通过混合可再生能源系统实现能源韧性和脱碳：一项技术经济研究

《International Journal of Hydrogen Energy》：Energy resilience and decarbonization via hybrid renewable energy systems: A techno-economic study

　　瓦卡尔·阿里·汗 | 阿什坎·帕克塞雷斯赫特 | 卡斯隆·周 | 阿里·亚瓦里
斯威本科技大学科学、计算与新兴技术学院，澳大利亚维多利亚州墨尔本3122

**摘要**
全球能源系统仍然主要由化石燃料主导，化石燃料占初级能源供应的80%以上，并通过温室气体排放导致严重的气候影响。向太阳能和风能等可再生能源的转型受到其间歇性的阻碍——每日发电量可能波动超过70%，且具有明显的季节性变化——这导致了对化石燃料备用发电的持续依赖。因此，在保持经济可行性的同时实现近乎完全的能源自主性仍然是一个重大挑战。本研究使用基于规则的启发式调度算法（RB-HDA）评估了九种混合太阳能-风能-电池-氢能系统的技术经济可行性。系统性能通过四个关键指标进行评估：需求满足情况、对化石燃料的依赖程度以及通过平准化能源成本（LCOE）和平准化氢成本（LCOH）来衡量经济可行性。混合太阳能-风能-电池系统满足了99.89%的需求，LCOE为0.39-2.32澳元/千瓦时，但仍受到季节性短缺的限制。集成氢储能后，系统应对能力提高到99.999%，每年仅需要一个化石燃料备用小时，LCOH为0.04澳元/千克，同时LCOE仍为2.32澳元/千瓦时。结果表明，氢能在实现长期能源自主性方面起着关键作用，并且是一种可扩展、高可靠性的化石燃料替代方案。

**1. 引言**
2023年，全球初级能源消费达到创纪录的高水平，其中化石燃料（包括煤炭、石油和天然气）占总能源供应的约81.5%[1]。这种对化石燃料的严重依赖导致了严重的环境影响，包括温室气体（GHG）排放增加和气候不稳定加剧[2]。根据2024年全球碳预算报告，预计2024年化石燃料和土地利用变化的二氧化碳（CO2）排放量将达到41.6吉吨（GtCO2），比2023年增加2%[3]。尽管可再生能源容量不断增加，但排放量持续上升的趋势凸显了当前能源转型策略的不足，迫切需要能够有效替代化石燃料发电的综合性解决方案。在像澳大利亚维多利亚州这样严重依赖化石燃料的地区，向更清洁的能源系统转型的紧迫性尤为重要。根据目前的能源结构，维多利亚州预计将面临显著的气候影响，包括年平均温度上升2.4°C、极端炎热天气天数翻倍、火灾季节延长且更加剧烈，以及极端降雨事件增加[4]。能源行业，特别是电力生产，是这些挑战的主要贡献者，占维多利亚州总温室气体排放量的近52%[5]。这些趋势凸显了向可再生能源系统转型的迫切需求，这种系统不仅可以减少排放，还能在面对日益增加的气候风险时增强能源安全和韧性。

可再生能源（RERs），尤其是太阳能和风能，因其丰富性、可持续性和减少全球能源部门碳排放的潜力而成为关键解决方案[6][7]。从生命周期角度来看，光伏（PV）的二氧化碳当量排放约为20-50克/千瓦时，风能约为10-20克/千瓦时，而通过使用可再生能源进行电解生产的绿色氢气的直接二氧化碳排放接近于零，使其比化石燃料来源更清洁[8][9][10]。然而，这些资源的固有间歇性对大规模部署构成了重大挑战，太阳能和风能在一天内的发电量波动超过70%，特别是在澳大利亚南部等温带地区[11]。这种间歇性不仅引发了可靠性问题，还加剧了对化石燃料备用发电的依赖，从而削弱了脱碳目标。混合可再生能源系统（HRES），特别是那些整合了太阳能和风能的系统，通过利用资源互补性来提高能源可靠性[12][13]。此外，结合储能技术（如电池和氢能）可以进一步缓解供应波动，确保连续稳定的电力生产[14]。尽管人们对混合配置的兴趣日益增加，但在双重储能系统（电池和氢能）的最佳协调、其规模依赖性经济性以及它们在解决季节性能源短缺方面的有效性方面仍存在关键知识空白——这些正是本研究所要解决的。因此，了解这些混合配置的技术经济可行性对于加速向具有韧性的低碳能源未来的转型至关重要，正如最近关于储能支持的混合系统及其在可持续电气化战略中作用的研究所强调的[15][16][18]。

大量研究探讨了HRES（特别是结合了太阳能和风能的系统）通过利用资源互补性来克服单一资源（如仅依赖太阳能或仅依赖风能）的局限性[19][20][21][22][23]。例如[24]表明，太阳能和风能发电之间的时间协同作用提高了系统的韧性并减少了了对化石燃料备用能源的依赖。在此基础上，最近的研究进一步调查了不同地理环境下的资源互补模式，证实太阳能-风能集成可以将日变化减少30%-50%[25][26][27]。然而，由于可再生能源的间歇性，特别是在气候变化条件下，独立的混合系统仍然容易受到短期和季节性供需不匹配的影响。电池储能已被广泛采用来应对短期波动，有效平衡了日内供需不匹配并提高了电网稳定性[28][29][30]。电池技术的最新进展，包括能量密度和循环寿命的提高，进一步增强了其用于可再生能源整合的可行性，锂离子电池和先进的铅酸电池现在已实现超过90%的往返效率[31][32]。然而，电池储能受到能量容量和放电时间的限制，这限制了其在冬季等可再生能源产量低期间长时间弥补能源缺口的能力[33][34][35]。在温带气候中，这种限制尤为明显，因为太阳辐射和风速可能同时下降数周，造成电池系统无法经济地解决能源短缺问题。

作为能源载体，氢能作为在长时间可再生能源产量低期间维持能源充足性的可行解决方案受到了越来越多的关注[36][37]。最近在电解槽技术方面的发展，特别是质子交换膜（PEM）系统，显著降低了成本并提高了效率，2020年至2024年间堆栈成本下降了约40%[38][39]。与优化用于短期存储（几小时到几天）的电池不同，氢储能通过电解将多余的可再生能源转化为氢气并储存起来，随后通过燃料电池重新转化为电能[40][41]。这种能力使氢能在混合系统中实现近乎完全的能源自主性方面成为关键推动因素，特别是在季节性可再生能源变化显著的地区。尽管前景广阔，但氢储能引入了额外的系统复杂性和资本成本，包括对电解槽、储罐和燃料电池的需求[40]。此外，氢能整合的经济可行性高度依赖于规模。小型系统通常产生的多余能量不足以证明资本投资的合理性，而大型系统则可以通过持续运行电解槽实现具有竞争力的平准化氢成本（LCOH）[42][43]。

几项最近的研究调查了结合电池和氢储能的HRES，以解决单一储能配置的局限性。例如，最近的技术经济研究[41][44][45]表明，双重储能系统可以实现超过99%的可靠性，同时保持与传统发电具有竞争力的平准化能源成本（LCOE）值。然而，这些研究通常只关注有限的系统配置（通常2-3种变体），对季节性短缺管理的分析不足，或者采用的调度策略过于简化，没有考虑不同储能技术之间的操作冲突[46][47][48]。此外，现有文献很少区分时间上的化石燃料依赖性（备用小时数）和基于能量的依赖性（来自化石燃料的总能量百分比），而这些指标对于评估真正的系统自主性至关重要。例如[41]研究了太阳能-风能-电池-氢能配置，但没有明确解决同时优化电池和氢能利用所需的层次协调问题，也没有量化氢能在经济上变得可行的规模阈值。同样[49]探讨了氢能在HRES中的整合，但主要关注稳态性能指标，忽略了动态调度挑战和季节性变化的影响。最近的优化研究提出了先进的能源管理策略，包括模型预测控制（MPC）和基于机器学习（ML）的方法。然而，这些方法通常需要大量的计算资源和实时数据，这可能不适用于所有部署场景[50][51][52]。

LCOE和LCOH是评估能源系统经济可行性的广泛认可的指标[36][37]。LCOE代表系统生命周期内每单位发电量的平均成本，考虑了资本成本、运营费用和能源产出，而LCOH量化了每千克氢气的生产成本，包括电解槽效率、可再生能源剩余量和储存需求。虽然LCOE为比较不同发电技术提供了标准化基础，但它没有涵盖具有多个储能组件的混合系统的全部复杂性，在这些系统中，发电、储存和消费之间的能量流动会产生相互依赖性，从而影响整体成本效益[53][54]。最近的研究[55][56][57]指出，LCOE本身可能低估了混合系统的真实价值，因为它没有考虑可靠性效益、避免的化石燃料成本和环境外部性。同样，LCOH对电解槽利用率敏感，低容量因素会导致单位成本过高，因为资本资产利用率不足[58]。这种规模敏感性强调了优化系统规模的重要性，以确保有足够的可再生能源剩余量以持续生产氢气，这一点在之前的技术经济评估中受到的关注有限。

尽管取得了这些进展，但仍存在重大研究空白，限制了完全脱碳的混合可再生能源系统的实际部署。首先，缺乏全面的多配置比较框架，系统地评估添加每个组件（太阳能、风能、电池、氢能）对混合系统的增量效益。大多数现有研究仅比较少数配置，使得系统设计师和政策制定者难以确定最佳设计路径并理解可靠性、成本和可持续性方面的权衡[59][60]。其次，双重储能系统（电池和氢能）的协调调度尚未得到充分探索，关于如何解决操作冲突、优先考虑充电/放电顺序以及保护组件寿命同时最大化系统性能的指导有限。现有的调度策略通常独立处理电池和氢能，或采用简化的基于规则的方法，没有捕捉到短期（电池）和长期（氢能）储存之间的时间互补性[40][41]。第三，氢能整合的规模依赖性经济性尚未得到充分量化，对最小系统规模、可再生能源剩余量和实现成本效益所需的电解槽利用率阈值了解不足。这一知识空白阻碍了投资决策和政策设计，因为利益相关者缺乏明确的基准，以确定氢能在经济上何时能够与化石燃料备用发电竞争。第四，在温带气候中，太阳能和风能发电可能同时下降的长期季节性短缺问题尚未得到充分关注，尽管这是实现全年能源自主性的关键障碍。最后，缺乏同时捕捉可靠性（需求覆盖）、可持续性（化石燃料依赖性）和经济可行性（LCOE和LCOH）的全面性能指标，大多数研究仅依赖LCOE，未能区分时间上的和基于能量的化石燃料依赖性。

为了解决这些空白，本研究评估了维多利亚州布罗德梅多斯（Broadmeadows）地区混合太阳能-风能-电池-氢能系统的技术经济可行性。该地区以高住宅能源需求、有限的可再生能源渗透率和明显的季节性变化为特征。在本研究中，系统指的是包括发电、储存和备用在内的所有能源组件的完整集合，共同供电。配置表示这些组件的具体排列方式，例如仅依赖太阳能、仅依赖风能或结合太阳能和风能的系统，每种情况都考虑了有无电池和氢储能的情况。选择布罗德梅多斯作为代表性的城乡结合环境，以在真实气候和人口条件下评估系统的可扩展性。这一区域背景尤为重要，因为维多利亚州的能源部门面临着脱碳要求和可靠性要求的双重压力，使其成为评估先进混合配置的理想测试案例，这些配置可以为全球类似温带地区的政策和部署策略提供参考。通过基于模拟的方法，对九种配置进行了建模和比较，以量化它们对能源充足性、减少化石燃料备用小时数以及通过LCOE和LCOH指标的成本效益的影响。与以往假设理想化能源条件的研究不同——例如恒定的发电曲线、无限的储能能力或均匀的季节性需求[40]、[41]、[61]——本研究考虑了现实的时间动态，包括季节性变化、可再生能源产出的波动以及储能限制，以提供对混合系统可行性的更实际评估。此外，本研究开发并验证了一种基于规则的启发式调度算法（RB-HDA），该算法在分层框架中明确协调电池和氢储能的使用，优先考虑电池充电以进行短期平衡，然后在电解槽启动前进行电池放电、燃料电池运行和柴油备用，以解决运行冲突并保护组件寿命。本研究旨在回答三个关键研究问题：1. 在不同的季节条件下，太阳能-风能混合系统（无储能）如何影响对化石燃料的依赖性和能源韧性？2. 电池和氢储能能在多大程度上减少季节性能源赤字和对化石燃料运行的依赖？3. 不同的混合系统配置如何影响平准化成本（LCOE）和生命周期成本（LCOH）？通过系统地探讨这九种不同的配置，本研究为该领域做出了几项新的贡献。首先，它提出了一个全面的比较框架，涵盖了从独立系统（仅太阳能、仅风能）到完全集成系统（太阳能-风能-电池-氢能）的各种情况，从而能够清晰地识别增量效益和最佳设计路径。其次，它引入了一种经过验证的分层调度算法，该算法能够协调双储能系统，并明确解决冲突，超越了以往研究中使用的简化方法。第三，它量化了氢能整合的规模依赖性经济性，展示了通过优化电解槽利用实现超低LCOH的途径。第四，它通过展示氢储能如何实现近乎完全的能源自主性，克服了仅依赖电池系统的根本限制。最后，它建立了一个全面的四指标评估框架（满足需求的百分比、化石燃料使用小时数、化石燃料依赖度以及双经济指标LCOE/LCOH），提供了比传统LCOE重点分析更全面的评估。本研究旨在提供数据驱动的见解，以支持能源规划者、政策制定者和行业利益相关者在系统设计和投资方面做出明智的决策。特别是，研究结果阐明了不同水平的储能整合（电池用于短期平衡，氢能用于长期储备）如何影响可靠性，太阳能和风能容量的系统规模如何影响季节性能源充足性，以及成本指标（如LCOE和LCOH）如何塑造投资策略。因此，这些发现提供了对混合配置在季节性约束下的全面理解，最终指导向可持续、有韧性和经济可行的可再生能源基础设施的过渡。此外，通过展示氢能可行性的具体阈值并量化多种配置下可靠性和成本之间的权衡，本研究提供了可操作的指南，可以加速全球温带气候地区脱碳能源系统的实际部署。

下载：下载高分辨率图像（624KB）
下载：下载全尺寸图像
图1. 墨尔本Broadmeadows地区的月平均电力需求及季节性变化。

本文的其余部分结构如下：第2节介绍了维多利亚州Broadmeadows的地理和气象特征，概述了当地的风能和太阳能资源以及用于开发研究区域代表性电力需求曲线的方法。第3节概述了本研究中分析的系统配置，详细介绍了混合能源模型中考虑的太阳能、风能、电池和氢能组件。第4节展示了结果，重点关注不同混合配置下的能源充足性、化石燃料使用小时数、化石燃料能源使用量和成本效益。第5节讨论了主要发现，涉及化石燃料能源使用、储能影响和经济可行性，并强调了部署挑战。第6节总结了本文，概述了关键见解和未来的研究方向。

2. 地理位置和气象数据
本研究聚焦于位于澳大利亚维多利亚州墨尔本、南纬37.6859°、东经144.9247°的Broadmeadows郊区地区，距离墨尔本中央商务区（CBD）约15公里。Broadmeadows具有温带海洋性气候，太阳能辐射、风速和能源需求有明显的季节性变化。由于其地理位置，该地区在夏季具有强大的太阳能潜力，而全年风速变化较大，使其成为评估混合太阳能-风能系统的理想案例。

