风-光-氢多能互补系统仿真建模方法综述

0 引言

对于电力系统而言，随着城镇化的推进和峰谷价差的不断扩大，电力运行调度所面临的压力与日俱增。同时，伴随近十年来可再生能源的装机量快速增长，风、光等可再生能源间断性和不稳定性所引发的技术及经济问题在大规模应用中更为凸显。解决该难题的可行途径之一是将风能、光能和储能等新能源技术结合，构建现代智慧多能互补能源系统。与传统能源相比，氢能具有零污染、高效率、来源丰富、用途广泛等优势；氢储能具有开发潜力大、生产灵活、清洁高效、污染少等特点。随着我国对电力消纳问题的重视及可再生能源发电上网电价的调整，氢储能成为消纳弃风弃光的关键技术，利用弃风弃光电量电解水制氢，能够有效降低污染物排放，可以提高可再生能源利用的综合效益。

氢储能技术是利用电力和氢能的互变性而发展起来的。风-光-氢多能互补系统在用电低谷期，利用风力发电和光伏电池作为优先能源输出，满足用户负载需求，多余电量电解制氢作为储存能源；在用电高峰期，利用储罐氢气在燃料电池堆发电，作为补充能源以满足负荷情况。这一方式不仅能大幅提高能源利用效率，且能有效解决弃风弃光问题，具有良好应用前景

。但是，风-光-氢多能互补系统通常结构较为复杂且存在负荷不确定性，给系统设计和运行带来了巨大挑战。开展风-光-氢多能互补系统建模与仿真研究，对于研究系统运行特性，进而实现系统高效稳定运行具有重要意义。

风-光-氢多能互补系统示意图见图1。系统主要包含五个子模块：风力发电子模块、光伏发电子模块、电解槽制氢模块、储氢模块以及燃料电池子模块。本文对各子模块仿真模型和集成系统模型作简要介绍。

1 风力发电模型

风力发电是利用风力发电机将风能转换为机械功，机械功带动转子旋转，实现交流电输出的发电技术。在其运行过程中存在两次能量转换，一次是风能转换成机械能， 另一次是机械能转换成电能。根据其运行特征，可分为恒速风力发电机、有限变速风力发电机和变速风力发电机。目前，风力发电机以变速风力发电机为主，其中双馈感应发电机由于其机组并网简单，控制方便，而且具有显著的价格优势，应用最为广泛。对风力发电机组的建模最早可以追溯到1977 年Hoffman 为美国宇航局设计的MOSTAS 模型。近年来基于建模仿真的风电技术得到了越来越多的关注，许多国内外学者开展了相关研究。目前，风力发电建模方法主要包括机理特性分析建模法和模型驱动建模法两类。

1.1 机理特性分析建模法

机理特性分析建模方法是通过分析风电机组系统结构中各要素的相互作用关系和原理得到系统运行特性的一类建模方法，是目前研究较为广泛的一类方法，主要涉及空气动力学特性，机械特性，能量平衡方程和牛顿定律等原理。风力机对电能的捕获是将风能转化为电能的关键过程，很大程度决定了风力发电机的转换效率。风力机产生的机械功率与风速大小、风力机叶片设计、叶片受风面积等因素有关。风电机组的基本功率特性如式（1）所示

：

式中，

——空气密度

燃料电池阳极主要为水蒸气和氢气参与反应，假设气体为理想气体，该动态过程可表示为如下公式：

——风速，

C

——风力机的风能利用系数，和叶尖速比

、叶片桨距角

有关。

综上所述,在异位妊娠患者的检测过程中,经阴道超声检测方式相较于经腹彩超检测方式具有更高的应用价值,诊断率高,值得进一步研究推广。

输入风机的实际风速大于切入风速

V

时，风力发电机开始发电。风机输入风速

超过切除风速

时，风机终止工作停止发电。风机的风速-功率特性的关系可以用数学关系描述为：

式（2）中，

V

——风机额定风速

《“经典好题”的改造与使用——以“周长的认识”一课练习题为例》（P60）一文指出，小学数学不乏经典好题，但也会因使用场合不适当或教师执教能力的原因，不能发挥其应用的功能。以“周长的认识”一课的练习题为例，教师可以通过三方面对一道经典好题进行改造与使用：一是改造原题，变封闭为开放；二是顺水推舟，变结果为结论；三是打破结论，变直观为抽象。以求得好题使用的一些方法。

物理模型预测方法是对太阳光照强度与光伏组件的物理特性进行数学方程建模，继而对光伏发电输出功率值进行预测的方法。其中，等效电路模型是目前最为常用的一种方法

。根据其模型结构不同，又可以细分为理想单二极管模型（Ideal single diode model）、单二极管 RS 模型（Single diode RS-model）、单二极管RP 模型（Single diode RP-model）、双二极管模型（Two diode model）等，见图2。

