《Energies》：A Review of the Application Status and Technical Optimization of the Intelligent Transportation Platform in Hydrogen Refueling Stations
针对传统氢燃料加注站（Hydrogen Refueling Stations, HRSs）运行中供需失衡与调度优化不足等关键瓶颈，本文系统综述了智能交通平台（Intelligent Transportation Platforms, ITPs）的技术进展与实际应用，探讨了该类平台在提升氢能生态系统运行效率方面的促进作用。论文首先阐述了车联万物通信（Vehicle-to-Everything, V2X）、边缘计算（Edge Computing, EC）与多源数据融合等技术基础，并深入分析了需求不确定性、资源调度复杂性等核心挑战及现有优化算法。通过典型案例研究，论证了此类平台在打破数据孤岛、降低设备闲置率以及实现端到端能源效率优化方面的显著价值。研究指出，当前瓶颈主要包括标准碎片化、算法落地困难、商业化挑战以及既有基础设施改造难题。未来发展应由孤立式技术突破转向生态系统构建，包括提升低渗透地区需求预测精度、实施轻量化改造以激活存量市场、建立跨域数据协同标准、构建可信跨平台结算体系，并探索“氢—碳—算力”融合的创新路径。
1. Introduction
论文首先从交通部门脱碳背景切入，指出全球去碳化进程推动电力、钢铁、水泥等高排放行业取得显著减排进展，而交通运输作为全球第四大碳排放部门，其能源结构转型具有更强的移动性、终端消费性与用户行为驱动特征。研究认为，交通能源脱碳一方面依赖终端清洁能源供给基础设施与车辆的大规模更新，另一方面依赖物流及公共客运等重点车队组织模式的改革，以提升整体运输效率。
在此基础上，文章强调氢作为终端清洁燃料，具有较高能量密度且受外部环境影响较小，正与电力共同成为交通领域燃料脱碳的重要路径。氢交通产业链主要包括制氢、储运、加注和车辆应用，其中加氢环节连接上游氢源与下游用户，是氢能规模化应用的关键基础。传统氢燃料加注站（HRSs）依赖静态规划与人工调度，难以适应燃料电池汽车（Fuel Cell Electric Vehicles, FCEVs）动态加注需求，因此站端的智能化、数字化升级对于提升氢交通体系协同效率、运行效率与经济性具有重要意义。文章据此提出，智能交通平台（ITPs）是HRSs智能化升级的核心载体，可借助大数据、物联网（Internet of Things, IoT）和人工智能（Artificial Intelligence, AI）技术实现需求精准预测、车辆路径动态优化和设备预防性维护。
2. Concepts and Technical Foundations
2.1. Intelligent Connected Vehicle Platform
本节界定了智能网联车辆平台的内涵，将其描述为基于车联网（Internet of Vehicles, IoV）的“车—路—云”协同系统，核心功能包括车辆状态实时监测、动态决策和跨系统数据交换。平台技术支撑主要包括V2X通信、车载终端与边缘计算，以及高精度地图与定位技术。
在V2X通信方面，文章指出，借助V2V、V2P、V2I与V2N通信机制，可实现车辆、站点与道路之间的协同，使资源配置、补能安排和加氢站点匹配更加高效。该技术为HRSs智能升级提供了资源调度、安全预警、交通协同与用户服务等多维支撑。
在车载终端与边缘计算（EC）方面，研究指出，FCEVs中的车载终端可集成高精度定位模块、CAN总线解析器和氢传感器，定时采集荷电状态（State of Charge, SOC）、健康状态（State of Health, SOH）、地理位置和储氢瓶压力等关键参数，并通过EC节点完成数据清洗、异常工况识别和驾驶行为分析，仅上传有价值且去标识化后的数据，从而降低带宽与云存储成本，并支撑低时延供需匹配与现场调度。