2.1. 需求曲线
准确的电力需求建模对于评估混合可再生能源系统（HRES）的可行性至关重要，尤其是在住宅能源消费表现出季节性和日变化的城市地区。本研究通过结合实际数据和时间序列缩放技术，为Broadmeadows开发了每小时电力需求曲线，以捕捉季节性和周变化。这种方法特别适用于城市能源建模，因为在城市中可能无法获得长期详细的能源需求数据，但存在代表性的周需求曲线，这在住宅负荷研究中很常见[62]、[63]。
需求曲线的构建基于来自209个住宅单元四个季节（夏季、秋季、冬季和春季）的每小时能源消耗数据[64]。由于数据集每个季节只包含一周的每小时数据，因此通过结合Hume市议会2021年的住宅记录（4617户家庭）[65]进行了系统缩放，以代表整个住宅部门。由于可用数据集每个季节只包含一周的代表性每小时数据，因此需要将其扩展到全年，同时保持每小时消费趋势、季节性变化和周波动。
住宅需求数据来源于联邦科学与工业研究组织（CSIRO）的澳大利亚住宅能源数据集（2013-2017年，219户家庭）[64]。每个季节的代表性地一周样本被连接起来，并使用温度关联的负荷比率进行缩放，形成了Broadmeadows的连续年度需求曲线。2023年的结果曲线与AEMO（2023年）维多利亚州的30分钟住宅需求数据集[66]进行了验证，显示出2%-5%的日变化和季节性趋势偏差。较小的残差差异主要反映了自CSIRO观测以来的屋顶光伏（PV）采用增加和家庭电气化程度的提高。这种偏差引入的不确定性有限——主要影响短期调度时间，而不是年度能源总量。未来的研究可以探索考虑电动汽车充电和热泵采用的其他需求情景，预计这些因素将使住宅负荷增加10%-25%[67]、[68]。
应用时间序列需求预测方法来扩展数据集，同时确保其保留了真实的季节内需求波动和每小时能源使用模式的周变化。每个后续周的需求是根据前一周的每小时需求估计的，并通过一个基于先前合成需求建模研究的递归时间序列预测公式进行修改[69]、[70]，如下所示：
(1) Di,w = Di,w?1 × (i + γw)
其中：
• Di,w 表示第w周第i小时的电力需求。
• Di,w?1 表示前一周同一小时的需求。
• γw 是一个周变化因子（在[-0.25, 0.25]范围内随机选择），确保需求遵循真实的季节性趋势，而不是保持静态。
公式(1)确保需求动态与实际电力消费行为一致，防止人为的静态曲线。每个季节的第一周作为基准，后续周通过迭代预测来保持季节一致性。冬季更高的供暖负荷和夏季增加的制冷需求被纳入考虑，以确保真实的季节内变化。图1展示了月平均电力需求趋势，突出了Broadmeadows的季节性能源消费模式。图2提供了每个季节代表性一天（24小时）的每小时电力需求曲线，捕捉了日变化。夏季和冬季的峰值需求期对应于增加的制冷和供暖需求，而春季和秋季则显示出相对平衡的消费模式。这种结构化的方法确保了扩展数据集准确反映了实际的住宅能源消费动态，从而为混合可再生能源系统的可行性评估提供了坚实的基础。
合成的年度需求曲线与AEMO（2023年）维多利亚州的30分钟住宅需求数据集[66]进行了验证。比较显示了 strong 一致性，日变化和季节性趋势的偏差在2%-5%之间。这证实了扩展数据集捕捉了真实的负荷行为和年度能源平衡。较小的差异主要源于CSIRO（2013-2017年）[64]数据与2023年条件之间的屋顶光伏采用和家庭电气化强度的变化。这种外推的不确定性主要影响每小时调度时间，而不是年度总需求。未来的工作将测试对新兴需求路径（如电动汽车充电和热泵采用）的敏感性，预计这些因素将使住宅负荷增加约10%-25%[67]、[68]。
本研究使用的住宅电力需求曲线基于CSIRO的澳大利亚住宅能源数据集，该数据集连续监测了维多利亚州219户家庭五年（2012-2017年）[64]的情况。这个多年观测数据集自然涵盖了广泛的运行条件，包括与热浪和冬季供暖事件相关的季节性高峰需求。因此，这里采用的代表性周需求曲线反映了实际观察到的家庭行为，而不是合成或理想化的负荷假设。当在空间上缩放并在时间上扩展时，得到的年度需求曲线保持了真实的峰值到平均需求关系。任何剩余的不确定性预计只会影响短期高峰的时间，而不会影响年度能源总量，因此对系统范围内的可靠性指标（如化石燃料使用小时数和储能利用率）影响有限。

下载：下载高分辨率图像（596KB）
下载：下载全尺寸图像
图2. 墨尔本Broadmeadows每个季节代表性一天的每小时电力需求曲线。

2.2. 风能资源评估
准确评估Broadmeadows的风能潜力对于准确评估混合太阳能-风能系统至关重要，因为它直接影响能源生产和储能组件的设计、性能和可靠性。在具有季节性太阳能变化的混合配置中，风能可以提供一种补充资源，以维持供应连续性——特别是在低辐照度期间，例如冬季。本研究使用了2023年1月1日至12月31日期间的高分辨率每小时风速数据，这些数据来自美国国家航空航天局（NASA）的全球能源资源预测（NASA POWER）数据访问查看器[71]。该工具由NASA的兰利研究中心开发，提供公开可用的卫星衍生气象数据。本研究使用的数据集来自Clouds and the Earth’s Radiant Energy System/Modern-Era Retrospective Analysis for Research and Applications (CERES/MERRA-2)数据库[72]，测量高度为地面以上50米——符合公用事业规模风能资源评估的标准方法。
为了确保风能分析的准确性，选择了郊区级别的方法而不是更广泛的区域评估。选择Broadmeadows是因为它代表了城市-郊区能源需求模式和明显的季节性气候变化。NASA POWER工具[72]为单个地理坐标提供每小时风速数据，而更大的空间选择将导致日平均值，不足以捕捉短期间歇性。鉴于风速的波动性，高时间分辨率数据对于混合系统中的真实能源生产建模至关重要。图3a显示了每月风速变化，揭示了明显的季节性模式。6月的平均风速最高，为6.44米/秒，发生在冬季；而4月记录的最低风速为4.95米/秒，反映了风强度的暂时下降。这种季节性模式与澳大利亚维多利亚州的更广泛气候趋势一致，冬季月份通常风能可用性更高。此外，记录的风速始终超过大多数商用风力涡轮机（WT）所需的典型启动速度3米/秒，进一步证明了该地区风能转换的可行性[24]。

下载：下载高分辨率图像（300KB）
下载：下载全尺寸图像
(a). 平均月风速。
下载：下载高分辨率图像（279KB）
下载：下载全尺寸图像
(b). 平均月温度。
图3. 显示2023年1月至12月Broadmeadows每月平均气候条件的图表，(a) 风速 (b) 环境温度。
这些发现对于混合太阳能-风能-电池-氢能系统建模至关重要，因为准确描述季节性风模式直接影响能源生产预测、储能设计和系统规模的可靠性。如果不清楚风资源最丰富的时期——特别是在太阳能可用性较低的冬季——模型可能会低估储能需求或过度依赖化石燃料能源。Broadmeadows观察到的较高冬季风能潜力表明，风能在混合系统中可以起到稳定作用，通过补偿季节性太阳能赤字来增强整体能源韧性，并减少对化石燃料备份的依赖。

2.3.太阳能资源评估
Broadmeadows的太阳能潜力是通过光伏地理信息系统（PVGIS）进行评估的，该系统是由欧盟委员会联合研究中心（JRC）开发的高分辨率太阳辐射数据库[73]。PVGIS是一种广泛认可的用于评估光伏能源潜力的工具，提供了对可再生能源系统建模至关重要的地理精确的太阳辐射数据。为了确保高时间分辨率，本研究从光伏地理信息系统——第五代欧洲中期天气预报中心（PVGIS-ERA5）辐射数据库[74]中检索了2023年1月1日至2023年12月31日期间的每小时全球太阳辐射数据。该数据集详细描绘了季节性太阳辐射的变化，从而确保了太阳能发电潜力的准确估算。

为了优化光伏系统的性能，研究采用了40°的最佳倾斜角（坡度）和0°的方位角，这与Broadmeadows的地理纬度相匹配。评估是在海拔118米处进行的，以确保在分析中适当考虑了局部大气影响，如空气质量效应和阴影损失。

Broadmeadows的季节性温度变化如图3(b)所示，突显了全年显著的气候差异。1月份的平均温度最高，为22.07°C，与夏季高峰条件相符；而7月份的平均温度最低，为8.31°C，处于冬季。虽然温度不是太阳辐射的直接指标，但它对光伏板的热性能起着关键作用。已知高温会由于电阻损失增加和电压输出下降而降低光伏效率，这强调了在系统设计中考虑季节性气候的重要性。这些温度趋势也与维多利亚州的预期气候模式一致，那里的太阳辐射通常在夏季较高，而在冬季较低，这是由于日照时间和大气条件的变化所致。

Broadmeadows的风速和太阳辐射分布清楚地表明了该研究地点在光伏和风能发电方面的巨大潜力。持续有利的风速和充足的太阳辐射水平进一步支持了集成电池和氢储能解决方案的可行性，以提高能源可靠性和系统效率。

3. 方法论
3.1. 系统配置
所提出的混合可再生能源系统整合了太阳能光伏（PV）、风力发电（WT）、蓄电池储能系统（BESS）和氢储能，以评估Broadmeadows可持续且具有韧性的电力供应的可行性。系统架构和能量流动如图4所示，描绘了这些组件在发电、储能和消费方面的相互作用，确保了优化和平衡的能源供应。

该系统包括两个主要的可再生能源资源（RERs）：
• PV电站——将太阳辐射转换为电能，并在直流（DC）总线上运行。
• WT电站——产生交流（AC）电能，并连接到AC总线上，为整个系统的可再生能源供应做出贡献。
DC总线促进了太阳能发电、电池储能和氢电解的集成，确保了在调度前的高效能量转换和储存。AC总线适应了风能和电网的交互，使得与家庭电力需求和化石燃料能源的无缝集成成为可能。使用功率转换器来促进AC和DC总线之间的双向能量交换，确保风能、太阳能、电池和氢能组件之间的有效协调。

为了增强能源安全和稳定性，系统采用了两种储能技术：
• BESS——通过双向功率转换器连接到DC总线，实现短期能量储存和调度。
• 氢储能系统——利用多余的电能通过PEM电解器生产氢气（H2），氢气储存在H2储罐中，之后通过燃料电池重新转换为电能以实现长期储存。

此外，系统还整合了安装在各个住宅屋顶上的分布式光伏发电。屋顶光伏产生的电能优先用于本地消费，而多余的发电量则与集中式光伏电站和WT结合使用，以满足更广泛的需求。这种方法确保在依赖储能或补充能源之前最大限度地利用可用的太阳能资源。

当可再生能源发电和储存不足以满足需求时，化石燃料能源（例如柴油、煤炭或天然气）作为最后的备用方案，以维持系统的可靠性。

这种混合系统配置被分析以评估其技术可行性，评估不同可再生能源和储能组合在不同季节和运行条件下的表现。结果提供了关于能源充足性、备用化石燃料使用和经济可行性的见解，从而能够全面评估系统的韧性。在九种模拟配置中，太阳能-风能-电池-氢能-柴油系统代表了完全集成的设置，实现了接近完全的可再生能源覆盖，因此被用来评估第4.7节中介绍的整个系统效率。

下载：下载高分辨率图像（516KB）
下载：下载全尺寸图像

图4. 所提出的HRES示意图，整合了太阳能光伏、风力发电、电池、氢链和柴油备用，通过统一的AC/DC总线。

3.2. 风力涡轮机模型
本研究中的风力涡轮机电能输出遵循[41]提出的数学建模方法，并进行了修改，以提高每小时分辨率，而不是依赖于月平均值。这种改进提高了混合可再生能源系统分析中风力发电时间准确性的水平。

在本研究中，选择了Siemens Gamesa SG 2.1-114 WT[75]作为建模的代表性商业单元。虽然研究没有规定具体的涡轮机型号，但选择该模型是基于其与Broadmeadows观察到的中等风条件的兼容性以及其在全球类似规模安装中的广泛应用。其选择有助于实现现实的性能和成本估算，因为该涡轮机的技术和经济特性都有详细的记录，允许进行透明的平准化成本（LCOE）分析和可扩展性评估。该涡轮机的额定功率为2.1 MW，转子直径为114米，运行速度范围为1.5 m/s（切入速度）至25 m/s（切出速度）。不同风速下的功率输出PT(V)遵循制造商提供的功率曲线[75]，确保了能量发电建模中的准确性能表示。

3.2.1. 风力涡轮机布局和能量估算
根据Caravantes等人[41]的研究，风力涡轮机布局旨在最大化能量捕获同时最小化尾流干扰。根据行业标准，涡轮机沿主导风向间隔10个转子直径的距离布置，垂直于风向间隔5个转子直径的距离。这些估算遵循[76]，以减少湍流或尾流效应，因为这些效应会降低风能发电效率。

风电场的总能量输出是通过使用土地标准化能量估算方法来缩放单个涡轮机的功率输出计算得出的。根据[41]提出的公式，每小时能量发电量Ew,h由方程（2）给出：
(2)
Ew,h = PT(V) × NT × favail × 10^6 × Awt
其中PT(V)是风速为V时的涡轮机功率，NT是涡轮机数量，favail = 0.98是可用性系数，Awt = 0.6498 km^2是每个涡轮机的占地面积。这种方法确保了空间可扩展性，并考虑了涡轮机间距标准、尾流损失和土地使用限制。

对于给定时间T内的总能量，累积能量输出使用方程（3）计算：
(3)
Ew,total = ∑t=1^T Ew,h

3.2.2. 规模化和系统集成
在本研究中，风力涡轮机电站被建模为最多五个涡轮机的阵列，涡轮机数量NT=[1,2,3,4,5]的变化，以评估风力能量容量在混合系统中的影响。这种配置代表了从2.1 MW（一个涡轮机）到10.5 MW（五个涡轮机）的逐步增加的风能容量，允许系统地评估增加的风能容量如何影响能量可用性、储能需求和化石燃料能源使用。低容量配置反映了有限的风力部署情景，而高容量配置模拟了显著贡献于能源充足性和韧性的较大风电场。

虽然[41]采用了基于月平均值的方法来估算风电场能量输出，但本研究通过将其应用于每小时时间分辨率来改进该方法，使用从NASA POWER获取的实际每小时风速数据。功率输出使用制造商提供的特定涡轮机功率曲线[75]计算，确保了全年输出变化的真实建模。这种提高的分辨率使得能够更准确地模拟短期间歇性、能量调度模式以及HRES内风能发电、储能行为和化石燃料能源使用之间的动态交互。

3.3. 光伏模型
本研究中的光伏模型根据太阳辐射、系统效率和面板特性估算单个光伏面板的每小时能量输出。为了提高准确性，从PVGIS-ERA5数据库中导入的高分辨率每小时太阳辐射数据被直接映射到光伏模型中的相应模拟时间戳。这种时间对齐的集成确保了每个小时的太阳输入反映了实际的气候变化，然后通过已建立的数学公式处理这些变化，以估算不同气象条件下的面板级能量输出。这种方法允许动态模拟太阳能发电对短期辐射和温度波动的响应。选择ESPSC 400 M PERC单晶面板[77]是因为其高效率（20.17%）、在温度变化下的稳定性能以及在墨尔本气候下的可靠性。这种400 W面板，表面积为2.1 m^2，在25°C以上仍能保持高效运行，适合本研究地点。

3.3.1. 太阳能估算
太阳能发电方法遵循[78]，确保了对光伏面板的准确能量估算。本研究采用每小时峰值日照小时（PSH）方法，而不是使用日平均值，计算公式如下：
(4)
PSH = G(i) × 1000
[小时基础，kWh/m^2]
其中G(i)代表每小时全球辐射（Wh/m^2），表示Broadmeadows的实际阳光可用性用于能量发电分析。光伏面板上的G(i)进一步使用公式（5）计算：
(5)
G(i) = Gb(i) + Gd(i) + Gr(i) × 1000
其中Gb(i)代表直射辐射，Gd(i)是散射辐射，Gr(i)是反射辐射，这些数据是从PVGIS工具[79]中收集的，时间范围为2023年1月至12月。单个光伏面板的每小时电能输出使用公式（6）计算：
(6)
Epanel = PSH × Ppeak × ηglobal × Asp
其中：
• Ppeak = 0.4 kW（面板的额定峰值功率）
• Asp = 2.1 m^2（面板的表面积）
• ηglobal = 整体系统效率

3.3.2. 系统效率估算
根据[78]，整体系统效率ηglobal考虑了各种实际损失，并使用公式（7）计算：
(7)
ηglobal = FF × ηtemp × ηconn × ηdirt × SF
其中，形状因子（FF）量化了面板相对于开路电压和短路电流的最大功率输出，使用公式（8）计算：
(8)
FF = Pmax / Voc × Isc
使用ESPSC 400 M PERC面板的特性[77]，Pmax = 400 W，Vvc = 49.5V，Isc = 10.1 A。将这些值代入公式（8），得到FF = 0.798。

温度校正因子（ηtemp）考虑了温度对功率输出的影响，定义如下：
(9)
ηtemp = 1 + β(Toper ? 25)
温度系数β假设为?0.574%/°C，运行温度（Toper）为45°C，如[77]中所定义。将这些值代入公式（9），温度调整后的效率计算为ηtemp = 0.885。

此外，[77]报告称电网连接效率（ηconn）=0.98，考虑了逆变器和线路损失；灰尘和污染因子（ηdirt）=0.97，表示由于灰尘积累导致的性能下降；安全因子（SF）=0.95，考虑了系统不确定性。将这些值代入公式（7），得到整体效率为ηglobal = 0.637。

3.3.3. 扩展到屋顶和大规模光伏系统
对于住宅屋顶光伏系统，假设每个住宅拥有一个4千瓦的系统。由于每个ESPSC 400 M PERC面板的容量为400 W，因此4千瓦的系统由每个家庭10个面板组成。Broadmeadows有4617个住宅，因此总住宅屋顶能量（Erooftop）输出使用公式（10）计算：
(10)
Erooftop = Epanel × 10 × 4617

