利用机器学习赋能的地下储氢实现清洁能源韧性
机器学习
2024-04-05 v1 系统与控制
系统与控制
摘要
为应对气候变化的紧迫挑战，迫切需要从化石燃料向可持续能源系统转型，其中可再生能源发挥着关键作用。然而，可再生能源的固有变异性在缺乏有效存储方案的情况下，常导致能源供需失衡。地下储氢（UHS）作为一种极具前景的长期储能方案，有望弥合这一供需差距，但高保真 UHS 模拟带来的高昂计算成本阻碍了其大规模应用。本文从数据驱动的视角介绍了 UHS，并概述了将机器学习集成到 UHS 中的路线图，从而促进 UHS 的大规模部署。
引用
@article{arxiv.2404.03222,
title = {Enabling Clean Energy Resilience with Machine Learning-Empowered Underground Hydrogen Storage},
author = {Alvaro Carbonero and Shaowen Mao and Mohamed Mehana},
journal= {arXiv preprint arXiv:2404.03222},
year = {2024}
}
备注
10 pages, 4 figures, accepted proposal track paper at ICLR CCAI workshop