化石能源制氢根据使用的原料不同, 分为煤制氢和天然气制氢等。由于化石能源制氢产生的碳排放量高, 利用化石能源制得的氢气被称为灰氢^[26]。

煤制氢利用碳取代水中的氢元素生产氢气, 主要有煤焦化和煤气化两种工艺。在煤焦化中, 煤炭通过高温加热热解产生富含氢气的焦炉煤气; 煤气化则是将煤与气化剂反应转化为含氢气的气体混合物。在我国, 煤气化制氢占主导地位, 其工艺过程一般包括煤气化反应、气体净化、CO变换、氢气分离和氢气压缩等环节^[27]。

目前比较常用的天然气制氢方法包括蒸汽重整法和部分氧化法。蒸汽重整法制氢过程中, 将压缩后的天然气与水蒸气混合, 在催化剂作用下产生H₂和CO等转化气, 随后进入变换炉中, CO与水反应生成H₂和CO₂, 最终通过分离提纯得到氢气^[28]。部分氧化法将天然气和氧气混合加热至适宜的温度, 在催化剂的作用下进行部分氧化反应, 反应后的气体混合物包含氢气和其他杂质气体, 再进行分离和净化步骤, 将纯净的氢气提取出来。

电解水制氢将直流电通入充满电解液的电解槽, 使电解液中作为溶剂的水分子分解为氢气和氧气。目前主流的制氢技术路线包括碱性水电解、质子交换膜水电解和固体氧化物水电解^[29]。碱性电解水制氢无需催化剂且电解槽寿命长, 适合小规模用氢, 目前市场化程度最高。但是该技术使用腐蚀性碱液, 对环境有一定污染, 制氢设备效率不高, 响应速度慢。质子交换膜水电解技术设备响应速度快、氢气纯度高（99.99%以上）, 电解过程依赖贵金属（铱、铂、钛）催化剂, 成本较高。固体氧化物水电解的电解效率最高（超过84%）、设备体积小、不使用贵金属催化剂, 由于投资成本高和技术成熟度差等因素, 仍处于小规模发展阶段。

可再生能源指自然界中可持续生成且不会耗尽的能源, 主要包括太阳能、风能、水能、地热能等。这些常见可再生能源无法直接用于获取氢气, 必须先通过发电将可再生能源转化为电能, 再使用电能进行水电解制氢。近年来, 我国西部地区光伏发电、风力发电产业发展迅速, 风电、光电等新能源出力波动大、不确定性高, 加上西部地区电力消纳能力有限, 弃风、弃光现象非常严重^[30]。可再生能源制氢结合弃风、弃光、富余水电或城市电网谷段电力来生产氢气, 实现了对太阳能、风能和水能的开发利用, 同时降低了制氢成本。

工业副产氢的来源主要有四类：炼油行业的重整副产氢、化学工业的电解氯化钠水溶液副产氢、金属冶炼行业副产氢和电子行业副产氢。尽管这些产业大量生成副产氢气, 然而由于其纯度不足且提纯设备的高昂投入成本, 使得下游市场对氢气的需求相对有限, 从而导致工业副产氢尚未得到充分的开发利用。

工业上为了提取富含氢气的混合气体, 主要采用变压吸附法进行大规模提纯。一般情况下, 原料气中气体的吸附能力差异越大、氢气含量越高, 提纯成本就越低。与其他制氢方法相比, 使用工业行业中含氢气超过50%的富氢气体作为原料气, 可以实现最低成本的氢气提取^[31]。随着氢能行业的迅速发展, 因生产成本相对较低, 工业副产氢的竞争优势将逐渐凸显。

生物质制氢原料的主要来源为能源作物、农作物和农业废弃物、林业的木材及其废弃物等有机物质^[32]。目前, 生物质制氢的主要途径包括以下几种方式：一种是通过生物质气化, 将生物质与适当的催化剂一起加热, 产生包含氢气的气体混合物; 一种是生物质燃烧, 产生高温和高压的气体, 再通过气体分离和纯化得到氢气; 还有一种利用生物质发酵制氢, 通过微生物的作用将有机物转化为氢气^[33]。