这种方法也扩展到模拟容量从1 MW到50 MW的更大规模太阳能电站的发电。每个电站所需的总面板数量（Npanels）通过公式（11）确定：
(11)
Npanels = Cplant × Cpanel
其中Cplant是我们模拟中太阳能电站的总安装容量，Cpanel = 0.4 W是单个ESPSC 400 M PERC面板的额定功率。

为了确保能量估算的真实性，应用了0.85的性能比率（PR），考虑了额外的实际损失，如逆变器效率低下、灰尘积累和电能损失。然后根据公式（12）估算不同系统配置下的最终能量输出：
(12)
Eplant = Epanel × Npanels × PR

这种结构化的方法确保了对住宅屋顶光伏系统和大规模太阳能农场进行了准确的每小时能量估算，提供了在墨尔本气候条件下的太阳能潜力的全面评估。

3.4. 能量储存模型
3.4.1.**电池储能系统（BESS）**

BESS旨在储存来自太阳能和风能的多余可再生能源，并在需求超过发电量时释放这些能量，特别是在夜间（太阳能输出为零）以及可再生能源发电量较低的时期，如冬季。该系统提高了能源调度效率，同时优化了储能容量，以最小化化石燃料的使用并延长电池寿命。在本研究中，选择了Hoppecke铅酸电池[80]，因为它具有深循环能力和高往返效率。电池规格包括标称电压VB=2V、标称容量Csingle=3000 Ah、往返效率ηB=0.86以及70%的放电深度（DoD）。为了确定所需的电池储能容量，采用了一种系统化的方法，考虑了短期能源短缺和系统效率限制。

估算所需电池储能的第一步是评估最坏情况下的夜间能源短缺，即单个夜晚的最大累积短缺量。为了确保可靠的能源储备，增加了15%的缓冲量以应对需求不确定性和转换效率损失。总所需储能容量（Ereq_storage）使用公式（13）计算得出：
(13) Ereq_storage = Eshortfall × 1.15
其中(Eshortfall)表示单个夜晚的最大累积短缺量，15%的缓冲量用于考虑需求不确定性和转换效率损失。由于电池以直流模式运行，必须考虑交流-直流转换造成的能量损失，以准确估算有效储能需求。有效所需储能容量（Eeff_storage）使用公式（14）计算：
(14) Eeff_storage = Ereq_storage × ηconv
其中ηconv=0.9是根据[81]定义的转换效率。

为了完成电池选型过程，需要确定单个电池单元的储能容量，以便计算所需的总单元数量。每个电池单元储存的能量（Ebattery）使用公式（15）计算：
(15) Ebattery = Csingle × VB / 1000
这里，除以1000是将瓦时（Wh）转换为千瓦时（kWh）。使用公式（14）和（15），可以计算出满足储能需求所需的总电池数量（Nbatteries）：
(16) Nbatteries = Eeff_storage × Ebattery × DoD × ηB
其中DoD确保电池不会过度放电，从而延长其寿命。

为了提高电池寿命，实施了充放电控制策略。该策略动态调节电池荷电状态（SOC），将充电水平限制在90%以内以避免过充，并将放电限制在5%以内以避免深度循环[82]。任何给定时间步长的电池可用充电容量（Bavail_cap）使用公式（17）计算：
(17) Bavail_cap = Eeff_storage ? SOCt ? 1

选择Hoppecke铅酸电池作为参考储能技术，以保持所有建模配置之间的方法一致性。本研究强调系统级的技术经济性能比较，而不是特定组件的基准测试；采用单一、特性明确的电池化学成分可以防止效率或成本假设的变化，这些变化可能会扭曲比较结果。铅酸系统仍然是澳大利亚社区规模混合应用中最广泛部署和经济上最可行的选择，其往返效率为85%-90%，使用寿命为10-15年，资本成本相对较低[14]、[83]、[84]。虽然可以将在现有的基于Python的框架中集成锂离子[44]和钒氧化还原液流电池[85]等先进化学成分，但它们的引入将留待未来专注于组件优化和生命周期评估的研究。

尽管电池是有效的短期储能解决方案，但在可再生能源长期供应不足的情况下，尤其是在冬季太阳能和风能发电量同时下降时，它们通常不够用。因此，本研究提出了集成长期储能解决方案，即基于氢的系统，以确保全年能源的连续供应并提高系统的韧性。

**3.4.2 氢储能系统**

本研究中的氢储能系统由两个主要部分组成：通过电解产生氢气和通过PEM燃料电池发电。这些技术将多余的可再生能源以氢气的形式储存起来，需要时再将其转换回电能，从而确保系统的可靠性并减少对化石燃料的依赖。

**3.4.2.1 电解槽制氢**

氢气生产方法遵循[41]中概述的方法，确保从多余的可再生能源中准确估算氢气产量。氢气使用PEM电解槽生产，其效率为59%（ηPEM=0.59），考虑了电解过程中的转换损失。电解槽通过水电解将多余的可再生能源转化为氢气，并储存起来以备将来发电使用。每小时氢气产量（PH2,w）使用公式（18）计算：
(18) PH2,w = Esurplus × ηPEM × HHVH2 [kg/hour]
其中Esurplus是每小时可用的多余可再生能源（kWh/hour），HHVH2=39 kWh/kg是氢气的较高热值[86]，用于量化氢气的能量含量。产生的氢气储存在氢储存系统中，以确保以后可以使用。

尽管像[41]这样的大规模氢气生产评估侧重于根据土地可用性和区域能源分布估算氢气潜力，但本研究采用了基于模拟的每小时能源调度框架。与使用静态土地使用假设不同，本研究根据实时多余的可再生能源动态建模氢气生产，这些多余能量是在依次满足家庭需求和电池储能阈值后计算得出的。这种每小时能源平衡方法确保只有在模拟系统内有实际多余能量时才生产氢气，从而提供了更现实和基于操作的氢气生产估算。

虽然电池储能系统可以管理短期能源不平衡，但在可再生能源长期供应不足的情况下，特别是在冬季太阳能和风能发电量同时下降时，需要另一种能源储备。氢储能解决了长期能源短缺问题，确保系统在季节性变化期间的稳定性。总能源赤字（Edef）定义为太阳能、风能和电池贡献后的能源短缺量，使用公式（19）计算：
(19) Edef = Ed ? (Ess + Ews + Ebss)
其中Ed表示总能源需求，Ess和Ews分别是太阳能和风能的每小时能源输出，Ebss是电池储能的贡献。为了确保氢储能系统能够补偿最坏情况下的季节性短缺，使用公式（20）计算一年中最大的连续能源赤字：
(20) Edef,max = max ∑h=18760 Edef
其中8760 h代表一年的模拟时间。这代表了最坏的情况，即可再生能源发电和电池储能都不足以满足长时间的需求。所需的氢储能容量（H2str）用于完全补偿这一季节性能源缺口，使用公式（21）计算：
(21) H2str = Edef,max × HHVH2 × ηFC
这确保了氢储能系统的规模足够大，能够在可再生能源长期供应不足的情况下提供备用能源，特别是在冬季。

**3.4.2.2 燃料电池系统**

储存的氢气使用PEM燃料电池转换回电能，其效率为59%（ηFC=0.59）[87]。燃料电池的每小时电能输出使用公式（22）计算：
(22) EFC = PH2,w × HHVH2 × ηFC
为了确保系统的可靠性，使用为本研究开发的基于每小时模拟的能源调度模型来确定PEM燃料电池的规模。在此模拟中，剩余需求是指在考虑了太阳能、风能和电池储能系统的贡献后的未满足的电能负荷。通过识别整个模拟年度内的最大每小时剩余需求，可以确定所需的燃料电池功率等级（PFC）。这种方法确保燃料电池能够在不过度扩大系统规模的情况下满足峰值能源短缺，从而在优化资本支出的同时保持可靠性。相应的燃料电池容量使用公式（23）计算：
(23) PFC = Edef,max × ηFC
这确保了燃料电池具有满足峰值能源短缺的能力，优化了系统性能和成本效益。

电解槽和燃料电池都表示为稳态能量转换模块，其性能校准为工业相关水平。采用的电解槽效率（70%-75%）和燃料电池效率（55%-60%）对应于当前密度为1.5-2.0 A cm?2和氢利用因子为0.8-0.9的商用PEM系统[88]、[89]。这些范围与示范规模的PEM安装一致，并确保模拟的氢生产和再转换量保持在经验验证的范围内。由于本研究强调年度能源平衡和技术经济现实性，而不是电池级动力学，因此没有明确建模瞬态电化学现象，如极化损失、温度动态和退化。这种稳态表示与之前的混合可再生能源-氢研究一致，这些研究倾向于长期模拟框架的透明度和可重复性。所有效率假设都针对已发布的PEM和固体氧化物燃料电池（SOFC）数据集[90]进行了基准测试，以确认转换效率在现实的运行范围内。

通过集成PEM电解制氢和燃料电池进行能量回收，混合系统被设计为在调度框架内解决短期和长期储能需求。电池储能用于处理可再生能源发电和需求的快速日常波动，而氢储能则用于持续的低发电期——特别是在季节性短缺期间。这种互补的储能架构能够在多个时间尺度上实现能量平衡，并通过模拟评估其对能源韧性和减少化石燃料使用的贡献。

在本研究中，假设氢气以30-35巴的压力作为压缩气体储存，这与为郊区应用设计的小型到中型可再生能源H2系统一致。选择气体储存是因为其技术成熟度、安全记录以及相对于液态氢的适度压缩能量需求。由于液化过程会导致大约30%的能量损失，并且需要低温绝缘和蒸发管理，这大大增加了系统的复杂性和资本成本[89]、[91]、[92]，因此本研究中没有考虑液态储存。由于研究重点在于系统级能源韧性和成本评估，而不是储存介质的优化，压缩气体储存为比较技术经济评估提供了适当的基准。基于Python的建模框架保持模块化，允许将来在扩展分析中集成液态或固态氢储存模块。

**3.5 经济分析标准**

使用两个成熟的技术经济指标来评估所提出的混合太阳能-风能-电池-氢能源系统的经济可行性：LCOE和LCOH。这些指标衡量了项目运行寿命期间每单位电能（AUD/kWh）和氢气（AUD/kg H2）的平均成本，包括资本支出（CAPEX）、更换成本、运营和维护（O&M）费用以及用于考虑财务折旧的折现机制[93]。表1提供了包括太阳能光伏（PV）、风力涡轮机（WT）、电池储能、电解槽、燃料电池和氢储存的成本要素在内的财务参数的结构化分解，确保了经济评估的透明度和行业一致性。

本研究中使用的光伏面板、风力涡轮机、电池系统、电解槽、氢储存罐和燃料电池的技术规格和成本参数来自制造商的数据表——例如WT的[75]、PV模块的[77]和电池的[80]，并通过同行评审的文献[24]、[37]、[41]、[77]、[80]、[81]、[87]、[94]进一步验证。这些参考文献确保了技术经济建模的真实性，反映了商业上可用的技术、运营效率和成本基准。表1提供了所有参数的结构化总结，保证了经济评估的透明度和一致性。

**表1. 混合太阳能-风能-电池-氢能源系统中关键系统组件的技术规格和成本参数**

| 组件 | 参数 | 值 |
|---------------|---------------------------------|-----------------------------------------|
| PV [77], [78] | 型号 | ESP5C 400 M | 效率 | 20% |
| | 容量 | 400 W (0.4 kW/面板) | |
| | 资本成本 | $980/kW | |
| | 更换成本 | $980/kW | |
| | 运营和维护成本 | CAPEX的2%每年 | |
| | 使用寿命 | 15年 | |
| WT [41], [75] | 型号 | Siemens Gamesa SG 2.1-114 | |
| | 切入速度 | 1.5 m/s | |
| | 切出速度 | 25 m/s | |
| | 容量 | 2.1 MW | |
| | 资本成本 | $50,000/kW | |
| | 更换成本 | $50,000/kW | |
| | 运营和维护成本 | $1500/年 | |
| | 使用寿命 | 20年 | |
| 电池储能 [80], [81] | 型号 | Li-Ion Hoppecke铅酸 | |
| | 效率 | 86% | |
| | 标称电压 | 2V | |
| | 标称容量 | 3000 Ah | |
| | 转换效率 | 90% | |
| | 资本成本 | $1644/单元 | |
| | 运营和维护成本 | $10/年 | |
| | 使用寿命 | 10年 | |
| 电解槽 [37] | 型号 | PEM | |
| | 效率 | 75% | |
| | 容量 | 1 kW | |
| | 资本成本 | $3000/kW | |
| | 更换成本 | $2500/kW | |
| | 运营和维护成本 | CAPEX的1%每年 | |
| | 使用寿命 | 50,000小时 | |
| 氢储存罐 [24], [87] | 型号 | | |
| | 资本成本 | $500/kg | |
| | 更换成本 | $500/kg | |
| | 运营和维护成本 | CAPEX的1%每年 | |
| | 使用寿命 | 25年 | |
| 燃料电池 [28], [87] | 型号 | PEM | |
| | 效率 | 59% | |
| | 容量 | 1 kW | |
| | 资本成本 | $600/kW | |
| | 更换成本 | $300/kW | |
| | 运营和维护成本 | CAPEX的1%每年 | |
| | 使用寿命 | 50,000小时 | |