高精度地图与定位则为平台提供亚米级空间参考和持续可靠的车辆位置感知，是实现路径规划与站车协同的空间基础。
2.2. Transportation Platform
文章将运输平台定义为智能网联车辆平台的核心数据来源及服务链延伸，认为其本质上是整合运输资源并优化物流调度的数字平台。其核心价值在于利用海量车队数据构建需求预测模型，精确刻画区域加氢需求的动态时空分布，并与HRSs智能运营结合，形成涵盖需求、调度与服务的闭环体系。
2.3. Key Factors in HRS Operations
本节总结HRSs运行需兼顾技术性能、经济可行性与用户体验。首先，在加氢运输与储氢运输方面，站内主要流程涉及制氢或运氢、压缩和加注。商业化HRSs通常设计日加注能力为500–2000 kg/day，加注压力为35/70 MPa，站内高压储氢罐额定容量通常为日加注能力的1.5至2倍，其规模直接影响储氢能力与安全等级。
其次，在能耗与安全约束方面，HRSs严格遵循SAE J2601标准，通过分级预冷策略控制氢气压缩过程中的绝热温升，确保车载储氢瓶温度低于85 °C。为了降低加氢能耗，现场通常采用高、中、低压多级储氢配置，并在加注时优先调用低压储氢罐氢气。
此外，用户服务指标主要包括加注速率、等待时间、设备可用率和站点密度，这些指标与充电设施和加油站的对比将直接影响用户选择。
2.4. Multi-Source Data Fusion Architecture
文章指出，多源数据融合是HRSs智能优化的技术底座，需整合FCEV运行数据、HRS状态数据、交通流数据和能源网络数据。其中，车辆运行数据主要包括车载剩余氢量、位置、预期加氢时间和加氢量；HRS状态数据包括可用加氢枪、站内储氢量和设备状态；交通流数据包括拥堵指数与交通密度；能源网络数据则涉及未来氢源供应状态、价格波动，以及可再生能源制氢站中的风光出力预测与分时电价信息。
2.5. The Hydrogen Ecosystem
研究进一步提出氢生态系统概念，将其界定为涵盖制氢、储运、加注、车辆运行、碳市场与数字平台的多主体、多层级系统。在这一体系中，ITP并非孤立技术工具，而是连接物理层的数字神经系统。文章特别指出，绿色氢认证机制会影响站端采购决策与电解槽经济调度，碳市场价格机制会改变制氢用电的有效成本，跨平台数据标准则为多站负荷均衡提供前提。因此，HRSs优化应从设备中心化思维转向生态系统整体协同。
3. Key Challenges in Optimizing HRS Operations
3.1. Uncertainties in Demand Forecast
文章认为，FCEVs保有量较小且空间分布高度集中，导致历史加氢行为数据稀疏，难以建立稳健预测模型。传统基于时间序列或回归分析的方法误差率较高，而商用车辆虽较私人车辆具备更可预测的运行规律，但仍受订单、政策和季节因素显著影响。此外，若未接入整车厂智能平台，第三方平台难以直接获取邻近HRSs位置和车载氢量等关键数据，从而限制对真实加氢意图的识别能力。其结果是高峰排队与低谷闲置并存，库存与服务计划难以合理制定。
3.2. Complexity of Resource Scheduling
HRSs运行涉及氢源供给、设备能耗与多重工艺约束，本质上是耦合约束下的动态优化问题。文章指出，绝大多数HRSs依赖外购液氢或高压气氢，补给周期长且成本高，需求判断失准将导致缺氢风险或高库存安全风险并存。同时，压缩机、冷却系统等核心设备耗能显著，若不能与分时电价协同，将明显推高运营成本。
若采用站内制氢，则可再生能源出力、原料供给与化工单元热管理约束将进一步增加调度复杂度。特别是甲醇重整制氢系统涉及汽化、重整、提纯和压缩等多个单元，具有高集成度、强耦合与大热惯性特征，负荷调节滞后显著，不利于快速响应瞬时加氢负荷波动。与此同时，现阶段多数HRSs由不同运营商独立建设和运营，缺乏统一调度平台，跨站引导机制薄弱，导致站际资源无法高效互补。