生物质作为环境友好型可再生能源, 原料来源广泛且不存在污染。在常温常压下即可进行反应, 生产费用低廉, 清洁节能, 完全颠覆了传统能源的生产过程, 其缺点在于目前技术不够成熟、初期建设成本高、能量转换率低, 还未进入商业应用阶段。

以上几种制氢方式的特点和对比见表1。

表1

Table 1

表1(Table 1)

表1 制氢方式对比 Table 1 Comparison of hydrogen production methods 制氢方式 制氢原料 技术路线 特点 制氢成本/(元/kg) 煤制氢 煤 煤气化制氢 技术成熟, 成本相对较低, 碳排放高 8 ~ 15 天然气制氢 天然气 蒸汽重整法、部分氧化法、自热重整法、催化裂解法 技术成熟, 国内气源供应无法保障 13 ~ 20 工业副产制氢 焦炉煤气、氯碱副产品等 主要通过变压吸附法将氢气提纯 成本低, 须提纯及杂质去除, 建设地点受制于原料供应地 7 ~ 11 可再生能源制氢 水 利用太阳能、风能发电, 然后通过电解水制氢 无碳排放 约20 电解水制氢 水 碱性电解水制氢、质子交换膜电解水制氢、固体氧化物电解水制氢 无碳排放, 制氢成本高, 经济性欠佳 40 ~ 50 生物质制氢 各类有机物 利用生物质制氢 环保, 目前处于实验阶段 —

表1 制氢方式对比 Table 1 Comparison of hydrogen production methods

综合上述制氢工艺, 碳排放量高是化石能源制氢的主要问题, 尤其是煤制氢工艺, 碳排放是其他方法的3 ~ 5倍。为减少碳排放并推动可持续发展, 重点在于将灰氢转化为碳排放较少的蓝氢。目前的研究和实践主要集中在通过碳捕集、利用和储存（carbon capture, utilization and storage, CCUS）技术来实现这一目标。利用CCUS将捕获的二氧化碳储存或应用于其他领域, 如化工和建筑材料等。化石能源制氢与CCUS技术结合, 有望成为最具发展前景的低成本制氢技术之一。

电解水制氢原料来源丰富, 但是受限于电解效率低等因素, 制氢成本远高于其他方式^{[34, 35]}。但电解水制氢在结合弃风、弃光等可再生能源后具有巨大的潜力, 成本可降至化石能源制氢同等水平。工业副产氢由于其制取的氢气纯度不高, 需要纯化处理, 制氢成本与煤制氢接近, 综合成本略高于煤制氢; 生物制氢原料成本低, 难点在于氢气提纯, 技术有待进一步成熟。

氢气制备在氢能产业链中的重要性不言而喻, 在制氢系统的设计和优化中引入人工智能可以提高氢气的生产率。使用人工智能的方法来开发生产模型, 并对参数进行微调可获得最佳组合, 实现在给定系统中最有效的生产。ARDABILI等^[36]回顾了计算智能在制氢建模中的应用, 研究了计算智能的使用, 使用数学模型来评估不同制氢方法的有效性, 通过定量分析对制氢建模方法进行了基准测试。ABDELKAREEM等^[37]对人工神经网络在制氢中的应用进行了讨论, 分析了人工神经网络和优化技术的混合组合的优点以及面临的挑战。

人工智能在帮助提高氢气制备效率、优化工艺参数和降低成本方面已经取得了一些进展^[38]。H2GO Power团队^[39]利用人工智能对氢气生产过程进行建模和优化来提高效率, 在欧洲海洋能源中心（European Marine Energy Centre, EMEC）进行了为期12个月的实验, 该项目第一阶段收集商业用例数据, 使用AI软件进行建模和优化, 第二阶段将AI系统集成到制氢工厂中, 通过结合天气、潮汐、风能等可再生能源、储氢能力和电价的历史数据来实时控制氢气的生产。

