0 引言

對于電力系統(tǒng)而言，隨著城鎮(zhèn)化的推進和峰谷價差的不斷擴大，電力運行調度所面臨的壓力與日俱增。同時，伴隨近十年來可再生能源的裝機量快速增長，風、光等可再生能源間斷性和不穩(wěn)定性所引發(fā)的技術及經(jīng)濟問題在大規(guī)模應用中更為凸顯。解決該難題的可行途徑之一是將風能、光能和儲能等新能源技術結合，構建現(xiàn)代智慧多能互補能源系統(tǒng)。與傳統(tǒng)能源相比，氫能具有零污染、高效率、來源豐富、用途廣泛等優(yōu)勢；氫儲能具有開發(fā)潛力大、生產(chǎn)靈活、清潔高效、污染少等特點。隨著我國對電力消納問題的重視及可再生能源發(fā)電上網(wǎng)電價的調整，氫儲能成為消納棄風棄光的關鍵技術，利用棄風棄光電量電解水制氫，能夠有效降低污染物排放，可以提高可再生能源利用的綜合效益。

氫儲能技術是利用電力和氫能的互變性而發(fā)展起來的。風-光-氫多能互補系統(tǒng)在用電低谷期，利用風力發(fā)電和光伏電池作為優(yōu)先能源輸出，滿足用戶負載需求，多余電量電解制氫作為儲存能源；在用電高峰期，利用儲罐氫氣在燃料電池堆發(fā)電，作為補充能源以滿足負荷情況。這一方式不僅能大幅提高能源利用效率，且能有效解決棄風棄光問題，具有良好應用前景

。但是，風-光-氫多能互補系統(tǒng)通常結構較為復雜且存在負荷不確定性，給系統(tǒng)設計和運行帶來了巨大挑戰(zhàn)。開展風-光-氫多能互補系統(tǒng)建模與仿真研究，對于研究系統(tǒng)運行特性，進而實現(xiàn)系統(tǒng)高效穩(wěn)定運行具有重要意義。

風-光-氫多能互補系統(tǒng)示意圖見圖1。系統(tǒng)主要包含五個子模塊：風力發(fā)電子模塊、光伏發(fā)電子模塊、電解槽制氫模塊、儲氫模塊以及燃料電池子模塊。本文對各子模塊仿真模型和集成系統(tǒng)模型作簡要介紹。

1 風力發(fā)電模型

風力發(fā)電是利用風力發(fā)電機將風能轉換為機械功，機械功帶動轉子旋轉，實現(xiàn)交流電輸出的發(fā)電技術。在其運行過程中存在兩次能量轉換，一次是風能轉換成機械能， 另一次是機械能轉換成電能。根據(jù)其運行特征，可分為恒速風力發(fā)電機、有限變速風力發(fā)電機和變速風力發(fā)電機。目前，風力發(fā)電機以變速風力發(fā)電機為主，其中雙饋感應發(fā)電機由于其機組并網(wǎng)簡單，控制方便，而且具有顯著的價格優(yōu)勢，應用最為廣泛。對風力發(fā)電機組的建模最早可以追溯到1977 年Hoffman 為美國宇航局設計的MOSTAS 模型。近年來基于建模仿真的風電技術得到了越來越多的關注，許多國內(nèi)外學者開展了相關研究。目前，風力發(fā)電建模方法主要包括機理特性分析建模法和模型驅動建模法兩類。

1.1 機理特性分析建模法

機理特性分析建模方法是通過分析風電機組系統(tǒng)結構中各要素的相互作用關系和原理得到系統(tǒng)運行特性的一類建模方法，是目前研究較為廣泛的一類方法，主要涉及空氣動力學特性，機械特性，能量平衡方程和牛頓定律等原理。風力機對電能的捕獲是將風能轉化為電能的關鍵過程，很大程度決定了風力發(fā)電機的轉換效率。風力機產(chǎn)生的機械功率與風速大小、風力機葉片設計、葉片受風面積等因素有關。風電機組的基本功率特性如式（1）所示