**3.5.1 平准化能源成本（LCOE）**

LCOE表示系统运行寿命期间每千瓦时（AUD/kWh）的发电总成本，包括资本投资、更换成本、运营支出（OPEX）以及在能源短缺情况下的化石燃料购买成本[24]。其计算公式为：
(24) LCOE = Ccap + Crep + CO&M + Cgrid ∑t=1nEtot,t(1+r)t
其中Ccap代表初始资本成本，包括与太阳能光伏面板、风力涡轮机和电池储能相关的费用。Crep项表示需要在25年项目寿命内定期更换的系统组件的折现更换成本。OPEX（表示为CO&M）假设为总CAPEX的百分比，确保系统随时间的持续运行。此外，Cgrid表示能源短缺期间的电网电力购买成本，反映了对外部能源的依赖。分母代表系统在其生命周期内产生的总能量，其中Etot,t是年能源输出（千瓦时）。为了确保财务评估的准确性，使用现值因子（PVF）[95]将折现的未来现金流纳入考虑，并通过方程（25）进行估算。(25)PVF=∑t=1n1(1+r)t其中n=25年是系统寿命，r=7%是根据[96]确定的折现率，反映了资本资产的财务折旧。LCOE方程的分母考虑了整个生命周期内的总能量产生，确保了与市场电价的实际成本比较。这种方法有助于对经济可行性进行有意义的评估，特别是关于将电池和氢储存技术整合到系统中的可行性。3.5.2. 氢的平准化成本LCOH量化了系统生命周期内每千克氢的生产成本（澳元/千克H2），包括电解槽运行、氢储存成本和燃料电池转换效率，如[97]所定义的。它通过方程（26）进行估算：(26)LCOH=Celec+CFC+CH2,str+CH2,OM+Cwater∑t=1nMH2,t(1+r)t其中Celec代表电解槽的资本和折现替换成本，而CFC则涵盖了系统生命周期内的燃料电池投资和定期替换成本。与氢储存基础设施相关的成本表示为CH2,str，确保系统在可再生能源发电不足时保持足够的储备。年度运营成本（OPEX），表示为CH2,OM，假设为总资本支出（CAPEX）的1% [37]，反映了持续的系统维护费用。此外，根据国家可再生能源实验室（NREL）[98]的定义，电解所需的水的成本被计入Cwater，基于每立方米1澳元的固定成本进行估算。由于氢储存作为长期能源缓冲，分母考虑了项目生命周期内的总氢产量。术语MH2,t代表年氢产量（千克H2），按r=0.07折现，时间跨度为n=25年[96]，确保经济评估能够捕捉到氢产量的季节性变化，同时保持与实际氢生产模式的一致性。通过纳入折现成本结构——如前期资本支出、组件替换成本以及使用7%折现率调整的年度运营和维护成本——这项分析提供了对所提出的混合能源系统的透明和结构化的经济评估。结合生命周期内的能量产生指标，得出的LCOE和LCOH为将电池和氢储存解决方案整合到可再生能源配置中的长期财务可行性提供了有意义的见解。这些结果有助于与传统电力和氢生产方法进行成本基准比较，提供了对项目长期可行性的全面理解。这项分析突出了电池储存和氢储存之间的经济权衡，支持在城市和郊区环境中进行可持续且具有成本效益的能源系统部署的明智决策。3.6. 仿真模型本研究采用了一种基于场景的仿真方法——通常用于混合能源系统研究——以每小时分辨率对全年的各种可再生能源配置进行可行性评估[99]，[100]。该模型动态平衡了能源的产生、储存和消耗，确保了基于规则的调度策略，同时最小化了对化石燃料能源的依赖。与依赖短期预测技术的研究[28]不同，这种方法考虑了季节性变化和长期能源供需互动，提供了在真实运行条件下的系统性能的全面评估。为了促进高效的能源分配，实施了RB-HDA，优先使用本地可再生能源，然后再使用储存或化石燃料能源。能源调度策略在算法1中进行了结构化，确保首先使用可用的可再生能源来满足需求，然后将多余的能源储存在电池中以供短期使用，当剩余能源超过电池容量时通过电解产生氢气。在能源短缺期间，首先释放电池中的储存能源，然后通过燃料电池进行氢转换，只有在最后才使用化石燃料能源。下载：下载高分辨率图像（415KB）下载：下载全尺寸图像为了全面分析系统的可行性，该研究评估了九种不同的能源系统配置，分为仅太阳能、仅风能和混合太阳能-风能系统，如图5所示。这些配置展示了从直接利用太阳能或风能到结合电池和氢储存的先进系统的逐步集成，以提高可靠性。仅太阳能和仅风能系统依赖于单一的可再生能源，无论是否有储存，而混合太阳能-风能系统则利用太阳能和风能的互补性来提高能源安全性。每种配置都以每小时分辨率模拟了一整年，捕捉了可再生能源生产和需求的季节性波动。主要目标是确定给定配置是否能够实现摆脱对化石燃料能源的依赖，最大化可再生能源的利用，并在不同气象条件下确保系统的可靠性。这种结构化的仿真框架能够全面评估混合能源系统的性能，提供了关于能源充足性、储存需求和经济可行性之间权衡的关键见解。下载：下载高分辨率图像（682KB）下载：下载全尺寸图像图5. 根据生成来源和储存集成对九种混合能源配置进行分类。3.6.1. 计算模型和能源调度可视化仿真模型是用Python实现的，用于进行整年的每小时能源模拟。其结构包括三个主要部分：(i) 高分辨率的气象输入，包括太阳辐射、风速和温度；(ii) 光伏（PV）、风力涡轮机（WT）、电池和氢系统的组件模型；(iii) 一个调度算法，用于在必要时平衡能源产生、储存和需求，并仅启用化石燃料备份。通过连接这些组件，该模型在现实运行条件下评估系统的可行性，并量化不同配置减少化石燃料能源依赖的程度。为了增强能源调度逻辑的清晰度，图6、图7和图8展示了不同配置下的结构化能源管理策略的流程图。每个流程图使用彩色虚线区分了太阳能、风能、电池和氢储存的操作层次结构，代表了仅太阳能、仅风能和混合太阳能-风能系统内的逐步配置。图6展示了仅太阳能系统，其中绿色虚线表示仅依赖太阳能和化石燃料能源的配置，红色虚线表示添加电池储存以进行短期能源平衡，蓝色虚线表示添加氢储存以进行长期能源安全。同样，图7采用相同的方法来展示仅风能系统，突出了从独立风能到结合电池和氢的逐步改进。图8展示了混合太阳能-风能配置，展示了风能和太阳能发电的互补性，以及储存集成以提高可靠性。这些流程图系统地展示了应用于模拟配置的能源调度逻辑。该过程首先优先使用可用的可再生能源——太阳能、风能或两者——直接满足需求。任何剩余能源首先被引导到电池储存中进行短期平衡。如果电池容量已满，多余能源将通过电解转化为氢进行长期储存。在能源短缺期间，系统首先释放电池中的储存能源，然后通过燃料电池进行氢转换。只有当所有可再生和储存能源资源耗尽时，才会启用化石燃料能源。这种分层调度策略确保了最大的可再生能源利用、优化的储存使用和最小的化石燃料能源依赖。为了加强可重复性和透明度，能源管理逻辑被实现为一个基于规则的确定性控制器，用Python编写。该结构遵循一个固定的操作层次结构，根据现实世界的操作优先级顺序分配可用资源：(27)Pdispatch=PPV+PWT?Pload;ifPPV+PWT≥Pload,Discharge Battery→Fuel Cell→Diesel backup,otherwise。下载：下载高分辨率图像（858KB）下载：下载全尺寸图像图6. 仅太阳能系统场景的能源调度决策过程。流程图展示了能源分配优先级，虚线区分了仅太阳能（绿色）、太阳能+电池（红色）和太阳能+电池+氢（蓝色）配置。（关于此图例中颜色的解释，请参阅本文的网络版本。）下载：下载高分辨率图像（857KB）下载：下载全尺寸图像图7. 仅风能系统场景的能源调度决策过程。流程图展示了能源分配优先级，虚线区分了仅风能（绿色）、风能+电池（红色）和风能+电池+氢（蓝色）配置。（关于此图例中颜色的解释，请参阅本文的网络版本。）这种基于规则的方案在年度技术经济模拟中广泛采用，其中长期能源平衡比短期调度优化更为重要[68]，[91]，[101]。这种设计选择实现了每小时能源流的完全透明性，同时避免了随机或模型预测优化相关的计算开销和数据需求。尽管高级控制器（如混合整数线性规划（MILP）或MPC）可以改进亚小时级调度，但它们对年度总性能和系统级技术经济的影响通常很小。最近在混合系统研究中的比较评估表明，用MILP或GA基优化替换基于规则的调度，年度LCOE和LCOH的变化不到3%–5% [101]，[102]。因此，采用的确定性层次结构引入了可忽略的偏差，同时保持了组件交互的可解释性。因此，所选方法为政策导向的郊区能源韧性评估提供了一个可复制和可解释的基准。此外，为了解决潜在的相互冲突的操作优先级，调度控制器执行了一个确定性的多层次层次结构，确保每个时间步都遵循互斥的决策路径。首先分配可再生能源以满足即时需求，任何剩余的盈余被引导到电池充电，直到达到上限充电状态（SOC）阈值。只有在达到该阈值后，才会激活电解槽进行氢生产。在短缺期间，顺序相反——首先释放电池中的储存能源，然后通过燃料电池进行氢转换。只有当所有可再生和储存能源资源耗尽时，才会激活化石燃料能源。这种分层调度策略确保了最大的可再生能源利用、优化的储存使用和最小的化石燃料能源依赖。为了加强可重复性和透明度，能源管理逻辑被实现为一个用Python编写的确定性规则基控制器。该结构遵循一个固定的操作层次结构，根据现实世界的操作优先级顺序分配可用资源：(27)Pdispatch=PPV+PWT?Pload;ifPPV+PWT≥Pload,Discharge Battery→Fuel Cell→Diesel backup,otherwise。下载：下载高分辨率图像（872KB）下载：下载全尺寸图像图8. 混合（太阳能&风能）系统场景的能源调度决策过程。流程图展示了能源分配优先级，虚线区分了风能+太阳能（绿色）、风能+电池（红色）和风能+电池+氢（蓝色）配置。（关于此图例中颜色的解释，请参阅本文的网络版本。）整个混合系统框架是由作者使用Python 3开发的，采用面向对象的模块化架构。它不是基于任何商业或第三方仿真软件，如Hybrid Optimization of Multiple Energy Resources (HOMER) Pro [103]、Transient System Simulation Program (TRNSYS) [104] 或 MATrix LABoratory (MATLAB) Simulink [105]，而是作为一个为HRES分析专门构建的内部基于规则的计算环境实现的。每个子系统——包括光伏发电、风力涡轮机、电池储存、电解槽、燃料电池和柴油发电机——都作为一个独立的类实现，具有可编辑的效率、退化和成本参数。这种结构允许在不改变整体调度工作流程的情况下对组件级别进行细化和验证，提供了完全的透明度和可重复性。当前的公式再现了经过制造商和文献数据验证的代表性效率范围，而其模块化设计允许在未来工作中无缝替换为更高保真度或实验校准的模型。这种灵活性确保了该框架在大规模技术经济研究中的计算效率，并且可以扩展到未来与实验室数据或试点工厂观察结果的集成，如类似的开源混合能源框架[106]，[107]，[108]所示。4. 本节对Broadmeadows地区设计的九种HRES配置进行了比较分析。比较基于四个核心性能指标：(i) 满足的电力需求百分比；(ii) 对化石燃料能源的依赖；(iii) 化石燃料运行的小时数；(iv) 通过LCOE和LCOH衡量的经济可行性。采用了一种基于场景的结构，与第3.6节中介绍的系统分类一致，以评估储存技术的增量影响。具体来说，配置被分为三类：(1) 无储存的可再生能源系统；(2) 带有电池整合的系统；(3) 同时具有电池和氢储存的系统。这种分类使得能够分层评估逐步复杂的储存集成如何影响系统可靠性、季节性平衡和在实际气象条件下的成本效益。为了证明组件模型和集成管道的可信度，我们进行了三项检查。(i) 光伏、风能、电池、电解槽和燃料电池模块在最近的研究[109]，[110]，[111]，[112]报告的制造商和文献效率范围内再现了输出。在我们的模拟中，光伏转换遵循经过温度校正的性能比率公式[109]；风力发电曲线与中型机器的预期切入/额定/切断行为相匹配[110]；电池的往返效率和可用容量窗口与当代社区规模的部署一致[111]；电解槽/燃料电池的效率设定为最近技术经济评估中使用的商用PEM范围[112]。(ii) 在所有运行中都保持了每小时能量平衡的闭合，配置特定的容量因子和存储状态轨迹与季节性资源可用性和经过验证的居民负荷相一致。对于光伏-风能-电池-氢能组合，韧性代理指标——非可再生能源小时数——保持在年小时的0.01%以下，这与最近混合系统评估中讨论的≥99.99%的可靠性目标一致[6]，[113]。(iii) 得出的成本指标落在已发布的范围内：带有存储的郊区光伏-风能组合的LCOE值以及MW级PEM整合的LCOH值位于最近多区域综合研究和案例研究报告的范围内[114]，[115]，[116]。综上所述，这些检查表明模型在组件层面是技术上可靠的，在系统层面节能，并且产生的技术经济结果与当前文献一致——支持从九种配置中得出的结论的可信度。本研究中模拟的九种系统配置——在第3.6节中概述并在图5中展示——根据所使用的RER（可再生能源比率）和存储整合程度分为三类。第一类包括没有任何存储组件的配置，仅依赖太阳能、风能或它们的组合，并通过化石燃料能源来弥补发电不足。这些配置分别代表为配置1A（太阳能+化石燃料能源+需求）、配置2A（风能+化石燃料能源+需求）和配置3A（太阳能+风能+化石燃料能源+需求）。这些配置作为基准，提供了关于独立可再生能源系统在满足每小时电力需求和管理季节性变化方面的局限性的见解，而不需要存储干预。第二类将电池存储与可再生能源和化石燃料能源的使用相结合，增强了短期能量平衡和调度灵活性。这一类别包括配置1B（太阳能+电池存储+化石燃料能源+需求）、配置2B（风能+电池存储+化石燃料能源+需求）和配置3B（太阳能+风能+电池存储+化石燃料能源+需求）。通过结合BESS（电池储能系统），这些配置在日内波动期间提高了能源供应的可靠性，特别是在夜间或发电量低的时段。然而，它们在应对长时间低可再生能源可用性方面仍然有限——特别是在冬季——这突显了需要补充的长期存储解决方案。第三类同时整合了电池和氢存储，允许延长能量保留时间并提高系统韧性。这包括配置1C（太阳能+电池存储+氢存储+化石燃料能源+需求）、配置2C（风能+电池存储+氢存储+化石燃料能源+需求）和配置3C（太阳能+风能+电池存储+氢存储+化石燃料能源+需求）。这些配置实现了长期季节性能量存储，最小化了化石燃料能源的使用，并确保了系统的全年可持续性。为了评估每种配置的经济可行性，该研究分析了LCOE（平准化生命周期成本）和LCOH（平准化持有成本）。LCOE捕捉了系统生命周期内的平均发电成本（澳元/千瓦时），包括了资本支出（CAPEX）、运营支出（OPEX）和系统效率。对于包含氢存储的配置，使用LCOH（澳元/千克氢）来评估通过电解和再转换进行长期能量存储的成本效益。这些指标共同使得基于电池和基于氢的存储策略能够进行系统比较，突出了短期存储和季节性存储解决方案之间的权衡。以下部分的结果检查了可再生能源发电模式、电池和氢存储整合的影响以及所有九种系统配置的经济性能——首先评估了在不同季节条件下太阳能和风能如何与居民需求相匹配。4.1. 需求与可再生能源发电（太阳能和风能）图9展示了每月居民电力需求与来自风能和太阳能的可再生能源发电之间的比较分析。上部子图显示了多种涡轮机配置下的风能贡献，范围从2.1MW（1台涡轮机）到10.5MW（5台涡轮机）。下部子图展示了集中式光伏系统的发电情况，容量从1MW到50MW，并补充了18.5MW的分布式屋顶光伏，代表了Broadmeadows的总太阳能潜力。图9突出了太阳能的明显季节性变化，夏季达到峰值，而冬季由于太阳辐射减少和日照时间缩短而急剧下降。即使使用最大模型容量（50MW + 屋顶光伏），太阳能也无法完全满足冬季需求，这强调了太阳能光伏作为独立解决方案的局限性。相反，风能发电全年相对稳定，峰值出现在冬季月份——与较高的居民能源需求相吻合。特别是4台涡轮机（8.4MW）和5台涡轮机（10.5MW）的系统，其发电曲线与季节性需求波动紧密对齐，展示了它们在太阳能表现不佳时抵消化石燃料能源使用的潜力。这些发现强调了Broadmeadows地区风能和太阳能发电之间的季节性互补性。太阳能由于高辐照度在夏季表现强劲，但在冬季输出大幅减少。相比之下，风能在全年保持相对稳定的发电量，尤其是在冬季——当需求最高而太阳能输出最低时。这种相反的季节性行为使风能在补偿太阳能不足方面发挥了关键稳定作用，尤其是在高容量风能配置中（例如8.4MW和10.5MW）。虽然单独的太阳能不足以全年维持需求，但将风能整合到系统中可以提高能源韧性并减少化石燃料能源的使用。一个由电池和氢存储支持的平衡的太阳能-风能混合配置提供了更加稳健和季节性平衡的能源供应。下载：下载高分辨率图像（819KB）下载：下载全尺寸图像图9. Melbourne Broadmeadows地区风能和太阳能发电与需求的月度比较。表2. 仅太阳能、仅风能以及无存储的混合系统的关键性能指标。RERs案例和配置平均需求满足率（%）平均化石燃料能源使用量（MWh）化石燃料运行小时数LCOE太阳能最佳（50 MW）45.716.0013400.21平均（3 MW）34.837.2217300.25最差（1 MW）33.597.3517340.25风能最佳（10.5 MW）73.951.504931.02平均（6.3 MW）52.922.568751.01最差（2.1 MW）3.786.6220430.93混合（风能＋太阳能）最佳（太阳能50 MW ＋ 风能10.5 MW）85.040.832730.66平均（太阳能3 MW ＋ 风能2.1 MW）33.614.3514030.67最差（太阳能1 MW ＋ 风能2.1 MW）32.254.4214290.704.2. 基于性能的混合能源配置选择和排名为了进行稳健的比较分析，本研究应用了一个基于性能的选择框架来对所有九种建模的混合配置进行排名。选择基于四个核心技术经济指标：（1）可再生能源贡献（%需求满足率），（2）化石燃料运行小时数，（3）化石燃料能源使用量（MWh），（4）经济可行性（LCOE/LCOH）。每个配置都根据这些指标进行评估，并使用最小-最大缩放（公式（29）进行标准化，然后分配一个综合性能分数（公式（30））。根据这些分数，在每个系统类别（仅太阳能、仅风能和混合）中确定了一个最佳案例、一个最差案例和一个平均表现案例。这种结构化的排名方法确保了案例选择的透明性和一致性，并支持对技术性能、能源安全和成本效益的有意义评估。这些指标定义如下：第一个指标是可再生能源满足的总需求百分比，表示自给自足的程度，较高的值对应于对化石燃料的依赖减少。第二个指标是化石燃料运行小时数，衡量系统可靠性，较少的小时数表示更高的能源安全性。第三个指标是化石燃料能源使用量（MWh），反映了所需的化石燃料发电量，较低的值表示更大的自主性和可持续性。最后一个指标是经济可行性，通过LCOE和LCOH进行评估，以提供不同存储策略的全面成本效益评估。这些指标共同提供了在现实运行条件下的系统性能的全面视图。为了系统地根据多个标准对系统性能进行排名，本研究采用了基于性能的评估框架，该框架借鉴了HRES（混合可再生能源系统）中常用的多标准决策制定（MCDM）方法[117]，[118]。该方法旨在最大化可再生能源贡献，同时最小化化石燃料运行小时数、化石燃料能源使用量和经济成本。这一目标在数学上表示为公式（28）：(28)max(f1),min(f2,f3,f4)其中：•f1表示可再生能源满足的总需求百分比；较高的值表示更大的自给自足和更低的化石燃料依赖。•f2对应于化石燃料运行小时数，应尽量减少以提高系统可靠性。•f3表示化石燃料能源使用量（MWh），较低的值表示更大的能源自主性。•f4代表LCOE和LCOH，应尽量减少以确保成本效益和经济可行性。基于此框架，从每个系统类别中选择了三个代表性配置，包括独立可再生能源系统（无存储）、集成电池的系统以及结合电池和氢存储的系统。每个组包括一个表现最佳、表现最差和表现平均的案例，这些案例是根据四个标准化指标（可再生能源贡献、化石燃料运行小时数、化石燃料能源使用量（MWh）和经济可行性（LCOE/LCOH）的综合性能分数确定的。这种分类总共产生了九个代表性配置，为系统类型内部和之间的比较提供了结构化的基础。所选案例突出了在不同季节条件下不同存储整合水平相关的技术经济权衡。由于选定的技术经济指标——即需求满足百分比、化石燃料运行小时数、化石燃料能源使用量（MWh）和LCOE/LCOH——使用不同的单位和优化方向，因此应用了最小-最大标准化方法将所有指标统一到一个共同的尺度上。这允许对系统配置进行无偏见的比较。标准化使用公式（29）计算：(29)Nx=x?xminxmax?xmin其中Nx是每个指标x的标准化值，xmin和xmax代表所有系统配置中观察到的最小值和最大值。这种转换通过将指标与不同的量和优化目标对齐来确保可比性。为了为每个配置生成一个综合性能分数，评估在最大化可再生能源贡献的同时最小化化石燃料运行小时数、化石燃料能源使用量（MWh）和经济成本（LCOE/LCOH）。最终分数使用公式（30）计算：(30)Nx=x?xminSi=Nf1?Nf2?Nf3?Nf4其中Si表示配置i的总体性能分数，标准化项对应于四个性能指标中的每一个。较高的分数反映了在技术和经济维度上的优越系统性能。这种排名方法借鉴了在可再生能源规划中广泛采用的多标准决策制定（MCDM）方法，用于评估在冲突目标下的混合系统可行性[119]。通过应用这种结构化的评估框架，研究确定了在能源充足性、可靠性和可负担性方面最有效和最无效的配置。以下部分对这些代表性案例进行了详细评估，检查了它们的季节性能源充足性、化石燃料运行小时数、化石燃料能源使用量（MWh）和总体技术经济可行性，以确定最可行的混合可再生能源系统配置。4.3. 无存储的仅太阳能和仅风能系统的性能分析本节分析了无存储的仅太阳能、仅风能和混合太阳能-风能配置的性能。分析涵盖了能源充足性、化石燃料运行小时数、化石燃料能源使用量（MWh）和经济可行性。太阳能的容量范围从1 MW到50 MW，风能的容量分别为2.1 MW和10.5 MW，从而可以在不同的部署规模上进行比较。无存储系统的一个关键挑战是它们的季节性变化。这直接影响它们维持稳定能源供应的能力。由于夏季辐照度较高，太阳能发电在夏季达到峰值，而风能在冬季通常更强，跟随区域循环模式。这些季节性动态表明，混合太阳能-风能系统可以提高整体能源韧性。下载：下载高分辨率图像（866KB）下载：下载全尺寸图像图10. 不同情况下仅可再生能源配置（太阳能、风能和混合）的比较性能。4.3.1. 无存储的仅太阳能和仅风能系统的能源充足性系统满足能源需求的能力受到太阳辐射和风速波动的强烈影响。太阳能光伏在夏季表现良好，但由于日照时间短和云层覆盖，在冬季发电量大幅下降。表2总结了各种系统配置的平均需求满足率。最佳情况下的仅太阳能系统（50 MW）满足了45.71%的需求，而最差情况下的（1 MW）仅满足了33.59%的需求，这说明了小型太阳能部署的局限性。平均情况下的（3 MW太阳能）达到了34.83%，进一步表明即使是中型太阳能安装也无法确保全年充足。仅风能系统通常比太阳能系统具有更高的能源充足性，特别是在冬季。最佳情况下的纯风能系统（10.5兆瓦）能够满足73.97%的能源需求，而最差情况下的风能系统（2.1兆瓦）仅能满足3.78%的需求，这表明小型风能设施不足以独立运行。平均情况下的风能系统（6.3兆瓦）能满足52.92%的需求，进一步凸显了风能在全年保持稳定输出方面的优势。太阳能与风能的混合系统通过利用这两种能源的季节性互补性显著提高了能源供应的充足性。最佳情况下的混合系统（50兆瓦太阳能+10.5兆瓦风能）能够满足85.04%的需求，优于单独使用太阳能或风能的系统。即使是最差情况下的混合系统（1兆瓦太阳能+2.1兆瓦风能），也能满足32.25%的需求，相比单独使用太阳能系统具有更好的季节稳定性。图10（左上角面板）展示了这些趋势。