在氢气制备中, 人工神经网络可以被用来设计和优化催化剂。黄凯等^[40]应用人工神经网络的方法, 对学习算法、激励函数以及网络模型进行研究, 从而确定催化剂辅助设计的网络模型, 获得了一系列较优的Fe₃O₄复合氧化物催化剂配方。当前被广泛使用的蒸汽重整制氢法非常依赖镍基催化剂, 由于镍基催化剂在过高的温度下失活, 需要与金属载体配合使用。而可用的金属载体数量众多, 如何挑选最优的载体一直是催化剂设计中的难题。LE等^[41]应用人工神经网络和差分进化设计了预测模型, 以评估重整过程中各种催化剂的制氢效果, 在测试数据上产率平均相对误差仅为0.03%。

神经网络模型可以预测氢气产量。EL-SHAFIE^[42]在生物质制氢的过程中利用反应温度、初始介质pH、温度和接种物浓度等参数, 使用神经网络成功实现了产氢量的预测。WHITEMAN等^[43]采用了相同的思路, 通过输入pH、温度和接种物浓度等参数来估算生物质制氢的产氢量。

使用遗传算法预测氢气产生速率和产量。MU等^[44]在研究生物质制氢的过程中, 应用神经网络和遗传算法预测氢气的产生速率和产量。WANG等^[45]利用生物质制氢时的初始pH、反应温度和葡萄糖浓度, 以氢气产量为预测目标, 设计了基于神经网络的遗传算法。

根据氢气的物理形态不同储氢方式可以分为高压气态储氢、低温液态储氢以及固态储氢^{[46, 47]}。其特点见表2。

表2

Table 2

表2(Table 2)

表2 储氢方式对比 Table 2 Comparison of hydrogen storage methods 储氢方式 优势 劣势 应用场景 高压气态储氢 技术成熟、成本低、能耗少、充放氢速度快 体积密度低 运输、加氢站、燃料电池车 低温液态储氢 体积密度高、储氢量大 能耗高、对储氢容器要求高 航天领域 固态储氢 储氢密度大、运输方便、安全性高 材料限制高、存在逆反应问题 实验室研究

表2 储氢方式对比 Table 2 Comparison of hydrogen storage methods

高压气态储氢将氢气加压到高压状态来储存, 其技术成熟、能耗低、充放氢过程操作简单, 使用的高压瓶储存压力一般在35 ~ 70 MPa。目前使用较多的高压气瓶为III型瓶和IV型瓶, 采用碳纤维、铝等材料制成, 单位质量储氢密度高, 不易发生氢脆反应。

低温液态储氢将氢气冷却至极低温（接近绝对零度）下液化并储存于低温隔热容器中, 具有能量密度高、储氢量大和对容器压力要求小等优点^[48]。将氢气从气态压缩为液态, 液化1 kg氢气所需的能量约占其储存能量的30%, 并且液氢的沸点非常低, 为防止储存过程中温度升高导致液氢气化, 液氢储存容器必须满足严格的绝热条件, 进一步提高了储氢成本。

固态储氢利用材料将氢气吸附、吸收或发生化学反应来储存氢气, 存在物理吸附储氢、金属合金储氢和化学储氢等类型。相较于气态储氢, 固态储氢具有更高的密度, 储氢密度可以达到气态储氢的1 000倍, 同时具备快速的吸放氢能力, 以及稳定的储氢过程。但面临储氢材料储氢量小等难题, 目前固态储氢技术尚处于小规模实验阶段。

氢气的运输方式包括公路或铁路运输、船舶海运和管道运输。对于实验室规模的小体积/重量氢气, 可使用公路或铁路运输, 使用40 L容量、15 MPa压力的工业氢气钢瓶进行运输, 每个钢瓶可储存0.5 kg氢气^[49]; 也可以使用集装格（多个工业氢气钢瓶组合在一起）, 单次运输量可达3 ~ 10 kg。对于运输量在100 kg以上的陆地氢气运输, 一般采用长管拖车、液氢槽车等方式。

