《Next Energy》：Next-generation hydrogen storage: Artificial intelligence-powered optimization for clean energy
运输和储存成本在氢气交付费用中占很大比例。随着全球向可持续能源转型，氢气作为一种有前景的清洁能源载体脱颖而出。然而，存储仍然是一个主要挑战。本综述全面探讨了人工智能(AI)如何变革氢气存储设计。AI为克服现有存储限制提供了新的解决方案。该技术通过智能复合储罐设计和AI加速的材料筛选流程，正在革新传统方法。本文分析了全球主要经济体的实践应用案例，AI驱动的系统展现出更高的存储效率和增强的安全措施。AI在氢气基础设施中的整合解决了当前存储解决方案中的关键缺口。分析借鉴了全球政策发展、战略举措和最新的技术进展。一个显著的创新是使用硼氢化钠(NaBH4)的粉末状储氢技术，它将氢气以干燥粉末形式安全储存，并可按需通过水释放。虽然动力学限制和可逆性挑战目前阻碍了大规模应用，但AI集成实现了按需控制和安全优化，以支持可扩展且安全的运输解决方案。这些AI驱动的创新显著提升了储氢能力，并加速了氢气融入全球清洁能源系统的进程。研究结果表明，AI在使氢气存储更高效、更安全且经济可行方面发挥着至关重要的作用。
## **储氢技术概述**
在全球能源格局加速向清洁和可持续能源发展的背景下，储氢问题成为一项关键挑战。氢气在世界能源系统中的成功实施不仅取决于其生产能力，还取决于其有效存储和分配这种多功能能源载体的潜力。传统的储氢系统在处理时间、成本效益和可扩展部署方面受到根本性限制。这些挑战催生了一场技术革命，人工智能(AI)为解决这些长期存在的储氢难题提供了前景广阔的解决方案。氢气因其独特性质而兼具机遇与挑战：作为最轻的元素，它在所有燃料中具有最高的重量能量密度
[1]。然而，其低体积密度仍然带来了重大储存问题。在环境条件下，一公斤氢气占据约11立方米的体积。这在实际应用中需要复杂的压缩或替代储存方法。图1展示了氢的原子结构，说明了影响其储存行为的独特分子特性。氢原子结构的简单性（一个质子和一个电子）与其储存挑战的复杂性形成了鲜明对比。近期技术发展使AI成为储氢创新领域的变革性力量。利用机器学习(ML)算法、神经网络和复杂数据分析，AI驱动的工具正在改变存储系统的设计方式、材料的发现过程以及运营的优化方式。这些智能系统能够以惊人的精度解读复杂模式并预测行为。在传统方法触及极限之处，AI为曾经被认为不可能的存储解决方案打开了大门，标志着清洁能源创新的新篇章。为全面理解这种技术融合的范围，有必要首先审视储氢在全球能源转型更广阔背景下的作用。本文讨论了AI与AI赋能储氢技术的变革性整合，这解决了对整个储氢系统中AI作用的认知空白。现有文献仅涵盖单一存储方法或单独讨论AI，因此需要进行综合分析以评估AI在整个储氢领域整合的程度。本文结构如下：(1) AI辅助储氢系统的最新进展和趋势；(2) AI在存储技术中的技术整合点；(3) 主要经济体的新兴趋势；(4) 技术挑战与机遇。这种系统性方法为AI如何优化储氢以及未来发展的关键问题提供了重要见解。本文通过主要科学数据库对当前基于AI的储氢方法进行了系统性概述。分析将AI技术分为四类：用于筛选和预测的机器学习(ML)、深度学习(DL)优化、强化学习(RL)控制系统和混合方法（数字孪生、物联网(IoT)集成）。这种方法使得可以评估技术依赖性性能在材料发现、物理存储调控、系统集成和安全监测等一系列存储应用中的表现。
### **1.1. 储氢在全球能源转型中的作用**
随着世界迈向更清洁的未来，《巴黎协定》关于2050年实现净零排放的愿景引发了氢气技术投资的显著激增。国际能源署(IEA)预测，到2030年全球储氢容量将扩大至1.15亿吨，这需要创新的储氢解决方案