4.3.2 化石燃料能源使用量（兆瓦时）
尽管太阳能和风能是可再生能源，但由于其间歇性和季节性变化，它们仍然部分依赖于化石燃料能源。表2展示了不同系统配置下的化石燃料能源使用量。
纯太阳能系统在冬季的化石燃料能源使用量最高。在最差情况下（1兆瓦），化石燃料能源使用量为7.35兆瓦时；即使在最佳情况下（50兆瓦），也需要6.00兆瓦时。
纯风能系统通常需要较少的化石燃料能源，得益于冬季较强的风力。在最差情况下（2.1兆瓦），化石燃料能源使用量仍为6.62兆瓦时。
太阳能与风能的混合系统通过利用这两种能源的季节性互补性，实现了最低的化石燃料能源使用量。最佳情况下的混合系统（50兆瓦太阳能+10.5兆瓦风能）仅需0.83兆瓦时的化石燃料能源，远低于任何单一能源的使用量。即使在最差情况下（1兆瓦太阳能+2.1兆瓦风能），化石燃料能源使用量也只有4.42兆瓦时，低于单独使用太阳能或风能的系统。图14（左下角面板）说明了这些趋势。

4.3.3 化石燃料运行小时数分析
化石燃料运行小时数表示可再生能源发电不足以满足需求时，需要依赖储存解决方案或化石燃料能源作为补充的时间。表2对不同系统配置下的化石燃料运行小时数进行了比较分析。
纯太阳能系统在冬季的化石燃料运行小时数较多。在最差情况下（1兆瓦太阳能），每年有1734小时的化石燃料运行时间；而最佳情况下（50兆瓦太阳能）也有1340小时——这突显了由于冬季光照有限和日变化导致太阳能光伏无法确保持续供应的问题。
纯风能系统的表现相对较好，如表2所示，最佳情况下的风能系统（10.5兆瓦）将化石燃料运行时间减少到493小时，几乎是纯太阳能系统的三分之一。平均情况下的风能系统（6.3兆瓦）也将化石燃料运行时间限制在875小时，优于同等容量的太阳能系统。这一优势主要归因于冬季风能资源的更稳定性。
太阳能与风能的混合系统实现了最低的化石燃料运行小时数，得益于季节性互补性。最佳情况下的混合系统（50兆瓦太阳能+10.5兆瓦风能）仅运行273小时——比最佳纯太阳能系统减少了79%。即使是最差情况下的混合系统（1兆瓦太阳能+2.1兆瓦风能），化石燃料运行时间也只有1429小时，仍低于单独使用太阳能或风能的系统。这些结果如图10（右上角面板）所示。

表3. 不同规模下太阳能-电池、风能-电池和混合（太阳能-风能-电池）系统的关键性能指标

| 情况和配置 | 平均满足需求百分比 (%) | 平均化石燃料能源使用量（兆瓦时） | 化石燃料运行小时数 | LCOE |
|---------------|-----------------|------------------|-------------|------------|
| 太阳能+电池 | 75.76 | 3.16 | 622 | 20.39 |
| 平均（10兆瓦） | 57.14 | 5.07 | 110 | 80.68 |
| 最差（1兆瓦） | 45.39 | 6.22 | 143 | 60.89 |
| 风能+电池 | 98.66 | 0.20 | 42 | 1.35 |
| 平均（4.2兆瓦） | 74.35 | 3.03 | 87 | 1.79 |
| 最差（2.1兆瓦） | 39.94 | 6.57 | 199 | 32.37 |
| 混合（太阳能+风能）+电池 | 99.89 | 0.01 | 55 | 2.32 |
| 平均（太阳能3兆瓦+风能2.1兆瓦） | 76.12 | 3.04 | 81 | 196.52 |
| 最差（太阳能1兆瓦+风能2.1兆瓦） | 75.07 | 3.14 | 85 | 26.77 |

4.3.4 成本分析（平准化能源成本趋势）
LCOE是一个核心经济指标，代表系统生命周期内每千瓦时的平均发电成本。它包括资本支出（CAPEX）、运营维护费用（O&M）和总能源产量。表2总结了本研究中评估的纯太阳能、纯风能和混合太阳能-风能配置的LCOE结果。
在三种系统类型中，纯太阳能配置的LCOE最低，从最佳情况下的0.21澳元/千瓦时到最差情况下的0.25澳元/千瓦时不等。然而，尽管成本指标有利，但这些系统由于化石燃料运行时间较长和化石燃料能源使用量较高，尤其是在冬季，限制了它们作为独立解决方案的可行性。
纯风能配置的LCOE较高，从最佳情况下的1.02澳元/千瓦时（10.5兆瓦风能）到最差情况下的0.93澳元/千瓦时（2.1兆瓦风能）不等。这种成本溢价主要是由于风能基础设施的资本和运营维护成本较高。尽管如此，风能系统在季节性方面提供了更好的稳定性——尤其是在冬季，当太阳能输出大幅下降时。
太阳能与风能的混合系统在成本和性能之间实现了最平衡的折中。最佳情况下的混合系统（50兆瓦太阳能+10.5兆瓦风能）的LCOE为0.66澳元/千瓦时，而最差情况下的混合系统（1兆瓦太阳能+2.1兆瓦风能）为0.70澳元/千瓦时。尽管这些数值略高于单独使用太阳能的系统，但化石燃料运行小时数和化石燃料能源使用量的显著减少是值得注意的。这一改进使混合系统成为经济上和运营上最具有韧性的纯可再生能源选项。
这些趋势在表2中总结，并在图10（右下角面板）中进行了说明，突显了混合化在不同季节条件下提供经济高效和可靠可再生能源供应的经济和运营优势。
比较分析涵盖了最佳、平均和最差情况下的纯太阳能、纯风能和混合太阳能-风能配置，评估了能源充足性、化石燃料运行小时数、化石燃料能源使用量和LCOE。图表显示，如果没有储能设施，资源组成直接影响系统在不同容量下的可靠性和经济可行性。

4.4 电池集成系统的性能分析
将电池储能集成到基于可再生能源的配置中可以提高系统可靠性，减少化石燃料运行时间，并限制化石燃料能源使用量。在本研究中，我们评估了多个规模下的太阳能-电池、风能-电池和混合太阳能-风能-电池系统，评估了短期储能对提高能源充足性和运营稳定性的作用。

4.4.1 电池集成系统的能源充足性
电池储能通过在高峰发电期间捕获多余的发电量并在可再生能源供应不足时释放，增加了直接使用可再生能源满足需求的比例。这种机制在夜间或阴天对太阳能系统特别有价值，在风速较低的时期对风能系统也有帮助。
表3总结了不同电池集成配置下满足需求的百分比。纯太阳能-电池系统相比单独使用太阳能的系统有显著改进。最佳情况下的纯太阳能-电池系统（50兆瓦太阳能+电池）能满足75.76%的需求，而最差情况下的纯太阳能-电池系统（1兆瓦太阳能+电池）只能满足45.39%。平均情况下的纯太阳能-电池系统（10兆瓦太阳能+电池）能满足57.14%的需求，显示出适度的可靠性提升。
风能-电池系统通常比纯太阳能系统具有更高的需求覆盖率，尤其是在较大容量下。最佳情况下的风能-电池系统（10.5兆瓦风能+电池）能满足98.66%的需求，表明几乎完全依赖可再生能源。虽然最差情况下的配置（2.1兆瓦风能+电池）只能满足39.94%的需求，但这突显了对充足风能资源的依赖性。
太阳能与风能的混合系统通过利用太阳能和风能的季节性互补性，表现优于所有其他配置。最佳情况下的混合系统（50兆瓦太阳能+10.5兆瓦风能+电池）能满足99.89%的需求。即使是最差情况下的配置（1兆瓦太阳能+2.1兆瓦风能+电池）也能满足75.07%的需求。图12展示了这些结果，表明将电池储能与多种可再生能源结合使用可以将化石燃料运行时间降至几乎可以忽略的水平，同时减少整个系统的化石燃料能源使用量。

图11. （a）纯太阳能-电池和（b）风能-电池配置的月度化石燃料运行小时数，显示了不同系统容量下的季节性变化。

4.4.2 电池集成系统中的化石燃料能源依赖性
电池储能通过允许在太阳能或风能供应不足时储存和调度多余的发电量，减少了了对化石燃料能源的依赖。表3总结了不同电池集成配置下的化石燃料能源使用量。
纯太阳能-电池系统仍然需要一定程度的化石燃料补充，最佳情况下（50兆瓦太阳能+电池）为3.16兆瓦时，最差情况下（1兆瓦太阳能+电池）为6.22兆瓦时。这些数字反映了太阳能的季节性间歇性，特别是在冬季发电量较低时。
风能-电池系统比纯太阳能-电池系统具有更低的化石燃料能源使用量，尤其是在较高风能容量下。最佳情况下的风能-电池系统（10.5兆瓦风能+电池）的化石燃料使用量降至0.20兆瓦时。这一改进主要归因于冬季较强的风能资源，更好地符合季节性需求模式。然而，在低容量配置（2.1兆瓦）中，化石燃料依赖性仍然较高，为6.57兆瓦时，凸显了即使有电池支持，小型风能系统的局限性。
太阳能与风能的混合系统在所有情况下都实现了最低的化石燃料依赖性。最佳情况下的混合系统（50兆瓦太阳能+10.5兆瓦风能+电池）仅运行273小时——比最佳纯太阳能系统减少了79%。即使是最差情况下的混合系统（1兆瓦太阳能+2.1兆瓦风能+电池）也记录了1429小时，仍低于单独使用太阳能或风能的系统。这些结果如图10（右下角面板）所示。

表3. 不同规模下太阳能-电池、风能-电池和混合（太阳能-风能-电池）系统的关键性能指标

| 情况和配置 | 平均满足需求百分比 (%) | 平均化石燃料能源使用量（兆瓦时） | 化石燃料运行小时数 | LCOE |
|---------------|-----------------|------------------|-------------|------------|
| 太阳能+电池 | 75.76 | 3.16 | 622 | 20.39 |
| 平均（10兆瓦） | 57.14 | 5.07 | 110 | 80.68 |
| 最差（1兆瓦） | 45.39 | 6.22 | 143 | 60.89 |
| 风能+电池 | 98.66 | 0.20 | 42 | 1.35 |
| 平均（4.2兆瓦） | 74.35 | 3.03 | 87 | 1.79 |
| 最差（2.1兆瓦） | 39.94 | 6.57 | 199 | 32.37 |
| 混合（太阳能+风能）+电池 | 99.89 | 0.01 | 55 | 2.32 |
| 平均（太阳能3兆瓦+风能2.1兆瓦） | 76.12 | 3.04 | 81 | 196.52 |
| 最差（太阳能1兆瓦+风能2.1兆瓦） | 75.07 | 3.14 | 85 | 26.77 |

4.4.4 成本分析（平准化能源成本趋势）
LCOE是一个核心经济指标，代表系统生命周期内每千瓦时的平均发电成本。它包括资本支出、运营维护费用和总能源产量。表2总结了本研究中评估的纯太阳能、纯风能和混合太阳能-风能配置的LCOE结果。
在三种系统类型中，纯太阳能配置的LCOE最低，从最佳情况下的0.21澳元/千瓦时到最差情况下的0.25澳元/千瓦时不等。然而，尽管成本指标有利，但这些系统由于化石燃料运行时间较长和化石燃料能源使用量较高，尤其是在冬季，限制了它们作为独立解决方案的总体可行性。
纯风能配置的LCOE较高，从最佳情况下的1.02澳元/千瓦时（10.5兆瓦风能）到最差情况下的0.93澳元/千瓦时（2.1兆瓦风能）不等。这种成本溢价主要是由于风能基础设施的资本和运营维护成本较高。尽管如此，风能系统在季节性方面提供了更好的稳定性——即使在没有储能的情况下也是如此。
太阳能与风能的混合系统在成本和性能之间实现了最平衡的折中。最佳情况下的混合系统（50兆瓦太阳能+10.5兆瓦风能）的LCOE为0.66澳元/千瓦时，而最差情况下的混合系统（1兆瓦太阳能+2.1兆瓦风能）为0.70澳元/千瓦时。尽管这些数值略高于单独使用太阳能的系统，但化石燃料运行小时数和化石燃料能源使用量的显著减少是值得注意的。这种改进使混合系统成为经济上和运营上最具有韧性的纯可再生能源选项。
这些趋势在表2中总结，并在图10（右下角面板）中进行了说明，突显了混合化在不同季节条件下提供经济高效和可靠可再生能源供应的经济和运营优势。
比较分析涵盖了最佳、平均和最差情况下的纯太阳能、纯风能和混合太阳能-风能配置，评估了能源充足性、化石燃料运行小时数、化石燃料能源使用量和LCOE。图表显示，没有储能设施时，资源组成直接影响系统在不同容量下的可靠性和经济可行性。