：

式中，

——空氣密度

燃料電池陽極主要為水蒸氣和氫氣參與反應，假設氣體為理想氣體，該動態(tài)過程可表示為如下公式：

——風速，

C

——風力機的風能利用系數(shù)，和葉尖速比

、葉片槳距角

有關。

綜上所述,在異位妊娠患者的檢測過程中,經(jīng)陰道超聲檢測方式相較于經(jīng)腹彩超檢測方式具有更高的應用價值,診斷率高,值得進一步研究推廣。

輸入風機的實際風速大于切入風速

V

時，風力發(fā)電機開始發(fā)電。風機輸入風速

超過切除風速

時，風機終止工作停止發(fā)電。風機的風速-功率特性的關系可以用數(shù)學關系描述為：

式（2）中，

V

——風機額定風速

《“經(jīng)典好題”的改造與使用——以“周長的認識”一課練習題為例》（P60）一文指出，小學數(shù)學不乏經(jīng)典好題，但也會因使用場合不適當或教師執(zhí)教能力的原因，不能發(fā)揮其應用的功能。以“周長的認識”一課的練習題為例，教師可以通過三方面對一道經(jīng)典好題進行改造與使用：一是改造原題，變封閉為開放；二是順水推舟，變結果為結論；三是打破結論，變直觀為抽象。以求得好題使用的一些方法。

物理模型預測方法是對太陽光照強度與光伏組件的物理特性進行數(shù)學方程建模，繼而對光伏發(fā)電輸出功率值進行預測的方法。其中，等效電路模型是目前最為常用的一種方法

。根據(jù)其模型結構不同，又可以細分為理想單二極管模型（Ideal single diode model）、單二極管 RS 模型（Single diode RS-model）、單二極管RP 模型（Single diode RP-model）、雙二極管模型（Two diode model）等，見圖2。

P

——風電機額定功率

——風速-功率系數(shù)

應用機理分析法所建立風機模型能準確地反映機組的動態(tài)靜態(tài)特性。但由于風機的大容量、復雜非線性強耦合特性，要建立一個完全的風機系統(tǒng)模型十分困難，且所得模型較為復雜，難以滿足控制器設計中的在線應用需求，因此，在實施機理建模時，通常根據(jù)應用需要，對風機某些組件數(shù)學模型進行一定的簡化和假定。此外，風機制造廠家提供的風機參數(shù)、控制系統(tǒng)參數(shù)存在不準確或者不規(guī)范的問題，將導致仿真誤差，降低了對風機實際運行的指導作用。基于現(xiàn)場實測數(shù)據(jù)可以直接建立風機輸入風速和輸出功率的關系模型，與機理模型相互印證，提高模型的精確性。

1.2 模型驅動建模法

模型驅動建模法通過利用時間序列模型、概率模型或機器學習模型，從歷史數(shù)據(jù)中學習模型，并將學習模型應用到未知數(shù)據(jù)上。模型驅動法可大致分為四類：第一類為以時間序列模型為代表概率統(tǒng)計模型

；第二類為機器學習模型

，如支持向量機，隨機森林，提升回歸樹等。第三類為深度學習模型。該類模型利用多層神經(jīng)網(wǎng)絡構造非線性函數(shù)進行空間映射，具有強大的模型擬合能力。其中長短期記憶網(wǎng)絡（Long Short Term Memory）、門限循環(huán)網(wǎng)絡（Gated Recurrent Unit）、卷積神經(jīng)網(wǎng)絡（Convolutional Neural Networks）和深度置信網(wǎng)絡（Deep Belief Networks）等深度學習方法都已應用于風電功率預測

。第四類為模型分解方法，其充分考慮序列數(shù)據(jù)的線性和非線性影響因素，將序列分解為線性部分和非線性部分，分別建立線性模型和非線性模型，再將兩部分的預測結果組合起來。隨著數(shù)據(jù)采集、存儲難度下降，以及大規(guī)模計算變得越來越容易，模型驅動法在生產(chǎn)中的應用越來越多。但這類依賴于大量運行數(shù)據(jù)，只能實施于已投入運行的風電機組。此外，該類方法對運行數(shù)據(jù)質量要求較高，若機組運行中存在較多干擾，所測運行數(shù)據(jù)無法反映真實機組動態(tài)特性，則所建模型精度難以保證。

燃料電池是一種將化學能（通常為氫氣）轉化為電能和熱能的裝置。由于發(fā)電過程中不受卡諾循環(huán)限制，效率高、無污染，在供電/儲能領域具有較廣泛的應用前景。根據(jù)燃料電池中電解質的不同以及燃料的不同，燃料電池可大致分為：堿性燃料電池、磷酸燃料電池、熔融碳酸鹽燃料電池、固體氧化物燃料電池和質子交換膜燃料電池