P

——风电机额定功率

——风速-功率系数

应用机理分析法所建立风机模型能准确地反映机组的动态静态特性。但由于风机的大容量、复杂非线性强耦合特性，要建立一个完全的风机系统模型十分困难，且所得模型较为复杂，难以满足控制器设计中的在线应用需求，因此，在实施机理建模时，通常根据应用需要，对风机某些组件数学模型进行一定的简化和假定。此外，风机制造厂家提供的风机参数、控制系统参数存在不准确或者不规范的问题，将导致仿真误差，降低了对风机实际运行的指导作用。基于现场实测数据可以直接建立风机输入风速和输出功率的关系模型，与机理模型相互印证，提高模型的精确性。

1.2 模型驱动建模法

模型驱动建模法通过利用时间序列模型、概率模型或机器学习模型，从历史数据中学习模型，并将学习模型应用到未知数据上。模型驱动法可大致分为四类：第一类为以时间序列模型为代表概率统计模型

；第二类为机器学习模型

，如支持向量机，随机森林，提升回归树等。第三类为深度学习模型。该类模型利用多层神经网络构造非线性函数进行空间映射，具有强大的模型拟合能力。其中长短期记忆网络（Long Short Term Memory）、门限循环网络（Gated Recurrent Unit）、卷积神经网络（Convolutional Neural Networks）和深度置信网络（Deep Belief Networks）等深度学习方法都已应用于风电功率预测

。第四类为模型分解方法，其充分考虑序列数据的线性和非线性影响因素，将序列分解为线性部分和非线性部分，分别建立线性模型和非线性模型，再将两部分的预测结果组合起来。随着数据采集、存储难度下降，以及大规模计算变得越来越容易，模型驱动法在生产中的应用越来越多。但这类依赖于大量运行数据，只能实施于已投入运行的风电机组。此外，该类方法对运行数据质量要求较高，若机组运行中存在较多干扰，所测运行数据无法反映真实机组动态特性，则所建模型精度难以保证。

燃料电池是一种将化学能（通常为氢气）转化为电能和热能的装置。由于发电过程中不受卡诺循环限制，效率高、无污染，在供电/储能领域具有较广泛的应用前景。根据燃料电池中电解质的不同以及燃料的不同，燃料电池可大致分为：碱性燃料电池、磷酸燃料电池、熔融碳酸盐燃料电池、固体氧化物燃料电池和质子交换膜燃料电池

。其中，质子交换膜燃料电池（PEMFC）工作温度在80 ℃以下，启动快，比功率高，结构简单，处于商业化的最前沿，应用前景广阔，在燃料电池汽车、通信基站备用电源以及分布式用能场景下得到广泛的应用。

普通小球藻生物质购买自山东无棣绿奇生物工程有限公司，经过收获和离心脱水后，得到的浓缩藻液含固率为10%～13%。

2 光伏发电模型

每日优鲜成立于2014年，采取在线销售模式，消费者通过APP下单购买，商家接单后进行订单的配送，一般能在下单后的两小时内送达，让消费者在家就能享受到快速地服务。2017年8月，每日优鲜服务覆盖全国14个核心城市，在一线城市实现整体盈利。

2.1 物理模型预测法

——风电机输出功率

通常，等效电路模型结构越复杂，模型精度越高，但计算复杂度也越大。其中，单二极管RP模型有效均衡了模型精度和模型复杂度的需求，是目前应用最为广泛的模型，可表示为公式（3）

。

很多时政热点能体现时代的特点、社会的主流价值观以及国家的重大方针和政策；近几年的思想政治高考试题考查时政热点的趋势比较明显。因此，将时政热点引入课堂教学十分必要。在思想政治教学中加强时政教育可以深化中学的政治理论教学，增强教育教学的生命力和凝聚力；还能够有效弥补教材的滞后性，培养学生理论联系实际分析解决问题的能力，提高学生道德品质；同时，能丰富教学内容，帮助学生深刻理解理论知识，提高政治教学的时效性与有效性。

式中，

和

分别为光伏电池的电流与电压，

I

和

I

分别为生光电流和饱和电流，

R

和

R

分别为串联电阻和并联电阻，

为光伏电池的工作温度，

为光伏电池的理想因子，

为电子伏特常数，

k

为玻尔兹曼常数。在真实运行场景下，参数

I

、

I

、

、

R

和

R

会随着环境温度、光照辐射等环境参数的变化而改变。

除了以上常用的等效电路模型，也有报道提出了一些其他等效电路模型，如带电容的单二极管模型（Single diode model with capacitance）、三二极管模型（three diode model）、多二极管模型等