相较于陆地运输, 船舶海运运量大, 船运液氢储罐的最大容积可达1 000 m³, 通过专用液氢驳船进行长距离的运输。海运装载能力远超公路和铁路运输, 并且不受道路的限制, 无需穿越城市人员密集区域, 安全性高。

管道运输利用天然气管道或氢气管道进行运输, 具有运量大、距离长、能耗少、成本低等优势。由于纯氢管道初始投资大, 建设周期长, 维护成本高, 目前氢气管道系统的覆盖范围相对较小。我国氢气管道建设总里程约100 km, 主要集中在环渤海湾和长江三角洲地区。反观我国天然气管网建设已经实现了“ 全国一张网” , 总里程达12万千米。因此, 通过将氢气掺入天然气中形成混合燃气, 利用现有天然气管道输送, 可以有效利用现有基础设施, 促进能源产业升级。

在储氢材料的设计中, 技术人员不断在寻找更好的吸氢/放氢的材料。一般情况下, 能够在常温下吸氢/放氢的合金储氢容量通常较低, 而高容量储氢合金需要非常高的放氢温度。对此, LAI等^[50]对储氢材料设计领域如何应用机器学习技术做了讨论。在固态储氢中, 镁基储氢材料因其潜力大、成本低和易获取等优点, 成为固态储氢研究的热点之一。HUANG等^[51]从人工智能的角度进一步研究镁基化合物, 其研究表明应用机器学习方法可以更准确地预测镁基合金和复合材料的储氢性能, 从而为材料设计和优化提供了新的途径。MALINOVA等^[52]使用人工神经网络预测了镁基合金的储氢能力, 并进一步模拟了放氢参数与合金成分的相关性。TIAN等^[53]利用人工神经网络成功预测了镁基储氢合金的循环寿命变化。

AI在储氢容器设计中的作用不可忽视, NACHTANE等^[54]回顾了储氢容器设计的技术发展, 包括其技术性能、制造成本、安全性和环境影响, 成功利用AI技术优化了容器的几何形状、材料特性和其他设计参数, 以最大限度地提高储氢能力和最小化重量。ALI等^[55]提出了三种人工神经网模型, 对二苄基甲苯储氢容量进行了预测, 准确度最高达98.7%。人工智能在预测复合材料的性能具有独特的优势^{[56, 57, 58, 59, 60]}, 与传统的设计方法相比, 基于人工智能的方法在性能提升方面表现卓越, 同时实现了成本的有效降低。

氢气的运输过程中, 通常需综合考量交通信息、气象数据及时间等多元因素。人工智能通过学习历史路线数据, 结合交通流量、路况、速度限制等信息, 能推导出最优的路线规划。在规划路线过程中, 可借助自然语言处理技术将用户的出发地、目的地等指令理解并转化为实际可操作的数据。

加氢站作为连接上游制氢和下游氢能应用的枢纽, 根据站内氢气来源的不同, 可以分为站内制氢和外供氢两种技术路线^[61]。其中, 站内制氢通过自供氢源满足加氢的需求, 解决了氢气运输问题, 但初期投资成本高, 安全风险大。而外供氢加氢站氢气来源依赖于外部供给, 通过液氢槽车、长管拖车、气体管道等运输氢气, 经压缩机压缩后存储在储氢罐中。

日本、韩国和德国等国家在加氢站建设布局早, 我国加氢站的发展相对较晚, 2016年中国加氢站数量仅为10座, 随后加氢站数量迎来快速增长, 实现了后发赶超。截至2023年2月, 中国已经建成超过250座加氢站, 数量位居世界第一, 预计“ 十四五” 期间中国还将建设1 000座加氢站。截至2023年, 全球主要国家加氢站的建设情况如图3所示。

图3

Fig. 3

	Figure Option ViewDownloadNew Window
	图3 全球主要国家加氢站数量Fig. 3 Number of hydrogen refueling stations in major countries worldwide