4.4.5 电池集成系统的性能分析
将电池储能集成到基于可再生能源的配置中可以提高系统可靠性，减少化石燃料运行时间，并限制化石燃料能源使用量。在本研究中，我们评估了多个规模下的太阳能-电池、风能-电池和混合太阳能-风能-电池系统，评估了短期储能对提高能源充足性和运营稳定性的作用。

4.4.1 电池集成系统的能源充足性
电池储能通过在高峰发电期间捕获多余的发电量并在可再生能源供应不足时释放，增加了直接使用可再生能源满足需求的比例。这种机制在夜间或阴天对太阳能系统特别有价值，在风速较低的时期对风能系统也有帮助。
表3总结了不同电池集成配置下满足需求的百分比。纯太阳能-电池系统相比单独使用太阳能的系统有显著改进。最佳情况下的纯太阳能-电池系统（50兆瓦太阳能+电池）能满足75.76%的需求，而最差情况下的纯太阳能-电池系统（1兆瓦太阳能+电池）只能满足45.39%。平均情况下的纯太阳能-电池系统（10兆瓦太阳能+电池）能满足57.14%，显示出适度的可靠性提升。
风能-电池系统通常比纯太阳能系统具有更高的需求覆盖率，尤其是在较大容量下。最佳情况下的风能-电池系统（10.5兆瓦风能+电池）能满足98.66%的需求，表明接近完全依赖可再生能源。虽然最差情况下的配置（2.1兆瓦风能+电池）只能满足39.94%的需求，但这突显了对充足风能资源的依赖性。
太阳能与风能的混合系统通过利用太阳能和风能的季节性互补性，表现优于所有其他配置。最佳情况下的混合系统（50兆瓦太阳能+10.5兆瓦风能+电池）能满足99.89%的需求。即使是最差情况下的配置（1兆瓦太阳能+2.1兆瓦风能+电池）也能满足75.07%的需求。图12展示了这些结果，表明将电池储能与多种可再生能源结合使用可以将化石燃料运行时间降至几乎可以忽略的水平，同时减少整个系统的化石燃料能源使用量。

图11. （a）纯太阳能-电池和（b）风能-电池配置的月度化石燃料运行小时数，显示了不同系统容量下的季节性变化。

4.4.2 电池集成系统中的化石燃料能源依赖性
电池储能通过允许在太阳能或风能供应不足时储存和调度多余的发电量，减少了了对化石燃料能源的依赖。表3总结了不同电池集成配置下的化石燃料能源使用量。
纯太阳能-电池系统仍然需要一定程度的化石燃料补充，最佳情况下（50兆瓦太阳能+电池）为3.16兆瓦时，最差情况下（1兆瓦太阳能+电池）为6.22兆瓦时。这些数字反映了太阳能的季节性间歇性，特别是在冬季发电量较低时。
风能-电池系统比纯太阳能-电池系统具有更低的化石燃料能源使用量，尤其是在较高风能容量下。在最佳情况下（10.5兆瓦风能+电池），化石燃料输入量降至0.20兆瓦时。这一改进主要归因于冬季较强的风能资源，更好地符合季节性需求模式。然而，在低容量配置（2.1兆瓦）中，化石燃料依赖性仍然较高，为6.57兆瓦时，这凸显了即使有电池支持，小型风能系统的局限性。
太阳能与风能的混合系统在所有情况下都实现了最低的化石燃料依赖性。最佳情况下的混合系统（50兆瓦太阳能+10.5兆瓦风能+电池）仅需要0.015兆瓦时的化石燃料能源作为备用，实现了几乎完全的能源自主性。即使是最差情况下的配置（1兆瓦太阳能+2.1兆瓦风能+电池），使用量也降至3.14兆瓦时——远低于纯太阳能或风能系统。这一结果突显了资源互补性与短期储能结合的优势。

4.4.3 电池集成系统的化石燃料运行小时数分析
电池集成通过确保在可再生能源发电不足时储存的能源可用，减少了所有系统配置下的化石燃料运行时间。
表3展示了不同电池集成配置下的化石燃料运行小时数。纯太阳能-电池系统仍然对化石燃料备份有一定依赖，最差情况下的纯太阳能-电池系统（1兆瓦太阳能+电池）记录了1436小时的化石燃料运行时间。相比之下，最佳情况下的配置（50兆瓦太阳能+电池）将这一数字显著降至622小时。
风能-电池系统在限制化石燃料运行时间方面表现优于纯太阳能-电池系统。最佳情况下的风能-电池系统（10.5兆瓦风能+电池）每年仅需42小时的化石燃料运行时间，显示出高可靠性。然而，最差情况下的风能-电池配置（2.1兆瓦风能+电池）仍记录了1993小时，表明较小规模的风能-电池配置仍然容易受到间歇性的影响。
太阳能与风能的混合系统实现了最低的化石燃料运行时间，进一步提高了系统可靠性。最佳情况下的混合系统（50兆瓦太阳能+10.5兆瓦风能+电池）将化石燃料运行时间减少到每年5小时，而最差情况下的混合系统（1兆瓦太阳能+2.1兆瓦风能+电池）也将其限制在852小时。不同系统规模下的化石燃料运行时间分布如图11所示。

图12. 不同规模下电池集成配置的比较性能——纯太阳能-电池、风能-电池和混合（太阳能-风能-电池）。

图13. 不同规模下氢能集成配置的比较性能——纯太阳能-电池-氢能、风能-电池-氢能和混合（太阳能-风能-电池-氢能）。

4.4.4 电池集成系统的成本分析
电池储能的集成导致总体LCOE上升，因为增加了资本投资和运营成本。尽管如此，这种成本上升通常可以通过化石燃料运行时间的显著减少、能源独立性的提高和系统可靠性的增强来证明其合理性。表3总结了不同电池集成配置的LCOE值。
在三种系统类型中，纯太阳能-电池配置的LCOE最低，从最佳情况下的0.39澳元/千瓦时到最差情况下的0.89澳元/千瓦时不等。虽然这些数值高于单独使用太阳能的系统，但这种成本增加被提高的可靠性和减少的化石燃料能源使用量所抵消。
风能-电池系统的LCOE通常高于基于太阳能的系统。最低的LCOE为1.35澳元/千瓦时（10.5兆瓦风能+电池配置），最高的为2.37澳元/千瓦时（2.1兆瓦配置）。这反映了风能涡轮机的较高资本和维护成本，以及储能集成的额外费用。
太阳能与风能的混合系统报告了最高的LCOE值。这是由于两种可再生能源和大规模储能的基础设施成本所致。在最佳配置的混合系统中（50兆瓦太阳能+10.5兆瓦风能+蓄电池），平准化能源成本（LCOE）为2.32澳元/千瓦时；而在最差配置中（1兆瓦太阳能+2.1兆瓦风能+蓄电池），LCOE达到6.77澳元/千瓦时。尽管集成蓄电池会增加发电成本，但这些系统能够提供更强的运行韧性，更稳定地满足需求，并显著减少化石燃料的运行时间。图12展示了成本与性能之间的权衡，说明了尽管初始成本较高，蓄电池储能如何支持长期可持续性。

4.5 氢能集成系统的性能分析
在太阳能、风能和可再生能源系统（HRES）配置中加入氢储能可以增强系统的韧性，特别是对抗季节性间歇性问题。这种集成还通过允许储存和调度多余的可再生能源来减少化石燃料的使用。以下分析评估了不同系统规模的太阳能-蓄电池-氢能、风能-蓄电池-氢能以及混合太阳能-风能-蓄电池-氢能配置。

4.5.1 氢能集成系统的能源充足性
氢储能对于提高长期能源充足性起着关键作用。大规模混合系统尤其受益，因为多余的可再生能源可以转化为氢能并储存较长时间，然后在需要时重新转化为电能。表4显示了各种氢能集成配置满足需求的百分比。对于太阳能-蓄电池-氢能系统，与仅使用蓄电池的系统相比，其性能有所提升但幅度适中。在最佳情况下（50兆瓦太阳能+蓄电池+氢能），79.77%的需求得到满足；最差情况下（1兆瓦太阳能+蓄电池+氢能）仍能满足45.44%的需求；而平均情况下（10兆瓦太阳能+蓄电池+氢能）则达到59.28%，表明随着系统规模的扩大，能源安全性有所提升。由于风能的稳定性更强，风能-蓄电池-氢能系统的能源充足性更高。最佳情况下的风能-氢能系统（10.5兆瓦风能+蓄电池+氢能）能满足98.66%的需求，而最差情况下（2.1兆瓦风能+蓄电池+氢能）为39.94%。这些结果强调了充足的风能容量对于可靠运行的重要性。混合太阳能-风能-蓄电池-氢能系统由于太阳能和风能资源的季节性互补性而具有最高的能源充足性。最佳配置（50兆瓦太阳能+10.5兆瓦风能+蓄电池+氢能）几乎能满足所有需求（99.99%），即使是最差情况（1兆瓦太阳能+2.1兆瓦风能+蓄电池+氢能）也能达到78.67%。图13展示了这些比较趋势。

氢能集成配置相对较高的LCOE有两个主要原因：首先，氢能产业链（包括电解槽、压缩机、储罐和燃料电池）增加了资本成本，并引入了大约40%-45%的转换损失，从而降低了净电能输出；其次，为确保可靠性而保留的柴油发电机每年仅运行不到0.5%的时间，其固定的维护和备用成本分散在非常有限的输出上，因此即使实际化石燃料使用量很小，也会推高平准化成本。

表4. 不同规模下太阳能-蓄电池-氢能、风能-蓄电池-氢能和混合（太阳能-风能-蓄电池-氢能）系统的关键性能指标。

4.5.2 氢能集成系统中的化石燃料使用量
加入氢储能通过实现季节性能源转移和长期储存进一步减少了化石燃料的使用。表4显示了所有系统配置下的化石燃料使用量。太阳能-氢能系统仍需要部分化石燃料作为备用，尤其是在较小规模下。最差情况下的太阳能-氢能系统（1兆瓦太阳能+蓄电池+氢能）需要6.22兆瓦时的化石燃料；而最佳情况下的系统（50兆瓦太阳能+蓄电池+氢能）仅使用2.84兆瓦时的化石燃料。风能-氢能系统由于风能的稳定性更好，其化石燃料使用量更低。最佳情况下的风能-氢能系统（10.5兆瓦风能+蓄电池+氢能）能满足98.66%的需求，最差情况下为39.94%。这些结果强调了充足的风能容量对于可靠运行的重要性。混合太阳能-风能-蓄电池-氢能系统由于太阳能和风能资源的季节性互补性而具有最高的能源充足性。最佳配置（50兆瓦太阳能+10.5兆瓦风能+蓄电池+氢能）几乎能满足所有需求（99.99%），即使是最差情况（1兆瓦太阳能+2.1兆瓦风能+蓄电池+氢能）也能达到78.67%。这一性能明显优于单一来源的氢能集成系统。

4.5.3 氢能集成系统中的化石燃料运行时间分析
氢储能通过确保在太阳能、风能和蓄电池储备不足时长期能源可用性，在减少化石燃料运行时间方面起着关键作用。表4显示了不同氢能集成系统配置下的化石燃料运行时间。在小型系统中，对化石燃料的依赖仍然显著。最差情况下的太阳能-氢能系统（1兆瓦太阳能+蓄电池+氢能）每年运行1435小时；而最佳情况下（50兆瓦太阳能+蓄电池+氢能）将这一时间减少到526小时。风能-氢能系统在减少化石燃料使用方面表现更好。最佳情况下的风能-氢能系统（10.5兆瓦风能+蓄电池+氢能）每年仅需42小时，反映了高可靠性；而最差情况下（2.1兆瓦风能+蓄电池+氢能）仍需1993小时。混合太阳能-风能-蓄电池-氢能系统实现了最低的化石燃料运行时间，提供了最高的能源安全性。最佳配置（50兆瓦太阳能+10.5兆瓦风能+蓄电池+氢能）将化石燃料运行时间限制在每年1小时；即使是最差情况（1兆瓦太阳能+2.1兆瓦风能+蓄电池+氢能）也仅需740小时——这比单一来源的氢能系统有了显著改进。

4.5.4 成本分析（能源和平准化氢成本的趋势）
氢储能的集成不可避免地增加了资本和运营支出，从而影响系统的LCOE和LCOH（生命周期成本）。图13总结了所评估的各种配置下的成本模式。

4.5.4.1 能源的平准化成本趋势
在分析的配置中，太阳能-氢能系统的LCOE最低，从最佳情况下的50兆瓦太阳能+蓄电池+氢能的0.53澳元/千瓦时到最差情况下的1兆瓦太阳能+蓄电池+氢能的1.29澳元/千瓦时不等。这一成本优势主要归因于光伏安装的较低资本成本。然而，季节性间歇性限制了它们的独立可行性，导致在氢生产剩余能量有限的情况下LCOH值较高。相比之下，风能-氢能系统的LCOE较高，从最佳情况下的10.5兆瓦风能+蓄电池+氢能的1.35澳元/千瓦时到最差情况下的2.37澳元/千瓦时不等。这些较高的成本源于风力发电安装的资本密集性和风能可用性的变化，这影响了能源储存和转换效率。尽管存在成本挑战，基于风能的氢生产全年都比单独的太阳能系统更稳定。混合太阳能-风能-氢能系统在所有配置中记录了最高的LCOE，从最佳情况下的50兆瓦太阳能+10.5兆瓦风能+蓄电池+氢能的2.32澳元/千瓦时到最差情况下的6.76澳元/千瓦时不等。增加的成本是由于集成多种可再生能源和氢储能所需的额外基础设施。然而，这些系统也提供了最高的能源充足性，化石燃料运行时间最少，化石燃料使用量几乎可以忽略不计，这加强了它们在长期低碳能源安全方面的适用性。

4.5.4.2 氢的平准化成本趋势
单独的太阳能和风能-氢能系统显示出较高的LCOH值（太阳能-氢能44.13澳元/千克，风能-氢能39.67澳元/千克），使其在经济上不太可行。这些高成本源于氢生产的不一致性和有限的剩余能量。混合太阳能-风能-氢能系统实现了最低的LCOH值，从最佳情况下的0.04澳元/千克到最差情况下的0.60澳元/千克，显示出更好的成本效益。这些配置通过更平衡的可再生能源供应最大化了氢生产，确保了较低的氢生产成本和更好的长期可行性。对于不生产氢的配置，LCOH不适用（N/A），因为氢生产量为零。由于LCOH是总成本除以年氢产量计算得出的，当没有氢产生时，分母变为零，导致每单位氢的成本无法定义。这强调了维持足够剩余可再生能源以维持电解过程和经济可行性的必要性。

4.6 敏感性分析
进行了详细的敏感性分析，以评估组件尺寸如何影响HRES的技术经济性能。在相同的气象和需求条件下，分析了太阳能光伏容量、风力涡轮机数量、蓄电池储能和氢储能的变化。每种配置都通过集成调度模型进行了模拟，并评估了两个主要经济指标：LCOE和LCOH。该分析确定了每种子系统组合在发电和储能容量之间的成本最优平衡。

4.6.1 混合太阳能-风能-蓄电池-氢能系统
分析了集成太阳能、风能、蓄电池和氢能子系统的混合配置，以量化整体技术经济性能对发电规模变化的敏感性。通过改变太阳能农场容量从1兆瓦到50兆瓦以及风力涡轮机数量从1台到5台，同时保持蓄电池和氢储能参数不变，模拟了总共五十种不同的情景（C1-C50）。结果表明，随着可再生能源发电容量的增加，LCOE和LCOH均呈下降趋势，表明系统强烈依赖于多种资源的组合。在较小容量（1-5兆瓦太阳能和1-2台风力涡轮机）下，系统经常出现短缺和高能源成本，LCOE值超过4澳元/千瓦时。随着太阳能容量增加到20-30兆瓦且涡轮机数量超过3台，可再生能源利用率显著提高，导致电解槽运行稳定，削减减少，电池循环应力降低。在这个中等范围内，综合成本指标趋于LCOE = 2.35澳元/千瓦时和LCOH = 0.048澳元/千克氢，表明进一步增加容量带来的边际效益很小。图14展示了LCOE和LCOH对太阳能农场容量的敏感性。在大约30兆瓦之前，LCOE和LCOH急剧下降，之后趋于平稳，表明经济效益递减。同样，图15强调了风力涡轮机数量的作用，将涡轮机数量从1台增加到5台可使LCOE降低近65%，并相应降低氢成本。这种趋势源于两种可再生能源的时间互补性：白天的太阳能发电稳定了白天的需求，而风能在夜间提供连续供应。这些效果共同提高了电解槽的利用率，并减少了系统对储存氢和柴油备用的依赖。