。但是因这些模型的复杂度，应用价值较低，目前应用的等效电路模型主要以上述四种为主。等效电路模型不需要借助历史数据，可以在光伏系统建设之初就应用于功率预测，并对不同天气场景的功率预测有较好的泛化能力。然而，由于设备与环境条件的限制，该方法的应用存在一定限制，例如，建模过程复杂，模型参数选取较为困难，不同光伏组件的工艺不统一；预测准确性较低，同一光伏发电组件的光电转换效率会随着使用时间延长而下降。

2.2 数据驱动建模法

基于数据驱动模型的光伏发电功率预测方法是根据以往的历史发电功率数据，通过机器学习方法或统计方法构建数据驱动模型，预测得到当前的光伏电池发电功率。依据预测结果的类型，光伏出力预测可以进一步分为确定性预测与概率预测。

确定性预测方法以确定的功率值为预测结果，包括时间序列回归

、相似日聚类

、深度神经网络

等多种方法。确定性预测结果能够展现长时间尺度下的光伏出力趋势，可以用于调度系统实现长时间尺度的优化，然而在短时间尺度优化中，光伏出力波动较大，确定性预测方法无法准确预测光伏短时波动，将影响优化结果的经济性与可行性。概率预测方法能够给出预测时刻光伏设备所有可能的出力值及其概率，从而对预测点的不确定性进行描述。调度系统可利用预测的区间大小评估光伏出力的波动情况，考虑不同状况下的调度策略，提高策略的经济性。目前，一般采用数据驱动的方法构建概率预测模型，通常预先假设预测目标服从确定的分布函数，如正态分布、Beta分布或Weibull分布等，从历史数据中学习分布函数的参数，从而得到预测点光伏出力的分布情况与功率区间。为提高不同天气条件下光伏出力预测精度，多概率模型、极限学习机等非参数模型也被逐渐应用于光伏建模领域。数据驱动建模法简单明了，易于实现，且可以根据运行情况对模型进行修正。但在模型构建中需要引入大量的历史数据，且模型在不同天气场景下的泛化能力较差。

3 电解槽模型

电解槽电解水制氢属于一种氧化还原化学反应过程，包含能量的转换和物质的生成与消耗。在整个风光互补制氢系统中它相当于一个电压敏感性的非直流负载。但在实际工作过程中，电解槽的输出负载电压会受到输入电流、工作压力，以及电解槽温度的影响。电解槽输出负载电压与输入直流电流成正比关系，输入电流越大，输出负载电压越大；输入电流越小，输出负载电压越小。因此，可以通过调节电解槽的输入电流，影响电解槽输出电压，最终达到调整制氢量大小的目的。依据电解质的不同，电解槽主要有三种：质子交换膜电解槽，碱性电解槽和固体氧化物电解槽。目前商业化应用比较成功的为碱性电解槽，但是会产生有毒性气体，并污染氢气。相比于其他电解槽，质子交换膜电解槽结构简单紧凑，电流密度大，效率高，被认为最具应用潜力。电解槽在电解水制氢过程中，阳极和阴极发生如下化学反应：

大学里的跳蚤市场就是解决学生们的闲置物品，而跳蚤市场的时间地点由学校决定，因此有些同学不能及时参加或者是其他因素而直接放弃该次跳蚤市场。还有的是在不举行跳蚤市场的时候，有些同学又想将手中的闲置物品交易却找不到渠道出售，往往大多数同学会将其中的一些物品当作废弃品而扔进了垃圾桶里，白白浪费了资源。虽然有闲鱼、二手交易市场等网站，但那些都是所有群体的，有些小件的商品估计邮费都比不上，根本解决不了大学的闲置物品交易的需求，所以就需要一个便于校园闲置商品交易的平台。

在对这一过程建模时，通常可采用以下两种方式：一是利用法拉第电解定律近似电流。此方式简单，但是无法应用系统的动态分析。二是基于阳极物质和阴极物质的摩尔平衡原理、质量守恒原理及流体力学理论建立电解槽模型，描述电解槽内发生的电化学反应和物质的动态流动关系，通常包括四个模块：阳极模块，阴极模块，电压模块和温度模块