相比于气氢加氢站, 大型液氢加氢站在相同的土地面积下氢气储存能力更强。液氢加氢站是指氢气以液态形式存储在加氢站球形储罐内, 需要加注时再进行气化。液氢加氢站的运输成本只有气氢运输的十分之一左右, 一辆40 m³液氢罐车运输的运力相当于7辆35 MPa长管拖车的运力。加氢站使用液氢储存能力远大于氢气, 液氢密度是标准大气压下气氢密度的800倍, 是70 MPa氢气的1.8倍, 同时单个球形储罐的容积可达上千立方米, 总体占地面积小于气氢加氢站。美国、欧洲、日本等已建成/规划的加氢站中, 约三分之一为液氢加氢站, 这些国家液氢加氢站的建设形成了比较系统的标准和规范, 液氢技术链相对完备。相比之下, 我国由于液氢民用领域缺乏相关标准和规范、液氢行业受到国际方面的影响等因素, 液氢加氢站尚处于试验和示范阶段。

加氢站的选址阶段, 不可避免地会受到各种人为因素的干扰, ZHOU等^[62]提出的基于模糊综合评价和人工智能模型的加氢站智能选址模型, 对上海市的候选加氢站地址进行评估, 得出了加氢站的最佳选址。由于人工神经网络具有良好的泛化能力, 能对多指标综合评价问题进行客观评价, 对弱化选址过程中人为因素的影响非常有利。

加氢站的运维成本占氢气成本的很大一部分, 而预防性维护的成本通常比计划外维护成本低。KURTZ等^[63]设计了一个加氢站健康检测模型H2S PHM, 通过预测加氢站子系统中主要加氢站组件的剩余寿命来最大限度地减少意外停机时间。其模型训练数据来自美国34个零售加氢站的历史故障数据和运行寿命数据, 该模型能够使加氢站运营方对系统故障进行预防性维护而非被动维护, 实时处理信息以预测故障并实现比传统维护计划更低的成本。

在加氢站的运营阶段, 前沿的人工智能算法在视频监控和预警系统中得到应用, 实现了车牌识别、自动除静电、智能加氢以及加氢数据的自动更新等功能, 推动了加氢站向智能化的转型。通过使用人工智能加氢管理系统和加氢通信协议, 加氢站能为用户提供安全监控服务以及加注状态的查询和管理服务; 同时, 借助计算机视觉技术对加氢站人员、车辆的违规行为进行预警; 运用智能化解决方案, 能全面提升加氢站的服务能力、运营效率和安全水平, 降低运营成本。

中国已成为世界上加氢站数量最多的国家, 气氢加氢站中氢气使用高压存储, 泄漏的风险不容忽视。氢气泄漏后可在极短时间内形成易燃混合物, 混合物遇火源后将导致严重的火灾或爆炸事故。常规的事故后果预测方法主要包括经验公式及数值模拟。然而, 经验公式在预测复杂环境下的事故演变时准确度并不理想, 而数值模拟则存在计算成本高昂, 且通常需数日方能完成预测的问题。HE等^[64]利用具有时间序列预测功能的循环神经网络预测氢气泄漏后氢气的分布, 将爆炸模拟软件FLACS模拟的浓度数据转化为灰度图进行训练, 实现了气体云浓度分布的快速预测, 且精度在可以接受的范围。该方法为加氢站提供了实时风险预测和后果预测的手段, 解决了具有实时性要求的氢扩散浓度预测问题。因深度学习具备强大的特征提取和数据挖掘能力, BI等^[65]通过分析来自传感器、移动设备和其他来源的数据, 使用不同泄漏孔径、风速和风向的训练样本, 设计了深度学习模型用于预测加氢站氢气泄漏位置的预测。