4.6.2 太阳能-蓄电池-氢能系统
评估了太阳能-蓄电池-氢能配置，以了解光伏发电容量的变化如何影响系统的技经济性能。表5总结了十个配置（S1-S10），太阳能农场容量从1兆瓦到50兆瓦不等，同时保持储能容量和需求条件不变。结果表明，太阳能容量与成本之间存在强烈的反比关系：随着光伏发电量的增加，平准化成本（LCOE）和生命周期成本（LCOH）都在下降。在最小容量（S1）下，由于可再生能源过剩不足，无法维持电解槽的运行，因此无法产生氢气；因此，LCOH在表5中被定义为“N/A”。为了保持图16的图形连续性，该点被绘制为零。当系统容量超过2兆瓦时，氢气生产开始，但由于电解槽利用率低和间歇性运行，初始成本非常高（例如，S2的氢气成本为87,373澳元/千克）。随着太阳能容量的进一步增加，系统进入盈余驱动模式，LCOE和LCOH显著降低。当容量超过30兆瓦时，这两个指标趋于稳定，表明达到了成本饱和区域，在此区域增加光伏发电量的边际效益很小。图16清楚地展示了这一行为：LCOE曲线在10兆瓦左右之前急剧下降，反映了随着太阳能可用性的增加，系统效率的快速提高；之后曲线趋于平缓，表明边际效益递减。LCOH曲线从极高的初始值呈指数级下降，在50兆瓦时降至约44澳元/千克，表明电解槽利用率提高，氢气生产稳定。总体而言，太阳能-电池-氢气组合展示了显著的成本规模经济性，在较高的太阳能容量下实现了技术和经济的最佳平衡。

**图16. 太阳能发电容量对太阳能-电池-氢气组合的LCOE和LCOH的影响。**

**表5. 不同太阳能发电容量下太阳能-电池-氢气系统的性能指标。**

| 容量范围 | 代表性配置 | LCOE（澳元/千瓦时） | LCOH（澳元/千克） |
|---------|-----------|-------------|-------------|
| 低容量范围（1-3兆瓦）| S1（1000千瓦） | 1.296 | N/A |
| | S2（2000千瓦） | 1.249 | 87,373.81 |
| | S3（3000千瓦） | 1.205 | 14,095.77 |
| 中等容量范围（4-10兆瓦）| S4（4000千瓦） | 1.165 | 768 |
| | S5（5000千瓦） | 1.128 | 397 |
| | S6（10,000千瓦） | 0.976 | 561 |
| 高容量范围（20-50兆瓦）| S7（20,000千瓦） | 0.781 | 157 |
| | S8（30,000千瓦） | 0.662 | 85.9 |
| | S9（40,000千瓦） | 0.582 | 85.9 |
| | S10（50,000千瓦） | 0.525 | 44.1 |

**4. 风能-电池-氢气系统**
通过改变风力涡轮机的数量（从1台到5台），同时保持电池和氢储存容量的固定，评估了风能-电池-氢气组合的敏感性。表6总结了W1-W5配置的技术经济结果。随着风能容量的增加，LCOE呈现出明显的下降趋势，表明更多的可再生能源发电具有成本效益。对于W1和W2配置，由于可再生能源过剩不足，无法启动电解槽，因此LCOH在表6中被定义为“N/A”。为了保持图17的图形连续性，这些情况显示为零值。当系统配备三台或更多涡轮机时，氢气生产变得可行，LCOH从W3的约269澳元/千克显著下降到W5的约40澳元/千克。同时，LCOE从2.37澳元/千瓦时下降到1.35澳元/千瓦时，表明可再生能源利用率提高，对非可再生能源备份的依赖减少。图17显示，LCOE的初始急剧下降反映了系统在低风能容量下对发电充足性的高敏感性，而超过四台涡轮机后的平缓趋势表明边际效益递减。两个成本指标的趋同表明，适度的涡轮机规模扩大可以在不增加过多资本的情况下实现最佳的技术经济平衡。总体而言，风能-电池-氢气组合在风能渗透率增加时显示出显著的成本效率和氢气生产的可行性，加强了其在集成混合可再生能源框架中的重要性。

**图17. 风力涡轮机数量对风能-电池-氢气组合的LCOE和LCOH的影响。**

**表6. 不同风力涡轮机数量下风能-电池-氢气系统的性能指标。**

| 容量范围 | 代表性配置 | LCOE（澳元/千瓦时） | LCOH（澳元/千克） |
|---------|-----------|-------------|-------------|
| 低容量范围（1-2台涡轮机）| W1（1台） | 2.370 | N/A |
| | W2（2台） | 1.795 | N/A |
| 高容量范围（3-5台涡轮机）| W3（3台） | 1.567 | 269.50 |
| | W4（4台） | 1.436 | 71.07 |
| | W5（5台） | 1.354 | 39.68 |

**4.8. 全面集成混合可再生能源系统的整体效率**
为了评估包括太阳能光伏、风力涡轮机、电池储能、氢气生产和再转化以及柴油备份在内的全面集成配置的转换效率，整体系统效率被定义为供应的总电能与储存和转化损失前的总可再生能源电能之比。该配置实现了接近100%的可再生能源供应覆盖率，代表了本研究中评估的最全面和操作上最自主的设计：
$$\eta_{\text{system}} = \frac{E_{\text{delivered, load}}{E_{\text{input, renewables}} \times 100}$$
对于表现最佳的Broadmeadows规模系统，模拟的整体效率约为40%，表明在考虑所有转化和削减损失后，大约五分之二的可再生能源电能最终交付给了终端用户。在所有电池-氢气混合配置中，系统级效率在27.5%到83.9%之间（中位数47.6%），这取决于容量大小和削减强度。在削减较小的情况下观察到更高的效率，而较大系统虽然能量效率较低，但具有更高的韧性和接近完全的可再生能源自主性。这种关系强调了能源自主性和转换效率之间的内在权衡，这是其他高渗透率混合可再生能源-氢气系统中的常见特征。尽管多阶段储能引入了不可避免的损失，但集成配置几乎实现了化石燃料的完全替代，代表了可再生能源利用和可靠性之间的最佳平衡。

**4.8. 成本和能源贡献分解**
为了补充技术经济比较，每个子系统的年度能源贡献与其在最佳配置（光伏+风力涡轮机+电池+氢气+柴油）中的相对成本份额进行了对齐。通过整合混合模拟的每小时调度数据，量化了每个组件满足的总需求比例。光伏和风力发电共同提供了大约78%的总电能需求，而电池通过短期能量平衡贡献了约9%的电能。在可再生能源短缺期间，通过燃料电池系统的氢气再转化提供了大约10%的年度供应，柴油备份覆盖了剩余的3%。这些运营贡献与技术经济模型得出的相应成本构成进行了比较，总结在表7中。结果表明，尽管氢储存仅贡献了大约10%的年度交付能源，但其资本密集型子系统（电解槽、储罐和燃料电池）占总投资的近17%。相比之下，光伏和风力组件在能源供应和成本方面占主导地位，占总资本支出的60%和发电量的近80%。电池储存虽然成本较低（14%），但在减少可再生能源削减和最小化柴油运行方面发挥了关键作用。这种并行评估表明，混合系统内的成本分配与能源利用优先级紧密一致，与之前的大规模HRES技术经济研究结果一致。

**表7. 最佳混合配置的子系统成本和能源贡献份额对齐。**

| 子系统 | 能源贡献（%） | 成本份额（%） |
|---------|---------|-----------|
| 光伏+风力涡轮机 | 78 | 60 |
| 电池储能系统 | 9 | 14 |
| 氢储存系统 | 10 | 17 |
| 柴油备份 | 3 | 8 |

**4.9. 电池和氢集成太阳能、风能及混合系统中的氢生产潜力**
不同系统规模的氢生产潜力差异显著。混合太阳能-风能-氢系统实现了最高的发电水平，通过利用太阳能和风能资源的互补季节性可用性，保持了连续的氢生产。图18展示了所有配置下的氢生产趋势对比。独立的太阳能-氢系统产生的氢气量有限，最佳情况（50兆瓦太阳能+电池）每年产生150,885千克。而较小规模的系统由于电解所需的过剩能量不足，无法产生任何氢气。风能-氢系统具有更高的氢生产潜力，最佳情况（10.5兆瓦风能+电池）每年产生156,292千克，得益于风能全年的一致性。在所有配置中，混合太阳能-风能-氢系统显示出最高的氢生产效率。最佳系统（50兆瓦太阳能+10.5兆瓦风能+电池+氢气）每年产生1.012亿千克氢气，远超过独立的太阳能或风能基氢生产。报告的氢产量约为1.012×10^8千克/年，这是在理想化、连续运行条件下，通过完全利用过剩可再生能源电能得出的理论上限。如果所有多余的太阳能和风能发电都用于电解，这一数量相当于大约3.4太瓦时（LHV）——大约是Broadmeadows流域年电力需求的四到五倍。因此，它表示了如果所有多余的太阳能和风能发电都用于电解时，系统级可实现的转换能力。在实际应用中，考虑到季节性削减、维护停机时间和空间限制，实际氢产量会显著降低，这与大规模可行性研究的结果一致。这个理论数字用于说明在全脱碳条件下可再生能源转化为氢的潜力，支持能源韧性和成本路径的比较评估。

**5. 讨论**
长期以来，太阳能和风能资源的整合一直被认为是减少对化石燃料依赖和提高能源韧性的有前景的方法。当利用它们的互补发电模式时，这些资源可以平滑波动性，并全年提供更可靠的供应。许多研究表明，混合使用可再生能源（特别是太阳能和风能）可以提高发电的一致性，并显著减少与化石燃料发电相关的碳排放。然而，这两种资源都有一个共同的限制：间歇性。如果没有足够的储存能力，这种间歇性会导致供需之间的小时级和季节性差距。即使在规模较大的系统中，这种不足也会持续存在。为了克服这些可靠性问题，最近的研究转向了储能整合。电池在短时间缓冲方面非常高效，能够以最小的损失管理日常波动。相比之下，氢储存提供了长时间和季节性的能量保留，使其非常适合旨在实现高可再生能源渗透率的系统。本研究在此基础上进行了详细的高分辨率、全年模拟，考虑了Broadmeadows的具体气象和需求特征，研究了九种配置。系统性能使用以下关键指标进行评估：可再生能源贡献、化石燃料能源使用、化石燃料运行小时数以及平准化成本（LCOE和LCOH）。以下讨论将这些结果与我们三个研究问题（RQ1-RQ3）联系起来，并概述了对技术设计、政策优先事项和长期能源规划的启示。

**5.1. 太阳能-风能系统中的化石燃料依赖性和能源韧性（RQ1）**
混合使用太阳能和风能发电已被证明是减少可再生能源供应波动性的有效策略。这在维多利亚等温带地区尤为重要，因为那里的太阳辐射和风速的季节性变化明显。包括[14]、[28]在内的研究表明，太阳能和风能的互补性可以提高能源可用性并降低化石燃料能源的使用。然而，许多现有研究依赖于理想化的资源概况或短期模拟，忽略了运营波动性、现实的储存限制和局部气候效应。例如，[33]使用均匀的季节性需求评估了混合系统的行为，而[121]强调没有长时间储存则难以实现韧性。本研究通过高分辨率、特定区域的技术经济分析，整合了每小时气象数据和现实的储存限制，填补了混合可再生能源系统在空间和时间建模方面的关键空白。结果表明，独立的太阳能和风能系统受到季节性间歇性的限制。在Broadmeadows，仅依靠风能的系统在冬季的表现优于仅依靠太阳能的系统。最佳风能配置（10.5兆瓦）满足了73.97%的年度需求，而最佳太阳能配置（50兆瓦）满足了45.71%的需求。尽管如此，在最坏的情况下，这两种系统仍需要大量的化石燃料能源：太阳能需要7.35兆瓦时，风能需要6.62兆瓦时，表明它们无法全年独立运行。这些发现与[122]的结果一致，该研究也指出了没有储存的单源可再生能源系统的能源韧性较弱。混合太阳能-风能配置显著提高了能源韧性。最佳混合系统（50兆瓦太阳能+10.5兆瓦风能）满足了85.04%的需求，同时将化石燃料能源使用量减少到0.83兆瓦时。即使在最坏的情况下，混合系统的需求满足率（32.25%）也与仅依靠太阳能的系统相当，但季节稳定性更好。这表明混合使用不仅提高了年度可靠性，还在资源匮乏的月份提高了性能。然而，混合使用本身并不能消除化石燃料的运行时间。表现最佳的混合系统每年仍需要273小时的化石燃料运行。这一限制反映了[28]的观察结果，即没有储能系统的混合系统无法弥补长期的能源缺口。总之，太阳能和风能的结合提高了系统的韧性，并减少了对化石燃料的依赖。然而，即使在最佳配置下，缺乏储能系统仍然存在一定的脆弱性，尤其是在季节性能源需求低谷期间。通过明确模拟现实世界中的时间变化，本研究提供了比以往仅限于理想化或短期分析的研究[14]、[33]、[121]更为完整的混合系统行为图景。

5.2. 电池和氢储能对季节性能源缺口及化石燃料依赖性的影响（RQ2）
解决季节性能源缺口是混合可再生能源系统（HRES）设计中的一个主要挑战，尤其是在太阳辐射和风速具有强烈季节性变化的气候条件下。虽然之前的研究已经探讨了储能系统在混合系统中的整合，但大多数研究集中在短期波动或单季节可靠性上。规模效应和全年系统动态往往被忽视[28]、[33]。我们的研究通过评估电池和氢储能如何影响多种季节性和容量配置下的系统性能，扩展了这一理解。这种方法提供了在现实运行约束下的更细致的能源韧性视图。

研究发现，电池储能在缓解短期能源不平衡方面非常有效。在太阳能-电池组合中，满足需求的百分比从45.71%（仅使用太阳能）增加到75.76%，而需要化石燃料备份的小时数从1340小时减少到622小时。风能-电池组合的表现更好：表现最佳的系统能够满足98.66%的需求，每年仅使用42小时的化石燃料。这些结果与[33]的研究一致，该研究观察到当调度策略针对日变化进行调整时，电池整合也能带来类似的可靠性提升。然而，仅靠电池无法解决季节性能源缺口。高产月份（例如夏季）的能源无法储存足够长时间以覆盖冬季的高峰需求，特别是在较小的太阳能-电池配置中。这一限制与[14]的研究结果一致，即仅使用电池的设计在寒冷季节无法实现全年自主运行。

氢储能提供了一个长期缓冲，可以弥补季节性能源缺口。在我们的研究结果中，太阳能-氢组合满足了79.77%的需求，而风能-氢组合达到了98.66%。混合的太阳能-风能-电池-氢组合几乎实现了完全覆盖——在最佳情况下达到99.999%——每年仅使用一小时的化石燃料。这些发现支持了[28]的观点，即氢储能具有低自放电率和大规模季节性平衡的能力。然而，氢储能的有效性高度依赖于规模。在较小的配置中，例如1兆瓦太阳能+2.1兆瓦风能+电池+氢储能，每年仍需要最多740小时的化石燃料备份。主要原因在于用于电解的可再生能源 surplus 不足。类似的比例敏感性也在[121]的研究中得到报告，该研究强调氢储能的容量必须与总体发电量相匹配。

总体而言，电池储能增强了日常运行稳定性，而氢储能对于季节性平衡至关重要。同时整合这两种储能方式的系统提供了最强大的性能，结合了快速响应和长期自主运行。这些结果与[14]的建议一致，即通过智能电网控制和预测性调度来提高储能利用率并减少供需不匹配。这种储能技术的多样性，结合智能能源管理，是在季节性变化较大的地区部署稳健混合系统的关键途径。

5.3. 不同混合配置之间的成本权衡（能源和氢的成本平准化分析）（RQ3）
经济可行性是影响混合可再生能源系统可扩展性和实际应用的关键因素。在这种情况下，平准化能源成本（LCOE）和平准化氢成本（LCOH）是评估不同系统配置长期财务可持续性的关键指标。我们的分析突显了可靠性、能源独立性和基础设施成本之间的复杂相互作用。本研究中的经济可行性概念并不意味着与现行居民电价直接相等。相反，它是用来描述在现实郊区运行条件下实现高能源自主性、供应可靠性和深度脱碳的长期可行性的。因此，LCOE被解释为一个系统级指标，它内部化了基础设施投资、储能冗余和可靠性保障，而不仅仅是零售电网电价的直接替代品。从这个角度来看，混合可再生能源系统是根据以韧性为导向的基准进行评估的，例如柴油辅助的微电网或容易停电的电网依赖性，其中避免化石燃料运行、减少排放和增强供应安全代表了超出单位能源成本之外的可量化经济价值。

