[论文解读] Optimal trajectory-guided stochastic co-optimization for e-fuel system design and real-time operation

Jeongdong Kim, Minsu Kim+2 more|arXiv (Cornell University)|Mar 3, 2026

Integrated Energy Systems Optimization被引用 0

一句话总结

MasCOR 是一个机器学习辅助的框架，在区域特定的可再生能源不确定性条件下对 e-燃料系统设计与动态运行进行联合优化，具有比传统优化更低的计算成本并接近最优的性能。它从 LP 派生的最优轨迹中学习，并使用生成模型来处理不确定性，以实现快速并行评估和鲁棒的在线运行。

ABSTRACT

E-fuels are promising long-term energy carriers supporting the net-zero transition. However, the large combinatorial design-operation spaces under renewable uncertainty make the use of mathematical programming impractical for co-optimizing e-fuel production systems. Here, we present MasCOR, a machine-learning-assisted co-optimization framework that learns from global operational trajectories. By encoding system design and renewable trends, a single MasCOR agent generalizes dynamic operation across diverse configurations and scenarios, substantially simplifying design-operation co-optimization under uncertainty. Benchmark comparisons against state-of-the-art reinforcement learning baselines demonstrate near-optimal performance, while computational costs are substantially lower than those of mathematical programming, enabling rapid parallel evaluation of designs within the co-optimization loop. This framework enables rapid screening of feasible design spaces together with corresponding operational policies. When applied to four potential European sites targeting e-methanol production, MasCOR shows that most locations benefit from reducing system load below 50 MW to achieve carbon-neutral methanol production, with production costs of 1.0-1.2 USD per kg. In contrast, Dunkirk (France), with limited renewable availability and high grid prices, favors system loads above 200 MW and expanded storage to exploit dynamic grid exchange and hydrogen sales to the market. These results underscore the value of the MasCOR framework for site-specific guidance from system design to real-time operation.

研究动机与目标

• 通过处理时间性可再生能源不确定性来解决 e-燃料生产系统的联合优化缺口，而非过度依赖情景驱动的双层优化。
• 开发一个生成模型来捕捉区域特定的可再生能源时间模式，以及一个基于预言机的轨迹学习代理，以替代二阶段优化。
• 实现对设计与运行的快速并行评估，支持站点特定决策和实时控制，同时执行净负碳排放约束。
• 在四个欧洲站点的 e-甲醇生产上展示 MasCOR，并将性能与最先进的基线进行对比。）

提出的方法

• 训练一个带梯度惩罚的 Wasserstein GAN (WGAN-GP)，在区域数据条件下生成月度 576 小时风力情景。
• 对逐小时的运行问题求解 LP，构建轨迹的 oracle 数据集（状态、动作、成本、回报、未来成本、回报总和）。
• 在 oracle 数据集上训练基于 transformer 的 actor–critic（策略评估者）以使用 CTG 与 RTG 目标、带条件令牌（设计 D 和可再生趋势 E）学习策略。
• 采用情景驱动的双阶段优化，其中生成模型提供可再生情景，代理并行求解二阶段问题，辅以 MOBO 来优化第一阶段设计，并在收益概率约束下控制正碳排放。
• 在部分可观测的在线运行中，通过生成模型预测可再生趋势，并利用 critic 选择在满足 CTG 约束的前提下最大化 RTG 的动作。

实验结果

研究问题

• RQ1 如何捕捉并利用时间性可再生能源不确定性来进行 e-燃料设计与运行的联合优化？
• RQ2 在 LP 派生轨迹上训练的学习代理是否能够跨设计与可再生情景泛化，以提供近似最优的实时运行？
• RQ3 用学习到的运营代理替代传统二阶段优化是否实现了在不确定性下的可扩展、鲁棒的协同优化？
• RQ4 区域特定的 e-甲醇生产将出现哪些设计模式，储存、电解槽容量与生产规模如何权衡成本与排放？

主要发现

• MasCOR 实现了接近最优的动态运行，优化缺口显著低于基准强化学习模型（平均缺口 42.5% 对比 128.2%）。
• 在大储能情景下，缺口降至 16.7%，相较基准的 58.7% 有显著降低。
• MasCOR 相对于 LP 基线降低碳排放违规，在某些情形下平均多捕获约 15.4 吨/月的碳。
• 在四个欧洲站点，MasCOR 识别出两种设计模式——储存扩展( SE )与生产减少( PR )，以平衡成本和净排放，其中敦刻尔克在无论排放约束为何都显示出 SE。
• MasCOR 提高情景求解速度，在 GPU 上对 1000 个 LP 情景用时 17.6 秒，随着情景数量增加，相对基于 CPU 的 LP 求解器实现 0.366–0.70 倍的加速。
• 用 2023–2024 年的可再生能源数据进行验证，MasCOR 推断的帕累托前沿和性能分布与实际运行一致，且在线运行与离线推断保持一致性。