在能源动力领域中, 氢燃料电池备受行业期待, 被认为是最有前途的储能和动力产品之一。氢燃料电池已被探索应用于车辆、船舶和无人机等领域, 以替代传统的化石燃料。氢燃料电池将化学能转换为电能, 转换效率在60% ~ 80%之间, 运行过程中噪音、振动较小, 燃烧产物仅为水, 对环境几乎没有污染。日本丰田汽车公司于2022年发布的第二代Mirai氢燃料电池汽车续航里程为750 km, 加氢操作仅需3 ~ 5 min。欧洲已投入运营以氢燃料电池为动力的船舶, 我国成功下水了首艘500 kW氢燃料电池动力工作船“ 三峡氢舟1号” , 最高航速可达28 km/h, 续航里程高达200 km。目前, 已有一些无人机和小型飞机采用氢燃料电池作为动力, 在商用飞机方面, 美国波音公司和欧洲空中客车公司分别公布了以氢为燃料的商用客机概念方案。随着氢燃料电池技术的进步, 电池能量转换效率的提升, 未来氢燃料电池有望成为一种高效、环保的能源选择, 为可持续发展做出重要贡献。

在石化领域, 氢气作为化工原料被广泛使用。全球约25%的氢气被用于炼油厂加氢。石油化工中的加氢工艺主要包括重油裂化转化为较轻且具有较低沸点的高价值油产品, 残油的加氢脱硫生产超低硫燃料, 劣质柴油和汽油催化加氢转化为高辛烷值汽油等。通过在石油炼制过程中加氢, 不仅可以提高石油炼制产品的辛烷值, 还可以降低石油的硫含量和改善燃烧效率。

在钢铁等冶金行业中, 氢气作为新一代的还原剂, 正在逐步取代传统的焦炭。相比于焦炭, 氢气在炼钢还原过程中能够显著降低碳排放和有害气体的产生。2022年, 我国粗钢产量达到10.17亿吨, 而钢铁行业碳排放量约为18亿吨, 占全国碳排放总量的15%。在“ 低碳” 背景下, 传统焦炭炼钢显然无法适应时代需求。采用氢气代替焦炭作为还原剂炼钢时, 理论上可以减少30% ~ 60%的碳排放, 促进冶金行业的低碳清洁转变。

氢气在生物医疗领域的应用已经得到了大量临床实验的支持。这些实验表明, 氢气具有稳定性好、安全无毒和无副作用等特点。临床研究表明, 氢气可以作为抗氧化剂减轻组织损伤和炎症反应。氢气不仅被用作神经退行性疾病、炎症和肿瘤等疾病的新型治疗方法, 在手术和放射治疗后的康复中也显示出潜力。

氢燃料电池的寿命预测是一个重要的研究方向, 目前氢燃料电池的降解机制和老化规律尚不完全清楚, 需要进行长时间的耐久测试以获取更多信息^[67]。已经有一些研究提出了有效的预测方法。其中, 李鹏程^[68]提出了一种基于循环神经网络（recurrent neural network, RNN）的方法来预测氢燃料电池的寿命, 该方法在短期预测中表现出更高的精度和更快的收敛速度, 相比于反向传播神经网络具有更好的性能。谢宏远等^[69]则通过使用基于粒子滤波和遗传算法的方法, 成功地对氢燃料电池的剩余寿命进行了预测。实验证明, 该方法在长期预测方面具有出色的准确度, 并且具备良好的泛化能力。VICHARD等^[70]研究了基于循环神经网络的退化模型, 以预测性能演变和估计电池剩余使用寿命。KAHIA等^[71]使用人工神经网络来确定质子交换膜燃料电池在多种操作条件下的总体性能和电阻损失, 实验结果表明, 其提出的模型有助于定义质子交换膜燃料电池的健康状况, 可以用于预测电池的退化状况。这些研究成果为氢燃料电池的可靠性和使用寿命提供了有力的支持。通过上述方法以及对长期耐久性测试后退化机制和原因的理解, AI将帮助制定智能能源管理策略, 以延长氢燃料电池系统的耐久性。

氢燃料电池缺陷监测和内部建模。将计算机视觉检测应用到燃料电池缺陷检测中, 超音速人工智能科技股份有限公司^[72]开发了燃料电池行业首款全自动双极板尺寸和外观检测设备和质子膜尺寸测量及缺陷检测系统, 采用8K线阵电荷耦合器件（charge-coupled device, CCD）进行常见缺陷的检测, 通过软件高精度视觉搜边算法查找各边缘, 进行缺陷定位和分类, 输出缺陷结果。WANG等^[73]利用卷积神经网络对电池的扫描图像进行增强显示, 以获得高分辨率的图片, 方便对电池内部进行建模。