。其中，質子交換膜燃料電池（PEMFC）工作溫度在80 ℃以下，啟動快，比功率高，結構簡單，處于商業(yè)化的最前沿，應用前景廣闊，在燃料電池汽車、通信基站備用電源以及分布式用能場景下得到廣泛的應用。

普通小球藻生物質購買自山東無棣綠奇生物工程有限公司，經(jīng)過收獲和離心脫水后，得到的濃縮藻液含固率為10%～13%。

2 光伏發(fā)電模型

每日優(yōu)鮮成立于2014年，采取在線銷售模式，消費者通過APP下單購買，商家接單后進行訂單的配送，一般能在下單后的兩小時內(nèi)送達，讓消費者在家就能享受到快速地服務。2017年8月，每日優(yōu)鮮服務覆蓋全國14個核心城市，在一線城市實現(xiàn)整體盈利。

2.1 物理模型預測法

——風電機輸出功率

通常，等效電路模型結構越復雜，模型精度越高，但計算復雜度也越大。其中，單二極管RP模型有效均衡了模型精度和模型復雜度的需求，是目前應用最為廣泛的模型，可表示為公式（3）

。

很多時政熱點能體現(xiàn)時代的特點、社會的主流價值觀以及國家的重大方針和政策；近幾年的思想政治高考試題考查時政熱點的趨勢比較明顯。因此，將時政熱點引入課堂教學十分必要。在思想政治教學中加強時政教育可以深化中學的政治理論教學，增強教育教學的生命力和凝聚力；還能夠有效彌補教材的滯后性，培養(yǎng)學生理論聯(lián)系實際分析解決問題的能力，提高學生道德品質；同時，能豐富教學內(nèi)容，幫助學生深刻理解理論知識，提高政治教學的時效性與有效性。

式中，

和

分別為光伏電池的電流與電壓，

I

和

I

分別為生光電流和飽和電流，

R

和

R

分別為串聯(lián)電阻和并聯(lián)電阻，

為光伏電池的工作溫度，

為光伏電池的理想因子，

為電子伏特常數(shù)，

k

為玻爾茲曼常數(shù)。在真實運行場景下，參數(shù)

I

、

I

、

、

R

和

R

會隨著環(huán)境溫度、光照輻射等環(huán)境參數(shù)的變化而改變。

除了以上常用的等效電路模型，也有報道提出了一些其他等效電路模型，如帶電容的單二極管模型（Single diode model with capacitance）、三二極管模型（three diode model）、多二極管模型等

。但是因這些模型的復雜度，應用價值較低，目前應用的等效電路模型主要以上述四種為主。等效電路模型不需要借助歷史數(shù)據(jù)，可以在光伏系統(tǒng)建設之初就應用于功率預測，并對不同天氣場景的功率預測有較好的泛化能力。然而，由于設備與環(huán)境條件的限制，該方法的應用存在一定限制，例如，建模過程復雜，模型參數(shù)選取較為困難，不同光伏組件的工藝不統(tǒng)一；預測準確性較低，同一光伏發(fā)電組件的光電轉換效率會隨著使用時間延長而下降。

2.2 數(shù)據(jù)驅動建模法

基于數(shù)據(jù)驅動模型的光伏發(fā)電功率預測方法是根據(jù)以往的歷史發(fā)電功率數(shù)據(jù)，通過機器學習方法或統(tǒng)計方法構建數(shù)據(jù)驅動模型，預測得到當前的光伏電池發(fā)電功率。依據(jù)預測結果的類型，光伏出力預測可以進一步分為確定性預測與概率預測。

