基于人工智能的可再生能源电解水制氢关键技术及发展前景分析
杨博, 张子健

Analysis of Key Technologies and Development Prospects for Renewable Energy-Powered Water Electrolysis for Hydrogen Production Based on Artificial Intelligence
Bo YANG, Zijian ZHANG
表3 电解槽优化调度方法数据统计
Tab. 3 Data statistics of optimization scheduling methods for electrolyzers
来源年份配置电解槽规模调度方法产氢量优势
文献［17］2024PV-AWE20 MW基于光伏出力预测的多目标滚动算法半年产氢4 952 642 m3，相较于简单启停和轮值法分别提高5.37%和9.00%电解槽开关次数大幅减少，提高系统经济性和电解槽寿命
文献［42］2024PV-AWE+PEMWE0.3 MW考虑电解槽特性的制氢效率提升策略相较常规启停模式制氢总量提升9.2%实现功率阵列间的合理分配以及效率的最大化利用
文献［43］2024Wind-AWE42 MW改进滚动优化算法年产氢2 539 t，产氢效率相较常规启停和循环轮转法分别提升2.31%和1.65%提高系统整体效率、运营成本效益和制氢的可持续性
文献［44］2024Wind+PV-AWE+PEMWE20 MW基于风光出力预测的最优调度方法一季度产氢318.5 t，相较于简单启停和轮值法分别提高4.49%和4.47%合理地规划了电解槽运行数量，提高系统效率和能源利用率
文献［46］2024PV-AWE+PEMWE20 MW多目标滚动优化控制相较于常规启停和阵列轮值法分别提高5.36%和4.13%减少电解槽的启停次数，延长使用寿命并提升风氢系统的经济性
文献［48］2023Wind-AWE4 MW基于功率优化器的滚动优化策略年产氢311.3 t，系统效率相较于简单启停和轮值法分别提高4.1%和2.6%提高系统效率，降低制氢成本；负载水平均衡，温度变化更稳定