在氢燃料电池系统的故障诊断领域, COSTAMAGNA等^[74]提出了一种利用支持向量机（support vector machine, SVM）和定量模型的诊断方法。该方法通过将输入数据映射到高维空间中, 使用SVM对数据进行分类, 从而识别氢燃料电池的工作状态和故障类型, 这种方法可以有效地提高故障诊断的准确性和效率。

在氢气制备方面, 我国62%的氢气产量来自煤制氢, 而煤制氢会产生大量二氧化碳, 煤制氢 + CCUS技术是实现二氧化碳减排、清洁能源转型的重要措施。目前我国的CCUS成本为300 ~ 400元/t, 发展方向是降低成本、减少能耗以达到天然气制氢的水平。未来中国能源结构向绿色低碳转型, 可再生能源制备的绿氢是主流, 煤制氢 + CCUS作为补充。

在氢气运输方面, 我国大规模制氢城市大多在西北地区, 用氢需求量大的城市主要在沿海发达地区, 两者地理位置差距大, 发展长距离氢运输是必然趋势, 天然气管道掺氢和纯氢管道建设有利于实现氢能资源的长距离转移, 实现大规模、低成本的氢气运输。

在加氢方面, 油气公司可以利用现有的加油站网络, 适当超前布局, 对加油站进行改造以实现加氢功能, 推进加氢基础设施建设, 探索站内制氢和液氢加氢站。制氢加氢一体站建设省去了氢气运输的成本, 氢气供应更加稳定可靠, 正在成为新的加氢站建设趋势。

在氢的应用方面, 燃油车将逐步退出历史舞台, 氢燃料电池车等新能源汽车备受期待。2023年3月, 欧盟理事会决定从2035年起禁止销售燃油轿车和小型客货车。比亚迪从2022年3月起, 已经停止燃油汽车的生产。氢燃料电池汽车因能做到短时补能而被业内看好, 有望加速汽车产业变革。

大型语言模型如ChatGPT正在崭露头角并广泛应用。在氢能产业中, 该模型可被用于设计技术方案、探索创新模式及撰写专业文档。作为信息检索及学习工具, 能助力氢能产业的技术人员从众多的氢能相关文献中提取有价值的信息、查找特定技术知识以及了解相关领域的前沿进展。此外, 可研发以氢能产业为核心的智能助手或客户支持系统, 为氢能产业提供技术咨询、解答常见问题及提供相关资源, 以实现为用户提供即时的支持和指导。

人工智能的效果很大程度上依赖于大量高质量的数据。在氢能源领域, 目前存在数据获取困难、不完整或者质量不佳的情况, 这可能会影响人工智能模型的准确性和鲁棒性。通过提前部署, 人工智能模型可以采取在线学习的方法, 即在运行过程中获取数据, 从而在持续运行中不断增强其能力。这种实时学习过程使得人工智能模型能够持续适应新的情境、提升性能, 并从实际运行中积累经验。

在涉及能源系统的领域中, 安全性和可靠性是至关重要的考量因素。人工智能模型的不确定性可能对系统的安全性产生影响, 因此, 安全性的研究需被特别强调。在模型部署前, 应利用独立的数据集进行验证, 以评估模型在各种情形下的性能。同时, 模型中应引入异常处理机制和鲁棒性算法, 执行模型退化监测, 并定期评估模型在一段时间内的性能变化。

由于氢能源及人工智能技术相对较新, 社会乃至企业对两者融合的接受程度可能存在一定的不确定性。在推进过程中, 大众对新技术的接受度和担忧需得到关注。为应对这些挑战, 需要跨学科的研究合作, 强化数据采集与质量管理, 提升人工智能模型的可解释性, 并逐步构建相关的标准和规范。