-
生物通官微
陪你抓住生命科技
跳动的脉搏
生物通官微
陪你抓住生命科技
跳动的脉搏
混合电池-氢储能系统集成下的校园能源优化：技术经济与环境可持续性分析
【字体： 大 中 小 】 时间：2025年06月18日 来源：Journal of Energy Storage 8.9
编辑推荐：
为解决可再生能源间歇性及高成本问题，研究人员提出改进型Lévy飞行灰狼优化算法(ILFGWO)，集成光伏(PV)、风机(WT)与混合储能系统(BSS+H2 )，实现校园微电网年度系统成本(ASC)降至6574.340 k�/yr，平准化能源成本(LCOE)0.5301 �/kWh，碳减排72.05%，为离网系统设计提供新范式。
随着全球能源需求激增和碳排放问题加剧，传统能源系统向可再生能源转型迫在眉睫。然而，风能(Wind Turbine, WT)和太阳能(Photovoltaic, PV)的间歇性特性导致供电不稳定，尤其在校园等高能耗场景中，如何平衡供需成为关键挑战。现有储能方案中，电池(Battery Storage System, BSS)虽能短期调峰，但容量有限；氢能存储虽可长期蓄能，但系统成本高昂。更棘手的是，现有优化算法易陷入局部最优，难以实现多目标协同优化。
针对这一系列问题，意大利巴勒莫大学的研究团队在《Journal of Energy Storage》发表研究，提出一种融合维度学习狩猎(Dimension Learning-based Hunting, DLH)和Lévy飞行随机游走的改进灰狼优化算法(Improved Lévy Flight Grey Wolf Optimization, ILFGWO)，用于设计混合电池-氢储能的离网校园微电网。通过整合光伏、风机与双储能系统，该方案将年度系统成本(Annualized System Cost, ASC)降至6574.340 k�/yr，平准化能源成本(Levelized Cost of Energy, LCOE)优化至0.5301 �/kWh，同时实现72.05%的碳减排，为可再生能源高渗透率系统提供了技术经济性兼备的解决方案。
研究采用三大关键技术：1) 基于气象站实测数据构建光伏模型，考虑太阳辐照度G(t)和电池温度Tcell
(t)的动态关系；2) 灰狼算法(Grey Wolf Optimization, GWO)引入多邻域学习策略，通过α、β、γ三级领导机制引导搜索；3) 结合Lévy飞行长程跳跃特性，避免算法早熟收敛。实验对比了粒子群优化(Particle Swarm Optimization, PSO)、遗传算法(Genetic Algorithm, GA)等5种基准算法，并采用20次独立运行的统计验证。
Proposed system and region under discussion
研究以意大利西西里岛巴勒莫市（38.12°N, 13.37°E）为案例，该地区夏季辐照超950 W/m2
，冬季风力充沛。系统包含PV、WT、BSS及电解槽-燃料电池氢储能链，通过ILFGWO优化各组件容量配比。
PV modeling
光伏功率模型引入标称工作温度(NOCT)参数，建立Tcell
(t)=Tamb
(t)+(TNOCT
-Tamb,NOCT
)×G(t)/800的线性关系，精确反映温度对转换效率的影响。
Basic description of GWO
算法模拟灰狼社会等级，α狼主导搜索方向，β、γ狼辅助决策，ω狼执行局部勘探。改进后的ILFGWO通过DLH策略使个体狼学习多维邻居信息，结合Lévy飞行实现非高斯随机游走，突破传统GWO的搜索局限性。
Results & discussion
仿真显示ILFGWO在20次运行中保持稳定，ASC极差仅2.53 k�，标准差592.18 �，显著优于对照组。冬季风电贡献率达61%，夏季光伏占比78%，双储能协同使供电可靠性达99.7%。配对t检验证实算法优势具有统计显著性(p<0.05)。
Conclusion
该研究通过智能算法与混合储能的创新结合，解决了离网系统成本与可靠性的权衡难题。Malik Ali Judge等学者提出的ILFGWO为高比例可再生能源集成提供了可复用的方法论，其72.05%的碳减排效果亦契合欧盟2050碳中和战略。未来可扩展至岛屿、偏远社区等无电网覆盖场景，推动能源转型的规模化落地。
生物通微信公众号
知名企业招聘
