找到 2 条结果 · Applied Energy
地下氢气储存：技术进展、挑战与机遇综述
Underground hydrogen storage: A review of technological developments, challenges, and opportunities
Shadfar Davoodi · Mohammed Al-Shargabi · David A. Woo · Promise O.Long 等6人 · Applied Energy · 2025年1月 · Vol.381
摘要 氢能（HE）是大规模储能的一种有前景的解决方案，尤其适用于将间歇性可再生能源整合到全球能源系统中。实现这一转型的关键推动因素是地下氢气储存（UHS），该技术具备大规模储存氢气（H₂）的潜力；然而，由于存在技术、运行和工程上的复杂性，其实际部署仍面临重大挑战。针对这些挑战，本文对UHS技术进行了全面分析，重点探讨了其可行性、性能表现以及相关障碍。本文考虑了氢气独特的物理化学性质——如密度、黏度、扩散性、溶解度和吸附能力——及其对地下储存过程的影响。随后评估了将多种地质构造改造用于UHS的可行...
解读: 地下储氢技术为阳光电源储能系统提供长周期、大规模能量存储新思路。ST系列PCS可与氢储能系统协同,实现可再生能源消纳:电解制氢时作整流逆变,燃料电池发电时作并网变流。盐穴、枯竭油气藏等地质储氢方案可作PowerTitan储能站的季节性调峰补充,解决锂电储能时长受限问题。氢能与电化学储能混合配置,需G...
可解释且高精度的基于三级树的集成混合模型用于预测光电化学电池中的光电流密度和电极电势：理论支持并由实验数据外部验证
Interpretable and highly accurate tertiary tree-based ensemble hybrid models for the prediction of photocurrent density and electrode potential in PEC cell: Theoretically supported and externally validated by experimental data
Nepal Sahua · Chandrashekhar Azadb · Uday Kumar · Applied Energy · 2025年1月 · Vol.401
摘要 光电流密度（J）以及相对于可逆氢电极的电势（V RHE）是评估用于绿色氢气生产的光电化学（PEC）系统性能的关键参数。本研究旨在构建一种高精度、可解释、稳健且通用的机器学习模型，用于预测J和V RHE，并通过理论支持与外部验证加以证实。在本研究中，首先利用贝叶斯优化（BO）方法将两个单模型（M1, M2）结合，基于包含2593条记录的数据集开发了两个二元混合模型（M3, M4），随后进一步构建了两个用于预测J和V RHE的三级混合模型（M5, M6）。采用五组独立的实验数据集和三个基于物理...
解读: 该光电化学制氢预测模型对阳光电源绿氢储能系统具有重要参考价值。研究中的机器学习混合模型(R²>0.999)可应用于ST系列储能变流器的氢储能场景优化,通过预测光电流密度和电极电位提升制氢效率。SHAP可解释性分析揭示的带隙、电极面积等关键参数,可指导iSolarCloud平台开发光伏制氢预测性维护算...