。以质子交换膜电解槽为例，各模块建模过程如下。

3.1 阳极模块

阳极模块是计算氧气流率、水蒸气流率和它们的分压。在阳极，水分子失去电子生成氢离子和氧气。根据质量守恒定律，数学模型如下

式中，

N

，

N

分别为阳极进口氧气和水摩尔流率，注意

N

为0；

N

，

N

分别为阳极出口氧气和水的摩尔流率；

N

为氧气产生摩尔速率；

N

和

N

分别为膜中水传递摩尔流率和水消耗速率。氧气产生速率和水消耗速率可根据法拉第定律计算。

3.2 阴极模块

阴极模块是计算阴极氢气和水蒸气分压，根据质量守恒定律，各物质数学动态模型如下：

式中，

N

，

N

分别为阴极进口氧气和水摩尔流率；

N

，

N

分别为阳极出口氧气和水的摩尔流率；

N

为氢气产生摩尔速率；

N

为通过膜中从阳极到阴极的水摩尔流率。氧气产生速率和水消耗速率可根据法拉第定律计算。

光伏电池是将光能转化为电能的半导体电子元件，它的电流和功率输出特性由光照强度和电池温度决定。光伏电池工作原理的基础是半导体PN结的光生伏特效应。光生伏特效应是当物体受到光照时，物体内的电荷分布状态发生变化而产生电动势和电流的一种效应。光伏电池可认为是一个P-N 结，当光照射到半导体元件P-N 上时，会产生空穴和电子，在电场作用下载流子定向移动形成电流。光伏电池短路时的电流称为短路电流，开路时电动势称为开路电压。太阳能光伏电池主要有单晶硅电池、多晶硅电池、多晶体薄膜电池和有机聚合物电池等，其中单晶硅太阳能电池在工业生产和市场中占主导地位。目前，文献报道的光伏电池功率预测模型主要包括物理模型预测法和数据驱动预测法两类。

3.3 电压模块

电解池通常既可以电流模式工作，也可以电压模式工作。当它以电压模式工作时，一个电压源与之相连，电解池依据操作环境来获取电流，此时电解池电压可以表达如下：

式（10）中，

V

为开路电压，可由能斯特方程计算；

V

为活化极化电压，可以用巴特勒-伏尔摩方程计算；

V

为欧姆极化电压，由集流器、双极板和电极表面引起。

3.4 电解槽温度模块

通常电解槽在很大电压下工作，因此会产生大量热量，对电解槽的冷却是很有必要的。电解槽内部的热量交换主要有三种：极化电压产生的热量、冷却水带走的能量、散失到环境的热量，通常采用热力学平衡方程计算

。

4 储氢模型

电解槽所产生的氢气需要进行储存，以作为燃料电池的燃料。氢气储存方式主要包括物理储氢和化学储氢两大类。物理储氢包括高压气体储氢、高压液化储氢、活性炭吸附储氢等。目前，研究较多的为化学储氢，即借助化学材料将氢气储存起来，主要包括金属氢化物储氢、有机储氢和无机储氢等。目前商业化应用中最常用的储氢方式有高压储氢、液态化储氢以及金属氢化物储氢。相比于其他储氢方法，高压储氢具有能耗低、经济性好、污染低和充放方便等特点。

氢气罐中的压力模型可采用毕廷布里奇曼等式表示，相较于范德华公式，该方法更为准确。数学表达式如下：

式中，

为储氢罐压强，

为氢气体积，T为储氢罐温度，

为氢气摩尔量，

为理想气体常数。

式（11）中含有五个参数，其中：

为0.197 5 atm·L

/mol

，

为0.020 96 L/mol，a数值为-0.005 06 L/mol，

数值为-0.035 9 L/mol，

为 0.0504 L·K

/mol。

大学生进行职业生涯规划可以充分的了解、认识自己，对自己有很清晰的定位，通过对于自身的定位能够确立生涯目标，随着个人的不断进步，职业生涯也会更加完善，进行职业生涯规划也会更加健全。[4]

5 燃料电池模型

在南宋时期，李清照颠沛流离之前，与丈夫赵明诚分隔两地之时也写过闺怨词。“楼上几日春寒，帘垂四面，玉阑干慵倚。”（《念奴娇》）春寒料峭，词人深坐楼头，帘垂四面。“玉阑干慵倚”，刻画词人无聊情绪，而隐隐离情也在其中。鸿雁飞过，却捎不来半丝丈夫的音讯，纵使阑干倚遍，亦复何用。阑干慵倚，楼内春深重，枯坐只会令人更加愁闷，于是词人只有恹恹入睡了。心事无人可诉，唯有寄托于梦境之中，凄然之情溢于言表。此词写于南迁之前丈夫远离之时，思念丈夫，情深意切。