3.3. Real-Time Response and Decision-Making Delays
研究指出，现实运行中从感知到决策再到执行仍存在明显时滞。动态路径规划与加氢预约之间常发生冲突，驾驶员因订单变化或交通拥堵而调整路线时，既有预约容易失效，而现有预约系统多采用静态时段划分，缺乏弹性调整机制。与此同时，车载T-Box、物流订单系统、HRS监控与危险品运输监管平台之间相互割裂，通信协议缺失统一标准，高并发条件下难以在秒级完成匹配与调度。此外，车载终端上传频率受通信成本与电池消耗制约，部分车辆约10 min才上传一次位置，进一步削弱了状态感知精度。
3.4. Balancing Economic Viability and Sustainability
文章强调，HRSs运营需在短期经济回报与长期可持续性之间取得平衡。提高设备利用率有助于摊薄成本，但若过度追求高利用率，则可能牺牲服务质量并导致客户流失。低价促销虽可吸引客户，却常不足以覆盖固定成本。另一方面，绿氢虽是最终目标，但当前成本约为灰氢的2–3倍；若绑定绿氢采购，终端售价难以下降，若继续依赖化石能源制氢，又与碳中和目标相悖。此外，HRSs理论上可作为柔性负荷参与电力辅助服务市场，但尚缺乏成熟商业模式与政策激励。
4. Methods for Optimizing ITP
4.1. Demand Sensing and Forecasting Models
本节综述了需求感知与预测方法在HRSs中的应用。文章指出，相较于电动汽车充电基础设施，HRSs数量少、运营时间短，数据稀疏且非平稳，导致纯统计模型易受噪声干扰或过拟合；基于行为仿真的模拟方法虽降低了对历史数据的依赖，但受参数标定不足和模型不确定性制约。针对这些问题，现有研究开始引入无监督学习、ARIMA、支持向量回归（Support Vector Regression, SVR）、VARMA、非齐次泊松过程、马尔可夫链及Stackelberg博弈等方法，通过融合驾驶行为、天气、交通和真实加氢记录，提高需求预测精度，并为设备容量配置与运行调度提供更可靠输入。
4.2. Dynamic Scheduling Optimization
在需求预测基础上，文章认为站车匹配与动态调度是缓解供需错配的关键机制。由于HRSs工艺流程长、设备多且时间惯性大，其动态调度难度高于充电站。现有研究主要沿两个方向推进：一是面向子系统耦合优化，围绕氢供应系统、多级储氢系统、压缩机和加氢机开展联合建模与调控；二是面向智能控制策略，引入混合逻辑动态模型、离线/在线流量控制策略以及机器学习驱动的日前调度方法。相关研究表明，通过优化多级储氢切换区间与流路选择，可在满足温升约束和加注时间约束下提升加注效率；通过恢复高压和中压储氢罐压力，可提升站点日加氢能力；结合多智能体强化学习（Multi-Agent Reinforcement Learning, MARL）与迁移学习（Transfer Learning, TL），则可优化可再生能源制氢加氢站的协同运行并兼顾电力市场备用服务需求。
4.3. Synergistic Optimization of Energy and Transportation
文章指出，HRSs是高能耗基础设施，压缩、预冷及储氢介质脱氢等环节能耗显著，能交协同优化是降低成本与碳排放的重要途径。研究总结了若干覆盖规划、运行和控制全链条的方法，包括混合整数线性规划（Mixed-Integer Linear Programming, MILP）、多时间尺度储能协同、数据驱动优化以及能量—碳多目标优化。这些方法分别用于容量配置与时空匹配、应对可再生能源波动、动态降低待机能耗和实现成本—碳排放双重约束下的优化运行，共同推动HRSs全链条效率提升。
5. ITP Application Case Introduction
5.1. Shaanxi Hydrogen Transportation Cloud Service Platform