[2]。欧盟不仅在谈论变革，其目标是到2030年建成可为40吉瓦(GW)氢气生产提供动力的电解槽容量
[3]。与此同时，在太平洋彼岸，日本也规划了同样雄心勃勃的路线，设想到本十年末街道上将有80万辆氢动力汽车
[4]。这些例子不仅仅是书面计划，它们代表了对能源储存和运输方式的根本性思维转变。图2展示了能源转型框架中的储氢技术。显而易见，储存是间歇性可再生能源、氢气生产和终端用户持续需求之间的关键环节。现有的储存范式涉及物理与材料基机制，在效率和成本之间进行权衡。在350-700巴(bar)下压缩储存氢气可实现24-40千克/立方米(kg/m
3)的体积密度。在-253°C下液态储氢可达到70 kg/m
3，但这伴随着显著的能量惩罚，因为液化过程消耗了氢气能量含量的30-40%
[5]。所有存储类型的技术都存在障碍。以金属氢化物为代表的材料基储存，尤其是镁基系统，显示出在高密度改进方面的最大潜力，但面临热管理和动力学挑战
[6]。这需要巨大的资本支出(CAPEX)，尤其是在大规模储存方面，初步估计地下储罐的成本为每公斤储存容量500至1000美元
[7]。虽然传统储存需要大量资本投资，但AI赋能系统则提出了不同的经济权衡。AI整合增加了初始基础设施成本，但通过优化循环和预测性维护实现了运营成本的降低
[8]。经济可行性倾向于大规模应用，其中效率提升可以抵消实施成本
[9]。向AI赋能方法的转变代表了解决这些问题时的范式转变。通过ML算法优化存储系统参数和实时监控，并通过数字孪生提供预测性维护。这些发展在材料发现领域最为明显，AI加速寻找新材料的速度比传统方法快几个数量级
[10]。
### **1.2. 人工智能-氢能研究**
人工智能与储氢技术的交汇点已成为一个日益增长的研究前沿，吸引了大量学术关注。随着存储设备复杂性的增加，AI成为针对不同存储方法优化、生成和监控氢储存的有前景的解决方案。不断扩展的文献展示了该研究领域从材料发现到系统集成和安全监测的挑战与机遇。这种对AI和ML日益增长的关注体现在提及AI或ML相关储氢研究的科学论文数量上。例如，如图3所示，从谷歌学术检索的数据表明，过去15年该领域呈现出显著且持续的上升趋势。这种持续的增长轨迹突显了AI和ML作为变革性技术，在应对储氢生态系统中的复杂挑战方面具有巨大潜力。其范围涵盖先进的热力学建模、加速材料发现、增强的安全优化和智能实时系统控制。此外，表1概述了近期关于AI在储氢中应用的文献。分析清楚地展示了AI或ML在储氢应用中的具体实施。值得注意的是，该摘要代表了系统性综述，是一个代表性样本而非详尽列表。文献调查分析也揭示了研究重点分布的重要趋势。最常被研究的领域是系统集成(27%)，这反映了对太阳能应用、实际应用和电网应用日益增长的关注。材料储存研究仍占有较高比例(16%)，而物理储存和地下储存均为12%。事实上，AI在储氢中的应用兴趣正在加速。在AI技术方面，传统ML和DL方法占据主导地位(35%)，而AI优化和控制系统(25%)也逐渐成形，显示出该领域的技术基础。当前文献分析揭示了AI在储氢中应用的四个不同研究方向，如图4所示。每个方向都代表了AI如何变革存储能力和运营效率的重大进展。物理存储优化成为主导研究方向，其中ML算法增强了压缩和液化过程。Jayabal在大型储氢设施中通过实施神经网络，展示了能源效率的显著提高，强调了新的运营基准
[8]。AI驱动的材料发现取得了显著进展，特别是在寻找先进储氢介质方面。Ding等人展示了利用DL算法快速筛选和识别有前景候选材料（如金属有机框架(MOF)）的有效方法
