《Fuels》:Green Hydrogen in Integrated Multi-Energy Systems: Technological Pathways, Policy and Market Perspectives, and the Role of Artificial Intelligence
编辑推荐:
绿氢作为一种能够连接电力、天然气、供热和交通部门的能源载体正受到越来越多的讨论。然而,许多现有的综述从各自独立的视角(例如氢生产技术、人工智能(AI)应用或系统集成)探讨这一主题,对政策和市场条件如何影响部署的关注较少。本综述将这些相关方面整合到一个结构化的讨
绿氢作为一种能够连接电力、天然气、供热和交通部门的能源载体正受到越来越多的讨论。然而,许多现有的综述从各自独立的视角(例如氢生产技术、人工智能(AI)应用或系统集成)探讨这一主题,对政策和市场条件如何影响部署的关注较少。本综述将这些相关方面整合到一个结构化的讨论中。研究人员首先回顾了氢供应链,包括生产、储存、运输和利用。然后讨论了一个集成多能源架构,其中氢与电力、天然气、供热和制冷网络相互作用。比较了五个主要经济体(包括欧盟、美国、中国、日本和印度)的政策工具。该综述还总结了大规模部署的主要障碍,包括高生产成本、有限的基础设施、技术挑战、监管不确定性和供应链约束。此外,还回顾了当前的市场结构以及美国规划中的选定大型氢项目。研究人员还研究了人工智能在绿氢系统中的作用。AI应用被归为氢价值链的四个主要阶段:预测可再生能源发电、改进电解槽(electrolyzer)设计和运行、优化储存和分配,以及支持系统级技术经济评估。最近的机器学习(ML)研究根据其方法及对运行和规划的贡献进行了比较。总体而言,本综述强调了AI在促进绿氢集成到多能源系统中的作用。
2.1 氢供应链与多能源系统架构
氢作为一种二次能源载体,通过可再生能源电解水(电解槽(electrolyzer))产生。供应链包括生产、储存、运输和利用四个阶段。储存方式分为物理储存(气态、液态、固态)和化学载体(氨(NH
3)、液态有机氢载体(LOHCs)、甲醇),对应不同运输路径(管道、公路拖车、海运)。利用领域包括燃料电池、工业系统、电力供应和燃料电池电动汽车。在集成多能源系统中,氢与电力、天然气、供热和制冷网络相互连接,形成电力、天然气、氢、热四个能源总线。电解槽利用过剩可再生能源产氢,储存后可经燃料电池发电并回收热能;天然气通过燃气轮机和锅炉供电供热;制冷由电制冷机满足。该系统价值依赖于各组件协调运行:电解槽作为灵活负荷,燃料电池仅在电力短缺或高电价时使用,储能容量需优化平衡灵活性与成本。这些耦合约束表明,系统性能取决于转换效率、设备容量、存储水平、负荷模式和载体约束的联合管理。
2.2 集成氢能源系统中的技术实施挑战
大规模部署绿氢面临经济和基础设施障碍。电解槽资本成本高,特别是质子交换膜(PEM)和固体氧化物技术,依赖昂贵材料,使绿氢成本高于蒸汽甲烷重整等化石基路线。可再生能源输出波动要求可靠的储存方案。专用氢气管道、储存设施和加氢站有限,制约生产和终端用户的连接。降低电解槽成本、改进储存系统并协调基础设施投资是必要方向。
2.3 政策、监管和市场障碍:氢部门耦合
政策框架比较显示,各经济体路径差异显著:欧盟结合2030年可再生氢目标、融资机制、基础设施法规和认证(可再生能源和低碳氢授权法案);美国采用生产税收抵免、加氢基础设施支持和贷款担保,但缺乏全国总量目标;中国和印度聚焦生产目标、氢管道或氢谷集群及国家标准;日本通过消费目标、差价合约、氢枢纽和燃料电池车补贴创造需求。主要监管空白包括绿氢定义与认证缺失、试点项目后政策连续性不足、钢/化工/航空等难减排部门需求创造机制薄弱、混合与运输规则不清晰。未来政策需超越生产支持,建立涵盖电力、氢、天然气和热系统的协调监管框架,如允许电解槽参与需求响应和辅助服务,制定天然气掺氢和专用管道标准。
2.4 未来氢在集成能源系统中的部门交互
氢与电力部门交互:可再生电解可减少弃电,电解槽作为灵活负荷可随可再生能源发电量和电价调整。碱性电解(alkaline)适用于大规模成熟生产,PEM能快速响应波动,固体氧化物电解(SOEC)可利用高温热源。储存方式选择取决于规模、时长、距离:压缩氢、液氢、地下储存、金属氢化物和化学载体各有优劣。运输途径包括管道、管式拖车、液氢运输、氨和LOHC,近期可通过天然气管道掺氢利用现有基础设施,但需解决泄漏控制、材料兼容性和认证标准。氢还可耦合燃气、供热、交通和工业部门,支持深度脱碳。
2.5 绿氢成本、市场结构和部署趋势
2.5.1 生产路径和成本范围
2024年绿氢成本因电解技术进步和可再生能源容量增加而降低,但仍需进一步下降以实现主流应用。
2.5.2 绿氢部门市场结构和区域分布(2026)
绿氢市场按区域、电解技术、可再生电源和终端应用划分:亚太区域市场份额最大,PEM电解槽在技术类型中占一定比例,太阳能是主要可再生电源来源,炼油是重要的终端应用领域。各维度独立加总,反映不同条件对部署的影响。
2.5.3 美国规划的大型绿氢项目(2026-2030)
美国多个人型项目计划在2026-2030年间运营,在技术配置、产能、可再生能源整合和终端应用方面差异显著,体现从中试向工业规模的转变。
3 AI在绿氢中的作用
AI应对绿氢系统的高维度数据、非线性动力学和运行不确定性,提供数据驱动建模、预测、优化和控制能力。AI应用分为五个层次:
可再生能源预测与优化:机器学习(ML)模型预测太阳能和风能发电,管理波动,优化电解槽调度以提高可再生能源利用。
电解槽设计与材料发现:AI辅助识别催化剂材料、优化膜性能、开发数字模拟,提高效率并降低成本。
电解槽运行与过程控制:AI控制电压、温度和压力等参数,实现预测性维护和异常检测,在波动输入下保持稳定。
氢储存与分配优化:AI模型监控储存条件、检测故障、优化运输路线和需求预测,提升安全性和供应链协调。
系统级与政策优化:AI支持技术经济分析、碳足迹评估和情景建模,评估投资策略和监管影响。
近期研究比较多种ML算法(如人工神经网络、支持向量机、随机森林等),用于性能预测、过程优化、催化剂设计、技术经济评估和系统优化。AI驱动的工作流包括定义目标约束、数据建立(采集、清洗、分组)、特征工程、模型训练与验证、虚拟筛选、实验验证和迭代更新。AI功能类别涵盖预测(可再生能源输出、需求、氢负荷、价格)、优化(协调电解槽、燃料电池、存储)、监测(故障、退化、安全风险)、控制(多能流实时平衡)、代理建模(降低计算负担)和规划(容量决策)。局限性包括数据可用性与质量、系统复杂性、模型可解释性、集成与网络安全挑战,需更好数据集、透明模型和物理知识融合。