该平台是中国西北地区首个省级氢能交通云服务平台，初期接入20辆氢能重卡、2辆氢能公交及双河HRS数据，形成覆盖需求预测、资源调度与安全监管的全链条智能运行体系，后续将进一步整合省内7座HRSs、16个供氢单元和61辆氢能车辆数据。平台通过标准化接口打通多源异构数据，兼容GB50516与GB43674等标准。
其三层架构包括：数据层，融合货运数据、OBD、HRS监控和外部氢源数据；分析计算层，采用基于长短期记忆网络（Long Short-Term Memory, LSTM）的需求预测模型和固定运输班次生成日加氢计划；应用层，则实现站内储氢动态调整、煤运重卡运输路径优化及站车一体化安全监测。文中给出的效果包括站内储氢能力由500 kg提升至800 kg、重卡空驶率降低22%、单趟运输成本下降15%，并已支撑车辆累计完成9943次加氢和162万公里安全运行。
5.2. Shanghai HRS and Fuel Cell Vehicle Public Data Platform
该平台隶属于上海新能源汽车公共数据采集与监测研究中心，是中国首个城市级HRSs与燃料电池汽车一体化监管平台，已接入5600余辆燃料电池汽车和近10座HRSs。平台可实现示范车辆与加氢站全过程实时监测，并对不同车型和应用场景的运行特征进行精准分析。通过融合机理模型与运行数据，平台建立了覆盖“整车队—制造商—单车”的多层级SOH监测体系，用于支撑车辆安全运行管理；同时结合不同车型储氢特征和运行规律，为HRSs布局优化和运营策略改进提供数据支撑。
5.3. Overseas Case Studies and Applications
文章指出，欧美地区尚未形成成熟的HRSs智能运营平台应用，但RWTH Aachen University主导的“HyConnect”项目正在推进。该项目联合H2 Mobility、H
2 Green Power & Logistics及Mansio等机构开发HRS运营管理与预约系统，旨在避免区域内氢能车辆断氢。值得注意的是，该项目主要面向新建站与新购车辆，不涉及存量站改造，侧面说明现有站点智能化改造仍面临较高难度。
6. Current Issues and Future Research Directions
文章总结了当前ITPs推广面临的四类瓶颈：其一，数据孤岛与标准碎片化，区域平台普遍采用独立架构，虽已有GB/T43674等国家标准，但专有协议仍大量存在，深层交互不足；其二，调度优化方法工程落地效果不佳，理想化模型与真实场景存在偏差，数据稀疏条件下预测误差显著放大；其三，商业模式可持续性不足，高研发投入与低站点利用率之间矛盾突出；其四，既有站适用性受限，多数算法面向具备先进多级储氢系统和数字接口的新建站，老站改造成本高昂。
针对上述问题，研究提出未来方向包括：在技术层面发展数据—机理双驱动的鲁棒优化算法，并引入小样本学习与迁移学习以应对低渗透地区数据稀疏问题；开发轻量化边缘适配网关，实现存量站低成本数字接入；在制度层面建立跨域数据协同标准，并结合区块链与隐私计算构建可信跨平台结算体系；在商业模式层面推进“氢—碳—算力”融合，将HRSs由单一补能节点升级为集绿氢生产、碳资产管理与算力服务于一体的综合能源枢纽。
7. Conclusions
结论部分指出，ITPs通过融合V2X通信、EC和多源数据融合技术，有效缓解了传统HRSs在供需匹配和调度响应方面的瓶颈。需求预测与车到站连接（Vehicle-to-Station, V2S）为多级储氢系统动态调度提供了关键决策支撑，并在实证层面表现出提升设备利用率、缩短排队时间的潜力。然而，技术进步并不自动转化为市场普及，平台成效高度依赖区域产业深度协同和完整的数据生态。未来行业需从碎片化技术创新转向生态系统一体化建设，重点推进新兴地区需求预测提升、存量站轻量化改造和跨域数据标准统一，进而支撑可信、可持续且具商业可行性的氢能交通网络构建。