[12]。他们的方法显著加速了传统的材料发现过程，并拓宽了可行储氢材料的范围。数字孪生技术代表了氢能系统研究的变革性方向，特别是在增强监测和控制方面。Feng等人展示了将数字孪生与ML集成，以实现绿色制氢系统中的先进预测性维护和实时运营优化，显著提高了效率和系统可靠性
[28]。第四个研究流集中在预测性维护应用上，其中AI算法分析复杂的传感器数据以预测潜在故障。Patil等人
[35]证明了此类AI驱动的创新显著增强了氢能系统的安全性。通过改进故障预测、优化维护调度、最小化运营风险和停机时间，AI驱动的系统可以带来显著的成本节约、增强的系统可靠性和提高的运营效率
[43]。文献研究还表明，东亚（特别是日本、韩国和中国）、欧洲（尤其是德国和英国）和北美与主要氢能经济倡议保持一致
[44, 45]。欧洲可再生氢能的累计投资预计到2050年将达到1800亿至4700亿欧元
[46]。而日本已通过绿色转型债券承诺投入2.3万亿日元，美国则在2022年拨款70亿美元用于区域H2Hub的发展
[47, 48]。这些重大的投资承诺表明，这些地区是全球氢能研发活动的主要焦点。在2014-2018年期间，大多数工作集中在算法开发和概念验证上。而自2019年以来，则更侧重于实际应用，如AI工具、集成基于AI的系统以及使用IoT技术。然而，仍存在若干挑战和知识空白。首先，许多AI模型仍然只考虑单一存储技术，没有解决混合存储解决方案的复杂性。其次，尽管一些AI驱动解决方案已在现实中进行测试，但仍处于小规模阶段。第三，缺乏标准化基准，难以比较不同AI方法对不同存储技术的影响。解决这些标准化挑战需要超出个别研究范围的协调努力。开发基准框架需要通过国际机构（如IEA、氢能技术合作计划和国际标准化组织/技术委员会(ISO/TC 197)）获得多方利益相关者的共识
[49, 50]。该领域提出的挑战暗示了若干重要的后续研究途径。一个关键方向是AI跨多种存储介质类型的整合，从单一介质应用走向全面的混合方法。另一个重要的研究领域是AI解决方案从实验室测试到工业规模的可扩展性，应系统性地研究工业层面的实际实施挑战。其在创建AI驱动存储系统的标准化性能指标方面的影响同样重要，这支持了不同方法和技术之间的比较。此外，应进行严格的成本效益比较，以支持投资决策和最具成本效益的解决方案。最终，迫切需要建立AI介入存储解决方案的安全标准，并确保这些下一代技术的安全运行。尽管所选文献凸显了AI在储氢应用方面的重大进展，但也应认识到更广泛的研究社区的贡献。材料科学领域的一些研究集中在新型存储材料上，如氟化二氧化钛(TiO
2)纳米片、金属氢化物复合材料
[43]和钛铁(TiFe)基合金
[51]。地下储存研究关注基础方面，如盐水中的氢钝化和材料中毒机制
[52, 53]。这些工作的一个有趣趋势是，对材料强化方法（如界面工程和复合）的关注日益增长。人们对理解影响储存性能的基本机制（如中毒效应和氢化行为）也持续感兴趣。许多这些工作使用经典技术（化学分析、材料表征和建模技术）进行研究，并未涉及AI/ML部分。通过这项全面的文献综述，已经发现了一个重大的研究空白，揭示了这个新兴领域进一步调查和创新的巨大机遇。
## **2. 人工智能在能源与储氢系统中的应用**
AI技术在氢储存应用中的实施近年来取得了显著进展。通过AI整合，在物理和材料基存储方法方面都取得了重大突破。这些进步包括提高压缩效率、改进液化过程、优化材料发现以及复杂的安全监测系统。在传统物流系统中，储存是全球价值链的关键组成部分，产品通常储存在受控环境中，这些环境经常由IoT设备和AI驱动的库存管理解决方案进行监控。氢储存面临着独特的技术要求，包括极端压力、低温和材料兼容性问题。这在处理时间、成本降低和可扩展实施方面造成了根本性限制。与可以在室温条件下储存的典型商品不同，氢气需要定制化储存，因为它具有低体积密度、扩散速度快，并且对安全性有严格的规定。正如Li等人所讨论的，氢储存系统需要能够精确管理压力和温度、监控材料降解并保持零泄漏