以质子交换膜燃料电池（PEMFC）为例，工作原理如图3 所示，主要由两电极和质子交换膜组成。质子交换膜通常与电极催化剂成一体化结构，在这类结构中，以多孔铂材料作为催化剂结构的电极紧贴在交换膜表面。在固体聚合物电解槽工作过程中，水分子在阳极被分解为氧和H

，H

和水分子结合成H

O

，在电场作用下穿过薄膜到达阴极，在阴极生成氢，在阳极生成氧。

燃料电池常用模型包括集总参数模型和分布参数模型

。集总参数模型仿真速度快、操作简便，可以用来分析燃料电池的动态响应性与系统控制，但无法得到燃料电池内部参数的分布情况。分布参数模型即以燃料电池仿真涉及的各种守恒方程，包括质量守恒、动量守恒、电荷守恒、能量守恒、组分守恒等守恒方程来描述燃料电池内部参数，包括电池内部流体的压力、流速、浓度、温度等参数以及液态水与电流密度的分布情况等。由于分布参数模型可以详细描述电池内部情况，模型复杂，模型精度高，是研究最广泛的一类模型。分布式参数模型主要由：电压模块、阳极模块、阴极模块、温度模块和质子交换膜模块组成。以下为各模块主要建模过程。

Ding[27]等利用适配体组装磁珠纳米结构开发出一种简单、通用、灵敏的电位检测方案，适用于多种目标分子的检测。适配体捕获后磁珠带负电荷，双酚A加入后将适配体竞争下来，暴露的适配体与带正电荷的鱼精蛋白结合，此时磁珠带电荷由负变正，电位变化也会发生明显的变化。随后，同组研究人员又提出一种对2种分子有顺序选择性检测的全固态电位传感器[28]，如图2所示。该传感器利用计时电位法调控阴阳离子的扩散，再利用开路电位法检测实现了2种细菌的选择性检测。该传感器可同时检测大肠埃希菌O157∶H7和金黄色葡萄球菌2个细菌核酸序列，其检出限分别为120和54 fmol·L-1。

5.1 电压模块

燃料电池的I-V 曲线即极化曲线，刻画了燃料电池的工作特性。燃料电池的极化电压分为：活化极化电压、欧姆极化电压和浓差极化电压。不同的电流密度下极化电压的作用不同。因此单电池的电压可表达如下：

编制现金预算等制度的存在可以在相当程度保证企业现金流管理的合理性。然而，一旦企业经营活动中产生意外，势必需要现金支持运转。因此，在进行现金流高效管理的同时，必须在企业内部建立起现金风险预警体系。现金风险预警体系可以在企业现金流转出现问题时作出反应，以此便能及时有效地减少企业经济损失；预警体系的主要建设点在于现今风险预警能力建设方面，相关预警的实现需要通过具备专业素质的人才对企业内部经营信息与现金状况的处理得出，这也意味着企业需要专门设立机构从事预警工作，通过及时、准确的预警支持，企业现金流管理工作的进行也将呈现出积极趋势。

式（14）中，

为开路电压，可由能斯特方程表示；

V

为活化极化电压，常用塔菲尔公式和经验公式表示；

V

欧姆极化电压，表示导流板、双极板和电极电阻；

V

为浓差极化电压，由反应物中心与电极表面浓度差，可采用经验公式表示。单电池输出电压最终可表示为电流密度、电池温度、反应物压力和水合作用的函数。

近年来，随着社会经济的发展，行业主管部门及建设单位对水利工程施工质量提出了更高的要求，在水工隧洞衬砌施工中，大多采用钢模台车浇筑，由于施工里程长，质量影响因素多，在混凝土浇筑完成后，通常会出现一些常见的质量通病。现对常见的质量通病提出修补处理方案。

5.2 阳极模块

——风力机的扫掠面积

式中，

V

为阳极体积，

m

为进入阳极的氢气摩尔流率，

m

为出阳极的氢气摩尔流率，

k

为阳极流体流动转换系数，

P

为阳极侧氢气压力，

P

为环境压力，

FR

为阳极氢气每分钟流量，

PC

为氢气纯度，

CF

为氢气流率转换系数。

阳极的水蒸气动态模型可表示为式（18）。

式中，

m

为进入阳极水的摩尔流率，

m

为阳极出口水的摩尔流率，

m

为氢离子转移携带的水摩尔流率，

m

为水因压差从阴极渗透到阳极的摩尔流率。

对于一台特定的风力发电机，风力机产生的机械功率主要和风速有关，与风速的立方成正比。

5.3 阴极模块

质子交换膜燃料电池的阴极模块，主要有氧气和水蒸气参与反应，动态模型可表示为:

式中，

V

为阳极体积，

m

为进入阳极的氧气摩尔流率，

m

为出阳极的氧气摩尔流率，

k

为阳极流体流动转换系数，

P

为阳极侧氧气压力，

P

为环境压力，

FR

为阳极氧气每分钟流量，

PC

为氧气纯度，

CF

为氧气流率转换系数。

对于阴极的水蒸气动态数学模型如式（23）：

式（23）中，

m

为进入阴极水的摩尔流率，

m

为阴极出口水的摩尔流率，

m

为氢离子转移携带的水摩尔流率，

m

为水因压差从阴极渗透到阳极的摩尔流率。

5.4 温度模块

温度对燃料电池的工作性能有很大的影响。一般在合适温度范围内，温度越高，电池输出功率越大。但温度过高会导致膜中水分快速蒸发，造成膜脱水甚至膜损坏。温度过低的话，会影响氢离子在膜中的转移速度，影响反应速度，另外温度过低使水蒸气冷凝，造成水的积聚堵塞气体通道，使燃料电池停止工作。因此合适的电池工作温度对燃料电池组非常重要。对于高功率燃料电池堆，需要冷却水不断冷却系统，使系统温度保持在一个最佳值，使功率输出最大并且提高燃料电池的寿命。一般情况下，质子交换膜燃料电池的最佳工作温度在70～80 ℃。燃料电池系统的动态热量交换模型可采用如下公式表示：

3)2626隔离开关控制规则，分闸条件：262断路器分闸。合闸条件：262断路器分闸、26230接地开关分闸、26240接地开关分闸、26260接地开关分闸。

式（25）中，

Q

是燃料电池堆吸收热速率，

Q

是冷却系统热吸收速率，

Q

是燃料电池堆与环境热散失速率。

6 风-光-氢多能互补系统集成仿真模型

基于上述各元件模型及相互间的能流关系，可搭建风-光-氢多能互补系统整体仿真平台。风-光-氢多能互补集成系统可分为两类：一类是离网型，即风和光独立发电，将电能提供给电解槽制氢。该类型投资少，灵活性高，易于管理。另一类是并网型，风力发电机、光伏板经逆变器逆变后，并入电网，利用电网的电或超出电网容纳能力的剩余部分的电来电解水制氢气。此方式在实现能量储存的同时，减小了对电网的冲击。目前，前者相关研究较多，理论及技术相对比较成熟。后者处于起步阶段，主要集中于理论研究，尚未开展大规模风光氢综合能源发电系统的示范工程设计。

现有风-光-氢多能互补集成系统仿真模型研究主要用于可行性和经济性分析、能量管理和容量配制优化两方面

。Wang等

搭建了一个包含光伏、风力机、燃料电池、电解槽混合独立发电系统，并采用真实的负载数据和气象资料进行了模拟仿真，其中风力和光伏是系统能量来源，燃料电池-电解槽用于补充和长期能源系统。Vaishalee Dash等

搭建了包含电解槽制氢，光伏电池、燃料电池堆和蓄电池的集成系统仿真平台，并基于该平台提出了能量优化管理策略。A.U.Chavez-Ramirez等

在实验数据的基础上，利用人工智能技术对风光燃料电池系统进行了能量管理，并建立了预测精度比较高的数学模型。Patsios 等

建立了一个包含风力机、光伏电池、电解槽、燃料电池和超级电容器混合发电系统，利用超级电容器作为储能载体。Onar等

建立了包含光伏、电解槽、燃料电池及超级电容器的混合发电模型，超级电容器与风力发电机连接可确保它在不同的环境下工作。Khalilnejad.A等

设计了一个风光联合发电系统来电解制氢，并分析了不同发电场景下的最大产氢量。J.P.Simoes等

设计了一个包含风力发电机、光伏发电阵列、蓄电池、电解制氢装置和储氢装置的混合能源系统，对每一个元件进行了建模和仿真。

国内在风-光-氢多能互补集成系统的研究尚处于起步阶段。国内高等院校和科研院所如华北电力大学、清华大学、中国船舶重工集团七一八所等对风能制氢集成系统进行了论证和分析。在具体工程示范应用方面，顾为东

2008 年完成了非并网风电规模化制氢实验并建立示范项目，2011年建立了国内首个非并网电解制氢工程，2016 年张家口建立了风光耦合电解制氢示范工程20 MW光伏发电配套全部并网发电。李春华