在集成电池的系统中，太阳能-电池配置最具成本效益。它们的LCOE值范围为0.39至0.89澳元/千瓦时，与早期对城市和城郊地区分布式太阳能加储能配置的经济评估[33]、[122]一致。这些系统可以减少对化石燃料的依赖，使其成为中等规模部署的实用选择。然而，正如[87]所指出的，有限的储能持续时间限制了它们应对长期发电缺口的能力，特别是在冬季。

风能-电池系统在Broadmeadows地区表现更好，尤其是在风能可用性较高的月份。然而，它们较高的LCOE值（1.35-2.37澳元/千瓦时）反映了风力发电和大规模储能的更高资本支出和运营维护成本[14]、[28]。这种太阳能和风能配置之间的成本差异与国际可再生能源机构（IRENA）的报告一致，这些报告指出了组件寿命、维护需求和间歇性特征的变化[87]。混合的太阳能-风能-电池配置提供了最高的可靠性，但LCOE范围也最高（2.31-6.77澳元/千瓦时）。高昂的成本源于多种发电和储能来源的基础设施密集整合。这样的系统突显了实现完全能源自主性的经济挑战，以及需要有针对性的政策措施（如资本补贴、碳定价或容量支付）来缩小技术能力和财务可行性之间的差距。

对于集成氢储能的配置，经济可行性高度依赖于系统规模和剩余可再生能源的可用性。独立的太阳能-氢（44.13澳元/千克）和风能-氢（39.67澳元/千克）系统由于电解所需的多余能源不足而经济上不可行。这些发现与早期研究一致，这些研究表明在低利用率条件下氢的成本较高[14]、[24]。相比之下，混合的太阳能-风能-电池-氢配置可以实现非常低的LCOH值。本研究中最优配置的LCOH值达到了0.04澳元/千克，这得益于持续的可再生能源输入和高电解器利用率。对于较小的混合系统，经济性能显著下降。剩余能源有限导致氢产量低和单位成本过高。这证实了只有在大规模应用中才能实现成本效益高的氢储能部署，特别是在互补资源允许跨季节持续运行电解器的情况下[24]。

在Broadmeadows站点，尽管LCOE较高，混合的太阳能-风能-电池-氢配置在经济上仍然是可行的。该系统实现了接近零的化石燃料运行，并且氢的平准化成本很低（0.04澳元/千瓦时），同时保持了全年的能源自主性。与当地电网电价（0.28-0.32澳元/千瓦时[124]相比，并考虑到预计到2030年电解器成本将降低（>15%-20%，甚至可能达到50%[125]），该配置预计将接近电网竞争力，并为郊区部署提供长期的能源韧性[126]。尽管氢储能增加了资本成本并略微提高了整体LCOE，但其对能源韧性的贡献在实践上和环境上是合理的。可靠性从99.4%提高到99.99%，相当于每年避免约50小时的停电，满足了维多利亚州的关键负荷可靠性标准，并确保了在可再生能源供应不足期间的完全自主运行。此外，化石燃料的运行时间每年低于0.5%，相对于柴油辅助系统，二氧化碳排放量减少了95%以上。因此，尽管可靠性的提升百分比看起来很小，但从避免停电的价值、长期安全效益和深度脱碳的贡献来看，氢储能的经济和环境效益是合理的。

从更广泛的角度来看，本研究的技术经济结果与关于混合可再生能源-氢系统的新兴文献一致，同时也揭示了不同地区的特点。大多数国际研究报道，在高产的沙漠或沿海环境中，LCOE值在0.14至0.30美元/千瓦时之间，LCOH值在4至7美元/千克氢之间[91]、[127]、[128]。相比之下，当前Broadmeadows的郊区配置——受到中等太阳辐射和较高城市基础设施成本的影响——在最佳的大规模混合场景下，LCOE值约为0.43-0.46美元/千瓦时，LCOH值约为0.026-0.39美元/千克氢，同时保持了接近99.999%的可靠性（每年仅1小时化石燃料运行）。这些值与第4.7节中报告的全集成混合可再生能源系统的最低成本结果一致[4.7整体效率]。

总之，电池储能仍然是短期内提高可靠性的最具经济可行性的选择，特别是在家庭或社区层面。虽然氢储能单独使用成本效益较低，但在大规模和剩余能源丰富的条件下变得可行。结合这两种储能方式可以提供最佳的技术性能，但需要大量的财政激励来克服资本成本障碍。这些发现不仅证实了早期的证据，还为具有类似气候和基础设施特征的地区的能源政策、电网规划和投资策略提供了特定于地区的、规模敏感的见解。虽然数值结果特定于Broadmeadows，但建模框架可以通过更新当地天气、成本和政策输入来适应其他地区，使其广泛适用于各种现实世界环境。

5.4. 土地利用影响和实际背景
模拟的混合配置代表了一个理论上的能源平衡框架，用于评估Broadmeadows郊区是否原则上可以完全依靠可再生能源满足其住宅电力需求。将这些配置转化为实际部署需要评估土地可用性和技术功率密度。根据[130]、[131]的代表性基准，估计22.36兆瓦太阳能光伏阵列大约需要1平方公里的土地，四个中型风力涡轮机大约需要0.4平方公里的土地。这些值代表了典型的郊区规模安装，作为指示性的上限而非精确的选址要求。实际上，光伏发电可能会分布在住宅屋顶、商业建筑和未充分利用的棕地，大大减少了专用开放土地的需求。风力涡轮机可以安装在附近的工业区或规划允许适度塔高的开阔地带。氢基础设施——包括电解器、压缩单元和储罐——可以位于现有的工业区内或沿着重新利用的天然气管道走廊。这种整合与维多利亚州可再生能源氢产业发展计划（2021）[132]、[133]、[134]、[135]中提出的空间策略一致。

因此，当前研究量化了完全可再生能源供应的技术和经济潜力，而不是物理土地分配的可行性。这些估计为评估城市规模的混合氢集成提供了初步的空间参考，并支持未来将能源建模与地理空间土地使用评估相结合的规划分析。

5.5. 整合混合可再生能源系统的挑战
结合太阳能、风能、电池和氢储能的混合可再生能源系统越来越被推广为通往可持续、有韧性和脱碳能源系统的途径。它们可以增强电网可靠性，减少温室气体排放，并降低化石燃料的使用。然而，大规模采用的道路远非一帆风顺。高昂的前期资本需求仍然是一个主要障碍。在许多情况下，设计实践未能优化组件尺寸或调度，导致性能不佳。现有的电网基础设施也施加了物理和运营限制，可能限制了整合。尽管这些问题在文献中得到了广泛探讨，但大多数研究将它们孤立地考虑，而不是作为相互关联的障碍[93]、[136]。本研究通过展示这些因素在现实世界混合配置中的相互作用以及它们在可变运行和环境条件下的技术经济性能，扩展了这一讨论。

5.5.1. 高资本成本和经济障碍
尽管混合可再生能源系统在长期环境和运营方面具有优势，但它们需要大量的前期资本。特别是对于高成本的组件，如电池组、电解器、氢储存罐和燃料电池。我们的结果显示，混合配置提高了能源充足性并减少了化石燃料的使用，但这些好处通常伴随着更高的LCOE——在一些混合太阳能-风能-电池系统中，LCOE达到了6.77澳元/千瓦时。对于基于氢的设置，小规模部署的LCOH仍然过高，超过了39澳元/千克。这主要是由于用于电解的多余能源的不一致性。这些趋势与早期的经济分析一致，包括[136]，这些分析强调了氢成本对系统规模和利用率的敏感性。[87]、[93]的综述同样指出，在市场采用的早期阶段，资本支出是混合系统的主要成本驱动因素。如果没有针对性的政策措施（如税收激励、资本补贴和可再生能源融资框架），与化石燃料替代品的成本平价将难以实现。大规模的公私合作伙伴关系，如澳大利亚的氢能源供应链（HESC）项目[137]，展示了协调投资和支持性法规如何加速部署和降低成本。5.5.2 系统优化和电力管理氢能源供应链（HRES）的效率取决于最佳组件选择、准确的系统规模以及有效的实时能源调度。我们的模拟表明，如果没有准确校准的氢气和电池容量，即使多源系统也可能出现季节性能源短缺，并增加对化石燃料的依赖。这些挑战反映了文献中的普遍发现，即次优配置会导致可再生能源的削减、储能利用不足以及对备用发电的更高依赖[67]。最近的研究强调了先进优化方法的潜力——例如基于人工智能的调度控制、预测性能源管理和实时负荷预测，可以显著提高HRES的性能[122]。将这些技术整合到微电网架构中可以增强本地能源自主性，支持需求侧灵活性，并减少对更大电网的压力[138]。尽管本研究采用了基于规则的调度方法，但未来的工作应探索能够最小化能源损失并提高可再生能源利用率的动态实时控制策略，特别是在高需求变化或极端天气事件的情况下。5.5.3 电网基础设施和可再生能源整合障碍混合可再生能源系统的大规模部署依赖于现代化的电网。基础设施必须能够处理可变的可再生能源输入，并与分散式储能连接。如果没有智能电网功能，来自太阳能、风能或氢燃料电池的波动发电可能会导致不稳定，还可能引发能源削减和低效调度，从而降低整体性能。本研究支持这些观点，即即使配置良好的混合系统也需要高效的电网连接才能充分发挥其发电潜力。智能电网投资、实时能源监测和自动化需求响应技术可以提高系统灵活性和电网韧性[121]。政策框架，如澳大利亚的可再生能源区（REZ）计划[94]，强调了区域电网升级如何促进混合可再生能源系统的更高渗透率。加强输电网络和分散能源分配对于将基于氢的储能解决方案无缝整合到国家电网中至关重要。5.6 研究的局限性本研究提供了对混合太阳能-风能-电池-氢能系统的详细高分辨率技术经济评估。然而，必须承认几个局限性。这些局限性有助于将结果置于适当的背景中，并指明未来工作的方向。大多数局限性源于建模假设。一些操作过程被简化了，调度逻辑并未涵盖所有现实世界的行为。某些电网和市场动态也被排除在外。这些因素可能会影响实际系统性能和经济结果。5.6.1 模型假设和数据限制本研究采用基于模拟的方法，使用了高分辨率的NASA风能和太阳能数据集，并结合了行业标准的效率假设。这些输入允许进行稳健的初步评估。然而，由于微气候效应、意外能源损失和长期组件退化，实际系统性能可能会有所不同。对于光伏系统，应用了一个固定的性能比率（PR = 0.85）。这没有考虑到逐渐下降的输出、污染或特定地点的安装影响。虽然这些假设在建模中提供了清晰性，但它们简化了现实情况。试点规模的演示和随机建模可以更好地捕捉在不同操作条件下的动态行为。5.6.2 缺乏实时优化调度逻辑遵循一个固定的层次结构——首先使用太阳能和风能，然后是电池、氢能，最后是化石燃料备用。这种基于规则的策略在确定性场景下有效。然而，它无法适应系统状态、市场价格或天气模式的快速变化。实时控制方法，如MILP、启发式方法或基于人工智能（AI）的预测性调度，可以提高效率。它们还可以使系统更灵活地应对操作挑战。5.6.3 电网整合和需求侧灵活性在本研究中，电网仅作为概念性的备用电源，用于量化剩余的非可再生能源小时数，不参与批发能源交易或出口利润计算。因此，调度框架代表了一个自治的郊区微电网，而不是一个与电网交互的系统。分析假设电网进出口不受限制。它没有考虑传输瓶颈、需求响应参与或拥堵效应。实际上，这些因素可能会降低混合系统的经济可行性。在高发电期间，它们还可能导致削减。在未来的建模中包括电网功率流限制、需求灵活性和协调的区域储能将更接近实际电网运行。尽管当前分析将电网视为概念性的备用电源，但郊区网络通常会施加馈线级别的出口限制和进口限制。如果应用±20%的容量限制，由于高发电期间的出口受限，可再生能源的削减会略有增加，使计算出的平准化成本（LCOE）增加约3%–5%，并将可再生能源比例降低1%–2%[139]。维多利亚州和新南威尔士州的类似郊区微电网研究也报告了类似的效应[101]，[140]。这些轻微的偏差表明，虽然受限电网运行可能会略微降低利用效率，但它不会改变本研究关于脱碳的总体结论。5.6.4 可再生能源资源的范围有限本研究主要关注太阳能和风能作为主要的可再生能源输入，因为它们在目标地区广泛可用且具有可扩展性。然而，其他可调度可再生能源资源（如水力、地热和生物质能）未被考虑。包括这些资源可以进一步提高能源安全，减少储能需求，并支持基础负荷发电。更全面的评估将涵盖这些技术，为未来的HRES设计提供更全面的视角。解决这些局限性是从可行性研究转向可部署系统设计的关键。此类工作必须能够应对大规模可再生能源整合的技术、经济和政策复杂性。虽然当前研究使用稳态组件方程进行年度技术经济评估，但底层的Python框架旨在用于未来的实验整合和改进。后续研究将重点关注结合来自组件级测试和试点规模混合演示的实证数据，以校准效率、退化和动态响应特性。这一进展将使当前的模拟扩展到经过验证的数字孪生环境，提高预测可靠性，并在真实运行条件下实现自适应优化[141]，[142]。6. 结论本研究对墨尔本Broadmeadows地区的混合太阳能-风能-电池-氢能配置进行了全面的技术经济可行性评估。结果表明，独立的太阳能和风能配置对可再生能源发电有显著贡献，但无法提供稳定的全年供应。季节性和小时级的间歇性限制了它们的可靠性，即使在没有储能的情况下的大规模部署也无法实现完全的能源自主性。与独立选项相比，混合太阳能-风能配置提高了性能。在最佳情况下，它们提供了85.04%的年电力需求，并将化石燃料使用量减少到每年0.83兆瓦时。然而，它们仍然需要273小时的化石燃料备用，这证实了仅靠混合化无法实现完全的可靠性。添加电池储能增强了短期平衡，并将化石燃料依赖减少到每年仅五小时，但无法解决季节性短缺问题。氢储能在大规模配置中证明是必不可少的，仅需要每年一小时的化石燃料备用即可实现99.99%的需求覆盖。然而，其可行性高度依赖于规模。技术经济分析揭示了明显的权衡。太阳能-电池配置实现了最低的成本，平准化成本（LCOE）在0.39至0.89澳元/千瓦时之间，适用于中小规模应用。然而，它们管理季节性变化的能力有限，限制了其自主性。风能-电池配置提供了更高的可靠性，但需要更大的投资，LCOE值在1.35至2.37澳元/千瓦时之间。混合太阳能-风能-电池配置提供了最高的韧性，但成本较高，LCOE值在2.31至6.77澳元/千瓦时之间，这突显了需要政策支持和激励措施来促进采用。集成氢能的配置显示出最强的规模效应。独立的太阳能-氢能和风能-氢能选项不可行，LCOH值分别为44.13和39.67澳元/千克。相比之下，大规模的太阳能-风能-氢能配置实现了可行的最佳情况，LCOE为0.04澳元/千克。这一结果证实，只有在具有大量可再生能源过剩和持续发电盈余的大规模系统中，经济可行的氢储能才是可行的。尽管结果确认了在Broadmeadows案例中实现接近完全可再生能源覆盖的技术可行性，但应在特定地点的气象和需求特征背景下进行解释。不同地区的太阳辐射、风能资源和基础设施成本的变化可能会显著影响系统性能。在澳大利亚不同气候条件下的比较评估显示，LCOE变化范围为5%–10%，氢能成本变化范围为10%–20%，取决于当地资源可用性和利用率[69]，[84]，[114]。因此，这里提出的结论代表了理想化郊区条件下的上限潜力，而不是普遍的基准。在未来的分析中引入概率天气集合或随机成本建模将为LCOE、LCOH和韧性结果提供正式的不确定性界限，从而增强区域政策解释的稳健性。这些发现证实了早期的证据，并为具有类似气候和基础设施特征的地区的能源政策、电网规划和投资策略提供了具体见解，而不是适用于所有情况的统一结果。6.1 未来工作未来的HRES研究应在此基础上探索提高效率和灵活性的先进操作策略。实时优化和AI驱动的调度可以减少系统损失，并更好地使可再生能源发电与变化的需求相匹配。基于机器学习的预测将允许在不确定性下进行更准确的规划，而自适应能源管理可以支持混合配置中电池和氢储能之间的动态切换。HRES的经济建模也需要更多的关注。生命周期成本评估，包括组件退化、更换和维护，对于完善长期可行性估计至关重要。在系统层面，电网整合的研究将至关重要。应研究需求侧灵活性、分散式控制和智能计量，以实现氢能集成HRES的大规模采用。加强技术模型和政策框架之间的联系也将有助于弥合可行性研究和实际部署之间的差距。CRediT作者贡献声明Waqar Ali Khan：撰写——原始草稿、可视化、验证、软件、方法论、调查、正式分析、概念化。Ashkan Pakseresht：撰写——审阅与编辑、监督、概念化。Caslon Chua：监督。Ali Yavari：撰写——审阅与编辑、监督、资源、方法论、调查、资金获取、概念化。