[54]。这些参数都比典型的仓库管理系统更加敏感。AI与储氢技术之间的协同作用体现在多种技术方法中。ML算法现在能够处理大量运营数据，实时优化储存条件。DL模型彻底改变了材料筛选过程，将研发时间从数年缩短到数月。同时，数字孪生技术能够在各种条件下对存储系统行为进行精确模拟和预测，从而改进设计和运营参数。为了更好地理解AI整合在储氢系统中的潜力并为进一步改进提供指导，有必要区分当前采用的各种储氢方法。每种存储技术都面临自己的一套挑战和AI应用机遇，无论是基于物理形式还是材料基。了解这些差异及其对每个应用领域的技术要求至关重要。通过设计适合特定限制的AI解决方案，可以提高计算效率。AI在储氢中的应用现状既包括基础研究，也包括实际应用。行业领导者和研究机构展示了从AI优化的复合材料储罐设计到智能压力管理系统等一系列成功案例。这些进步解决了存储容量、能源效率和系统可靠性方面的瓶颈问题，同时满足了安全要求。
### **2.1. 人工智能应用概述**
AI在储氢系统中的整合需要全面理解特定的存储方法及其控制要求。本节介绍了说明AI应用与储氢技术之间关系的关键框架。图5展示了智能存储系统管理中优化、模拟和分析之间的关系。该框架的主干是不同AI技术和计算方法的智能组合。该系统架构建立在三大支柱上：优化与控制、数字过程模拟和预测分析。首先，优化与控制单元利用ML和遗传算法以及神经网络优化来协调先进的存储操作
[55, 56]。这些技术相结合，解决了存储空间管理、生产速率控制和资源分配等极为重要的任务。例如，遗传算法用于优化系统参数，神经网络用于在不同操作条件下进行自适应控制。第二部分是数字过程模拟，它包含实时系统模拟、数字孪生技术、自动控制系统以及虚拟系统副本
[58]。该模型通过物理存储系统的复杂数字模型，实现对存储系统性能和健康状态的实时监控。数字孪生在模拟复杂存储条件和预测系统在各种操作场景下的行为方面尤为出色。第三部分是预测分析部分，使用DL模型、概率分析和模式识别系统来支持存储管理的前瞻性方面
[59]。这些技术提供准确的供应链预测和需求模式分析，这对于优化存储运营至关重要。模式识别系统检测模式和异常，概率层有助于量化存储系统行为的不确定性。AI赋能的低温吸附储氢显示出性能方面的显著改进。例如，基于ML的材料筛选发现，在低温(77 K，3 MPa)下，活性炭的储存容量比室温(303 K，10 MPa)下增强了8.5倍，从0.67 wt%提升到5.7 wt%
[18]。此外，AI优化显示，紧凑型MOF-5在5.6 MPa时达到最佳性能，其密度超过了液态氢和压缩氢的密度，并且比传统压缩储存(70 MPa)的工作压力低得多(5.6 MPa)
[19]。这些结果展示了各种AI方法如何协同工作来解决储氢挑战。具体来说，传统ML处理初始筛选，而高级DL则负责复杂优化。虽然这些AI框架为存储系统管理提供了计算基础，但其实际实施因所采用的具体存储技术而有很大差异。图6展示了多样化的储氢方法。这种分类对于理解AI应用如何适应不同的存储技术至关重要。所有这些存储方法都有其挑战，而AI可以着手解决这些挑战。对于物理存储方法（压缩、液态储存和低温压缩），AI侧重于优化操作参数、预测维护需求以及通过实时监控确保安全。在材料基存储（金属氢化物、化学载体和吸附剂）中，AI应用集中于材料发现、性能预测和性能优化。这两种存储技术与AI系统的协同作用为混合系统提供了前景，可以提高存储效率并降低功率损耗和运营成本。正如近期的实现所展示的，三维AI控制算法可以根据实时需求自动发出信息或丢失信息。2024年4月报道了一项显著创新，突出了使用NaBH