等在光能制氢混合系统方面，开展了光伏/燃料电池建模、光伏氢能系统性能分析等工作。蔡国伟等

搭建了包含风力发电、光伏发电、制氢、超级电容器的集成仿真平台，并提出了不同运行工况下的控制策略，提高系统运行可靠性。孟现峰等

搭建了包含电解槽、储氢罐、质子交换膜燃料电池等部件的集成系统，并设计了各组成单元能量控制策略。秦梦珠等

提出了一种新型风电-氢能耦合系统，在并网模式时利用多余电能电解水制氢，离岛独立运行模式时解决系统能量平衡、提高供电质量等问题。陈维荣等

针对多能互补微电网经济成本最优问题，提出一种计及需求侧响应的风-光-氢多能互补微电网优化配置方法。贾成真等

基于风光氢耦合发电系统仿真模型，提出了一种基于快速非支配排序遗传算法（NSGA-Ⅱ）的容量优化配置及日前优化调度。

7 总结和展望

风-光-氢多能互补系统集成仿真模型在系统规划、容量配置、优化调度等方面具有重要作用。本文对风-光-氢多能互补系统仿真模型中的关键单元，包括风力发电模型、光伏发电模型、电解槽模型、储氢模型及燃料电池模型建模方法进行了综述；在此基础上，对系统仿真模型的应用方向进行了简述。

能源效率不断提升，“十三五”、“十四五”、“十五五”期间，广东省单位GDP能耗分别下降21%、17%和15%，至2030年，单位GDP能耗降至0.31 tce/万元(2000年价)，约为2005年的1/3，达到美国2013年水平。

通过以上分析可知，风-光-氢多能互补系统已引起国内外专家和学者的关注，其中各关键单元建模方法研究已比较成熟，为系统仿真建模提供了良好基础。但是，由于风-光-氢多能互补系统发展仍处于初步阶段，如何基于风光制氢/燃料电池集成系统仿真模型，通过系统规划、容量配置、优化调度等研究，保障系统高效、安全、经济运行还有待探索和实践。但从长远看，随着新能源技术的快速发展，大规模、低成本的风光制氢/燃料电池集成系统必将成为重要发展方向。

[1]Das H S,Tan C W,Yatim A H M.Fuel cell hybrid electric vehicles:A review on power conditioning units and topologies[J]. Renewable and Sustainable Energy Reviews,2017,76:268-291.

[2]Geovanni H G, Orlando L D, Rafael P D, et al.Analysis of the current methods used to size a wind/hydrogen/fuel cell-integrated system:A new perspective[J]. International journal of energy research, 2010, 34(12):1042-1051.

[3]Trifkovic M,Sheikhzadeh M,Nigim K,et al.Modeling and control of a renewable hybrid energy system with hydrogen storage[J]. IEEE Transactions on Control Systems Technology,2013,22(1):169-179.

[4]Marvuglia A,Messineo A.Monitoring of wind farms’power curves using machine learning techniques[J].Applied Energy,2012,98:574-583.

[5]Heinermann J, Kramer O. Machine learning ensembles for wind power prediction[J].Renewable Energy,2016,89:671-679.

[6]Li S,Wunsch D C,O'Hair E A,et al.Using neural networks to estimate wind turbine power generation[J].IEEE Transactions on energy conversion,2001,16(3):276-282.

[7]王增平,杨国生,汤涌,蔡文瑞,刘素梅,王晓阳,欧阳金鑫.基于特征影响因子和改进BP 算法的直驱风机风电场建模方法[J].中国电机工程学报,2019,39(9):2604-2615.

[8]Shi Z, Liang H, Dinavahi V. Direct interval forecast of uncertain wind power based on recurrent neural networks[J].IEEE Transactions on Sustainable Energy,2017,9(3):1177-1187.

[9]Nishioka K, Sakitani N, Kurobe K, et al. Analysis of the temperature characteristics in polycrystalline Si solar cells using modified equivalent circuit model[J].Japanese journal of applied physics,2003,42(12R):7175.

[10]Celik A N,Acikgoz N. Modelling and experimental verification of the operating current of mono-crystalline photovoltaic modules using four-and five-parameter models[J].Applied energy,2007,84(1):1-15.

[11]Tsai H F,Tsai H L. Implementation and verification of integrated thermal and electrical models for commercial PV modules[J]. Solar Energy,2012,86(1):654-665.

[12]Salam Z, Ishaque K, Taheri H. An improved two-diode photovoltaic(PV)model for PV system[C]//2010 Joint International Conference on Power Electronics, Drives and Energy Systems & 2010 Power India. IEEE,2010:1-5.

[13]Sheng H, Xiao J, Cheng Y, et al. Short-term solar power forecasting based on weighted Gaussian process regression[J].IEEE Transactions on Industrial Electronics,2017,65(1):300-308.

[14]代倩,段善旭,蔡涛,陈昌松,陈正洪,邱纯.基于天气类型聚类识别的光伏系统短期无辐照度发电预测模型研究[J].中国电机工程学报,2011,31(34):28-35.

