubai:IEEE,2019:1–6. [22] Fang Xi,Misra S,Xue Guoliang,et al.Smart grid—The new and improved power grid:A survey[J].IEEE Communications Surveys & Tutorials,2012,14(4):944–980. doi: 10.1109/SURV.2011.101911.00087 [23] Boschert S,Rosen R.Mechatronic futures:Digital Twin — The simulation aspect[M].Cham:Springer,2016:59–74. [24] Raissi M,Yazdani A,Karniadakis G E.Hidden fluid mechanics:Learning velocity and pressure fields from flow visualizations[J].Science,2020,367(6481):1026–1030. doi: 10.1126/science.aaw4741 [25] Raissi M,Perdikaris P,Karniadakis G E.Physics-informed neural networks:A deep learning framework for solving forward and inverse problems involving nonlinear partial differential equations[J].Journal of Computational Physics,2019,378:686–707. doi: 10.1016/j.jcp.2018.10.045 [26] Zhang Dongkun,Guo Ling,Karniadakis G E.Learning in modal space:Solving time-dependent stochastic PDEs using physics-informed neural networks[J].SIAM Journal on Scientific Computing,2020,42(2):A639–A665. doi: 10.1137/19m1260141 [27] Jimeno J,Anduaga J,Oyarzabal J,et al.Architecture of a microgrid energy management system[J].European Transactions on Electrical Power,2011,21(2):1142–1158. doi: 10.1002/etep.443 [28] Cheng Xuan,Shi Zheng,Glass N,et al.A review of PEM hydrogen fuel cell contamination:Impacts,mechanisms,and mitigation[J].Journal of Power Sources,2007,165(2):739–756. doi: 10.1016/j.jpowsour.2006.12.012 [29] Shi Weisong,Cao Jie,Zhang Quan,et al.Edge computing:Vision and challenges[J].IEEE Internet of Things Journal,2016,3(5):637–646. doi: 10.1109/JIOT.2016.2579198 [30] Satyanarayanan M.The emergence of edge computing[J].Computer,2017,50(1):30–39. doi: 10.1109/MC.2017.9 [31] Khan W Z,Ahmed E,Hakak S,et al.Edge computing:A survey[J].Future Generation Computer Systems,2019,97:219–235. doi: 10.1016/j.future.2019.02.050 [32] Vera Eckert.Does renewables pioneer Germany risk running out of power?[EB/OL].(2019–07–18) [2021–06–02].https://www.reuters.com/article/us-europe-power-supply-insight-idUSKCN1UD0GZ. [33] Ralon P,Taylor M.Electricity storage and renewables:Costs and markets to 2030[R].Abu Dhabi:International Renewable Energy Agency,2017. [34] Li Tian,Sahu A K,Talwalkar A,et al.Federated learning:Challenges,methods,and future directions[J].IEEE Signal Processing Magazine,2020,37(3):50–60. doi: 10.1109/MSP.2020.2975749[LinkOut [35] Yang Qiang,Liu Yang,Chen Tianjian,et al.Federated machine learning[J].ACM Transactions on Intelligent Systems and Technology,2019,10(2):1–19. doi: 10.1145/3298981 [36] Lagaris I E,Likas A C,Papageorgiou D G.Neural-network methods for boundary value problems with irregular boundaries[J].IEEE Transactions on Neural Networks,2000,11(5):1041–1049. doi: 10.1109/72.870037 [37] Han Songcai,Cheng Yuanfang,Gao Qi,et al.Numerical study on heat extraction performance of multistage fracturing Enhanced Geothermal System[J].Renewable Energy,2020,149:1214–1226. doi: 10.1016/j.renene.2019.10.114 [38] Haris M,Hou M Z,Feng Wentao,et al.Investigative coupled thermo-hydro-mechanical modelling approach for geothermal heat extraction through multistage hydraulic fracturing from hot geothermal sedimentary systems[J].Energies,2020,13(13):3504. doi: 10.3390/en13133504 [39] Schmidt M,Beck H.Windenergiespeicherung durch Nachnutzung stillgelegter Bergwerke—Kurzbericht[M].Göttingen:Cuvillier Verlag,2012. [40] Neumann C,Schmidt M,Siemer H,et al.Abschätzung der Wirtschaftlichkeit zur Errichtung und des Betriebes eines untertägigen Pumpspeicherwerks[M].Göttingen:Cuvillier Verlag,2012. [41] 谢和平,侯正猛,高峰,等.煤矿井下抽水蓄能发电新技术:原理、现状及展望[J].煤炭学报,2015,40(5):965–972. doi: 10.13225/j.cnki.jccs.2015.0690 Xie Heping,Hou Zhengmeng,Gao Feng,et al.A new technology of pumped-storage power in underground coal mine:Principles,present situation and future[J].Journal of China Coal Society,2015,40(5):965–972 doi: 10.13225/j.cnki.jccs.2015.0690 [42] 迟军,俞红梅.基于可再生能源的水电解制氢技术(英文)[J].催化学报,2018,39(3):390–394. doi: 10.1016/S1872-2067(17)62949-8 Chi Jun,Yu Hongmei.Water electrolysis based on renewable energy for hydrogen production[J].Chinese Journal of Catalysis,2018,39(3):390–394 doi: 10.1016/S1872-2067(17)62949-8 [43] Donadei S,Stephanie F,Sascha G,et al.Informationssystem Salzstrukturen:Planungsgrundlagen,Auswahlkriterien und Potentialabschätzung für die Errichtung von Salzkavernen zur Speicherung von Erneuerbaren Energien (Wasserstoff und Druckluft) [R].Hannover:KBB Underground Technologies GmbH,2016. [44] Lagaris I,Likas A,Fotiadis D.Artificial neural networks for solving ordinary and partial differential equations[J].IEEE Transactions on Neural Networks,1998,9(5):987–1000. doi: 10.1109/72.712178