4的粉末状氢气的商业化应用
[60]。这代表了一种化学储氢方法，其中氢气以稳定的固态化合物形式化学键合。氢气以干燥粉末形式安全储存，并可通过加水按需释放，触发反应释放氢气。产生的副产物偏硼酸钠可以通过电化学过程再生为硼氢化钠。这项发展不仅增强了运输的安全性和便利性，也为AI驱动的控制和监测系统开辟了新的前沿，这些系统可以调节释放反应、优化再生循环，并确保可扩展部署的系统可靠性。尽管具有这些优势，硼氢化钠储存也面临重大技术挑战。水解反应(NaBH
4 + 2H
2O → NaBO
2 + 4H
2)在实际条件下基本上是不可逆的，需要在车载外进行高能耗的偏硼酸钠再生
[60, 62]。动力学限制进一步使部署复杂化，因为氢气释放速率对催化剂类型、温度和pH值高度敏感
[63]。虽然AI整合可以优化反应条件和热管理，但它无法克服根本的热力学不可逆性，使得NaBH
4系统最适合具有集中再生基础设施的应用。
### **2.2. 物理基存储**
目前，氢储存技术的基础是将气体或液体吸附在基底上的物理吸附。AI的实施已将这些传统方法提升为更安全、更可靠且更有效的系统。通过将AI应用于传统存储例程，这些系统现在可以利用实时优化和预测能力，显著提高其性能和操作安全性，如图7所示。
#### **2.2.1. 压缩氢储存**
在商业上，压缩氢是最成熟的方法，但在安全、储罐设计和压力调节方面涉及许多工程挑战。尽管具有成本优势，但该方法依赖于大型、笨重的储罐和高压系统，因此需要复杂的监测和控制系统。AI应用通过几个关键创新改变了压缩存储系统。在储罐设计优化中，神经网络被用于分析和优化复合结构，考虑壁厚和纤维取向模式
[64]。此类系统与ML算法兼容，可以模拟和预测材料在各种压力状态下的响应。遗传算法根据应用确定最佳储罐几何形状，从而实现更好、更安全的储存。AI集成到压缩氢存储系统中，已经在多个操作区域改变了安全性和效率。如图7所示，AI利用ML算法分析复合材料、优化纤维取向并模拟应力分布，从而实现坚固的储罐设计。在结构区域内，AI被用于成像系统，该系统可进行360度扫描并实时处理图像，以识别材料缺陷并促进结构完整性。基于AI的优化和纤维取向分析被用于提高高密度聚合物内衬的耐久性和耐压性
[65]。在操作控制区域内，它通过AI状态预测优化压力控制，通过AI决策触发热激活泄压装置，并通过自主学习加速阀门操作，包括压缩和减压过程。监测区域配备了AI传感器和应变计，用于外部监测、疲劳评估、应变预测、寿命估算、进度监控和主动维护。此外，AI集成的压力传感器可以进行气体成分分析、智能传感器融合、实时压力和温度映射，以保持安全运行条件。预测功能、自动化响应和优化设计解决方案都因AI集成而结合在一起，使存储系统在氢系统中达到了前所未有的最高安全性和可靠性水平。先进AI系统的实施彻底改变了操作安全性和监测。计算机视觉技术现在可以实现自动化的储罐检查，为潜在缺陷提供持续监测。DL系统通过预测裂纹扩展和结构磨损的模式来改进安全实践，从而在发生大规模故障之前估算所需的维护
[66, 67]。这些子系统伴随着实时压力传感，可以检测异常并启动适当的安全反应。智能压力控制是压缩氢储存的另一个重要突破。特定的算法，如RL，在压缩/减压循环选择和压力保持方面取得了进展，而预测分析的发展则针对气体流速和存储容量的控制。AI主导的传感器提供实时温度和压力映射，以保持最佳运行环境并提高系统性能。一些最新应用展示了AI在储氢系统中的应用。近期研究还表明，结合卷积神经网络(CNN)和长短期记忆(LSTM)网络在预测性维护方面效果良好。在这种方法中，CNN从传感器数据历史中提取关键特征，而LSTM分析随时间变化的模式，以预测设备何时可能发生故障