[15]Chakhchoukh Y, Panciatici P, Mili L. Electric load forecasting based on statistical robust methods[J]. IEEE Transactions on Power Systems,2010,26(3):982-991.

[16]谭津,邓长虹,杨威,等.微电网光伏发电的Adaboost 天气聚类超短期预测方法[J].电力系统自动化,2017,41(21):33-39.

[17]Mori H, Takahashi M. Development of GRBFN with global structure for PV generation output forecasting[C]//2012 IEEE Power and Energy Society General Meeting.IEEE,2012:1-7.

[18]Kang M C, Sohn J M, Park J, et al. Development of algorithm for day ahead PV generation forecasting using data mining method[C]//2011 IEEE 54th International Midwest Symposium on Circuits and Systems (MWSCAS).IEEE,2011:1-4.

[19]赵康宁,蒲天骄,王新迎,等.基于改进贝叶斯神经网络的光伏出力概率预测[J].电网技术,2019,43(12):4377-4386.

[20]Abdin Z,Webb C J,Gray E M A.Modelling and simulation of a proton exchange membrane(PEM)electrolyser cell[J].International Journal of Hydrogen Energy,2015,40(39):13243-13257.

[21]李炜.独立的太阳能燃料电池联合发电系统的协调控制设计与仿真研究[D].上海交通大学，2007.

[22]Buttler A, Spliethoff H. Current status of water electrolysis for energy storage, grid balancing and sector coupling via power-to-gas and power-to-liquids: A review[J]. Renewable and Sustainable Energy Reviews,2018,82:2440-2454.

[23]张鉴,华青松,郑莉莉,等.质子交换膜燃料电池建模综述[J].电源技术,2019,43(6):1051-1053+1082.

[24]Rozali N E M,Alwi S R W,Manan Z A,et al.Optimal sizing of hybrid power systems using power pinch analysis[J]. Journal of Cleaner Production,2014,71:158-167.

[25]Wang C,Nehrir M H.Power management of a stand-alone wind/photovoltaic/fuel cell energy system[J]. IEEE transactions on energy conversion,2008,23(3):957-967.

[26]Dash V, Bajpai P. Power management control strategy for a stand-alone solar photovoltaic-fuel cell-battery hybrid system[J]. Sustainable Energy Technologies and Assessments,2015,9:68-80.

[27]Chàvez-Ramirez A U,Vallejo-Becerra V,Cruz J C,et al.A hybrid power plant (Solar-Wind-Hydrogen) model based in artificial intelligence for a remote-housing application in Mexico[J]. International Journal of Hydrogen Energy,2013,38(6):2641-2655.

[28]Patsios C,Antonakopoulos M, Chaniotis A, et al. Control and analysis of a hybrid renewable energy-based power system[C]//The XIX International Conference on Electrical Machines-ICEM 2010.IEEE,2010:1-6.

[29]Khalilnejad A, Riahy G H.A hybrid wind-PV system performance investigation for the purpose of maximum hydrogen production and storage using advanced alkaline electrolyzer[J]. Energy Conversion and Management,2014,80:398-406.

[30]Simoes J P, Simões J P, Coelho M C, et al. MATLAB/SIMULINK based teaching system for a Stand-Alone Energy System Supported by totally renewable hydrogen production[C]//2009 3rd IEEE International Conference on E-Learning in Industrial Electronics(ICELIE).IEEE,2009:86-91.

[31]顾为东. 大规模非并网风电系统开发与应用[J]. 电力系统自动化,2008(19):1-4+9.

[32]李春华,朱新坚,胡万起,等.光伏/燃料电池联合发电系统的建模和性能分析[J].电网技术,2009,33(12):88-93+111.

[33]蔡国伟,陈冲,孔令国,等.风电/光伏/制氢/超级电容器并网系统建模与控制[J].电网技术,2016,40(10):2982-2990.

[34]孟现锋,罗勇,Crisalle Oscar Dardo.风电氢联产系统功率平滑控制仿真研究[J].可再生能源,2016,34(11):1595-1602.

[35]秦梦珠,张国月,齐冬莲.风电-氢能耦合系统建模及仿真[J].电子技术, (8):18-23.

[36]陈维荣,傅王璇,韩莹,等.计及需求侧的风-光-氢多能互补微电网优化配置[J/OL].西南交通大学学报:1-8[2021-05-21]

[37]贾成真,王灵梅,孟恩隆,等.风光氢耦合发电系统的容量优化配置及日前优化调度[J].中国电力,2020,53(10):80-87.