[68]。氢储存储罐的先进结构健康监测系统现在包含了传感器网络和ML算法，用于分析声发射数据，实现对复合储罐完整性的实时监测和潜在结构问题的早期检测
[69]。
#### **2.2.2. 液态氢**
与压缩气体相比，液态氢储存提供了更高的密度储存能力，但由于需要极低的低温(-253°C)而面临重大挑战。AI技术正逐渐被用于解决这些问题并提高储存效率。美国国家航空航天局(NASA)率先将ML应用于低温氢气管理。这些模型可以预测储罐中的热分层和流体动力学
[70]。这些工具结合计算流体动力学与神经网络，预测温度分布和蒸发损失行为。模型使用来自各种传感器组（如温度、压力、流量传感器等）的数据，以保持储存条件处于最佳水平。在热调节领域，DL正被用于优化多层绝热结构
[71]。它们处理热传导模式，能够预测热损失并帮助进行绝热处理。为了维持真空夹套状态，ML算法监控压力传感器并预测潜在故障及故障时间（真空完整性失效），确保在系统故障前更换组件。通过集成分析温度和压力数据时间模式的LSTM网络，实时蒸发损失预测变得越来越复杂
[72]。该技术可以提前数小时预测蒸发事件，从而实现主动缓解。图8展示了两种主要储氢技术在技术上的比较，重点在于其AI集成架构。对于液态氢储存，系统在低温(-253°C)下运行，使用真空绝热容器和AI监控的传感器层
[73]。AI框架包含处理来自分布式温度传感器阵列（包括PT100和热电偶）时间序列数据的LSTM网络，这些传感器分层排列并以100赫兹(Hz)的采样率进行实时预测
[74]。DL模型（通常是U-Net架构）使用640×480分辨率的红外成像数据，分析容器几何形状上的热分布模式
[75]。对于压缩氢(CH
2)储存，系统在环境温度和极高的压力值(700 bar)下运行，使用IV型复合材料储罐
[76]。AI-多目标遗传算法(MOGA)为碳纤维缠绕（±45°, ±60°, 90°）进行了优化。其输入是来自1千赫兹(kHz)采样应变计和声发射传感器的结构应变数据
[52, 77]。AI使用多目标优化进行碳纤维缠绕模式的实时监测
[52, 77]。混合CNN-LSTM网络架构用于视觉检查（4K分辨率）和时间序列传感器数据的多模态处理，使用ResNet-50作为CNN骨干进行特征提取，以进行结构健康监测
[78]。在两级混合车间范式下，两个系统都通过ARM Cortex-M7节点进行边缘实时数据处理，以对操作参数做出即时反应。这种边缘处理与基于云的DL模型协同工作，确保整个系统的优化。图7描绘了氢储存方法中不同的AI集成点和监测需求。其中，边缘AI适用于需要亚毫秒响应时间以实现即时安全的场景。例如，在泄漏时触发紧急关闭，但只需要有限的处理能力，如图7中的操作控制区域所示。而云AI则利用DL分析大规模历史数据集，用于预测性维护和分析效率趋势，例如监测区域。因此，对于需要最低延迟以实现即时安全原因的区域，边缘AI是必需的，而云AI可用于优化和数据模式分析。在氢气加氢站等关键应用中，混合边缘-云架构可能是合适的解决方案。在这种模型中，关键安全决策在本地通过边缘计算执行，即使没有互联网也能确保故障安全运行，而数据则同步到云端以进行长期优化。然而，主要挑战可能包括保护联网阀门的扩展攻击面的网络安全、带宽限制（如上传高频传感器数据），以及确保传感器硬件能够在极端氢环境（如低温和高压）中生存。
#### **2.2.3. 冷/低温压缩氢**
低温压缩氢(CcH
2)储存代表了一种混合方法，结合了压缩和冷却氢气的优势，将其置于20K至100K之间的温度下，储存压力高达350 bar
[79]。这种方法可以获得比压缩或液态储存更好的体积密度。这种增强的密度使得低温压缩储存对于需要紧凑和高容量能源系统的应用特别有吸引力，例如重型运输和航空航天。有效利用CcH
2储存系统需要精确控制其热力学特性。温度和压力相互关联，主要是由于释放压力敏感的分子排序效应和可能的相变，以实现CcH
2的相平衡和稳定系统。这些动力学的复杂性使得AI在控制系统和实时优化系统性能方面成为日益关注的研究对象。近期低温储存控制系统的发展表明，此类系统的自适应控制方面可以使用RL算法有效实现
[80, 81]。这种方法在超临界氢的关键相变区域尤为有效
[82]。这些算法通过与储存系统的持续交互学习最佳操作策略，其中操作参数被调整以保持储存效率和热平衡
[80]。同时，算法致力于降低由结构和材料降解引起的相位不稳定风险
[83]。表2提供了储氢方法的详细技术比较
[84]。
#### **2.2.4. 材料基存储**
材料基储氢包含两种主要方法，如下表2所示，复合氢化物和间隙氢化物，各自具有不同的特性和应用
[89]。化学储氢的理论氢含量范围约为5至18 wt%。在系统层面，实际重量密度通常仅约为6-8 wt%
[90]。氢气释放机制高度依赖于材料。例如，像NaBH
4这样的材料可以在接近室温(≥298 K)下通过催化水解释放氢气
[91]。相比之下，像金属硼氢化物这样的固态系统通常需要显著更高的温度(约300-400°C)才能有效释放氢气
[92]。这种方法在环境条件下提供稳定的储存和安全处理，尽管它面临复杂的再生过程、高材料成本和慢动力学的挑战
[92]。镁基氢化物显示出前景，具有高达7.6 wt%的可逆储氢能力，尽管通过催化剂和球磨降低脱附温度和增强动力学的工作仍在继续
[93]。主要参与者包括McPhy Energy（法国）、GKN Hydrogen（英国）、CIMC Enric（中国）和Samsung（韩国）。间隙氢化物，也称为储氢合金，虽然提供较低的重量密度（2 wt%，100-150 kg H
2/m
3 [表2]），但在安全特性方面表现出色，具有可逆存储、快速动力学和在环境温度(1 bar, 298 K [表2])下的低压操作能力
[94, 95]。然而，它们存在重量密度有限、材料成本高和系统重量显著的问题，需要仔细的热管理
[94, 95]。东芝（日本）、HERA Hydrogen Storage Systems（加拿大）和GKN Hydrogen（英国）等公司正在推进储氢合金技术，用于固定式和移动式应用。东芝的H2One系统展示了商业酒店应用的紧凑存储能力
[96, 97, 98]。HERA Hydrogen Storage Systems专注于从标准氢化物合金到完整存储系统的可定制解决方案，适用于多种应用
[98]。GKN的FeTi基系统实现了超过5000次循环，容量保持率为99%，其体积比40 bar储罐小15倍，并在全球拥有27个以上安装点（总容量59.80 MWh）
[97]。液态有机氢载体(LOHC)提供5.5 wt%的重量密度和40-60 kg H
2/m
3的体积储存容量，在环境条件下以液体形式运行，并与现有燃料基础设施兼容
[99]。这些值根据特定的载体分子和实际应用中实现的加氢程度而变化。尽管LOHC具有可逆性和低压操作的特点，但它面临高能耗的脱氢和高成本的挑战
[100]。主要的LOHC公司包括Hydrogenious LOHC Technologies（德国）、Chiyoda Corporation（日本）和Hynertech（中国），它们专注于基于LOHC的储存和运输系统。H2-Industries（埃及/德国）将LOHC纳入更广泛的氢基础设施解决方案
[101, 102, 103, 104]。使用MOF的吸附剂基存储在低温(77 K)下可实现高达7-10 wt%的重量密度，但在环境温度下满足美国能源部(DOE)的5.5 wt%和40 g/L的目标仍具有挑战性，并限制了商业可行性
[105