確定性預測方法以確定的功率值為預測結果，包括時間序列回歸

、相似日聚類

、深度神經(jīng)網(wǎng)絡

等多種方法。確定性預測結果能夠展現(xiàn)長時間尺度下的光伏出力趨勢，可以用于調度系統(tǒng)實現(xiàn)長時間尺度的優(yōu)化，然而在短時間尺度優(yōu)化中，光伏出力波動較大，確定性預測方法無法準確預測光伏短時波動，將影響優(yōu)化結果的經(jīng)濟性與可行性。概率預測方法能夠給出預測時刻光伏設備所有可能的出力值及其概率，從而對預測點的不確定性進行描述。調度系統(tǒng)可利用預測的區(qū)間大小評估光伏出力的波動情況，考慮不同狀況下的調度策略，提高策略的經(jīng)濟性。目前，一般采用數(shù)據(jù)驅動的方法構建概率預測模型，通常預先假設預測目標服從確定的分布函數(shù)，如正態(tài)分布、Beta分布或Weibull分布等，從歷史數(shù)據(jù)中學習分布函數(shù)的參數(shù)，從而得到預測點光伏出力的分布情況與功率區(qū)間。為提高不同天氣條件下光伏出力預測精度，多概率模型、極限學習機等非參數(shù)模型也被逐漸應用于光伏建模領域。數(shù)據(jù)驅動建模法簡單明了，易于實現(xiàn)，且可以根據(jù)運行情況對模型進行修正。但在模型構建中需要引入大量的歷史數(shù)據(jù)，且模型在不同天氣場景下的泛化能力較差。

3 電解槽模型

電解槽電解水制氫屬于一種氧化還原化學反應過程，包含能量的轉換和物質的生成與消耗。在整個風光互補制氫系統(tǒng)中它相當于一個電壓敏感性的非直流負載。但在實際工作過程中，電解槽的輸出負載電壓會受到輸入電流、工作壓力，以及電解槽溫度的影響。電解槽輸出負載電壓與輸入直流電流成正比關系，輸入電流越大，輸出負載電壓越大；輸入電流越小，輸出負載電壓越小。因此，可以通過調節(jié)電解槽的輸入電流，影響電解槽輸出電壓，最終達到調整制氫量大小的目的。依據(jù)電解質的不同，電解槽主要有三種：質子交換膜電解槽，堿性電解槽和固體氧化物電解槽。目前商業(yè)化應用比較成功的為堿性電解槽，但是會產(chǎn)生有毒性氣體，并污染氫氣。相比于其他電解槽，質子交換膜電解槽結構簡單緊湊，電流密度大，效率高，被認為最具應用潛力。電解槽在電解水制氫過程中，陽極和陰極發(fā)生如下化學反應：

大學里的跳蚤市場就是解決學生們的閑置物品，而跳蚤市場的時間地點由學校決定，因此有些同學不能及時參加或者是其他因素而直接放棄該次跳蚤市場。還有的是在不舉行跳蚤市場的時候，有些同學又想將手中的閑置物品交易卻找不到渠道出售，往往大多數(shù)同學會將其中的一些物品當作廢棄品而扔進了垃圾桶里，白白浪費了資源。雖然有閑魚、二手交易市場等網(wǎng)站，但那些都是所有群體的，有些小件的商品估計郵費都比不上，根本解決不了大學的閑置物品交易的需求，所以就需要一個便于校園閑置商品交易的平臺。

在對這一過程建模時，通?？刹捎靡韵聝煞N方式：一是利用法拉第電解定律近似電流。此方式簡單，但是無法應用系統(tǒng)的動態(tài)分析。二是基于陽極物質和陰極物質的摩爾平衡原理、質量守恒原理及流體力學理論建立電解槽模型，描述電解槽內(nèi)發(fā)生的電化學反應和物質的動態(tài)流動關系，通常包括四個模塊：陽極模塊，陰極模塊，電壓模塊和溫度模塊

。以質子交換膜電解槽為例，各模塊建模過程如下。

3.1 陽極模塊

陽極模塊是計算氧氣流率、水蒸氣流率和它們的分壓。在陽極，水分子失去電子生成氫離子和氧氣。根據(jù)質量守恒定律，數(shù)學模型如下

式中，

N

，

N

分別為陽極進口氧氣和水摩爾流率，注意

N

為0；

N

，

N

分別為陽極出口氧氣和水的摩爾流率；

N

為氧氣產(chǎn)生摩爾速率；

N

和

N

分別為膜中水傳遞摩爾流率和水消耗速率。氧氣產(chǎn)生速率和水消耗速率可根據(jù)法拉第定律計算。

3.2 陰極模塊

陰極模塊是計算陰極氫氣和水蒸氣分壓，根據(jù)質量守恒定律，各物質數(shù)學動態(tài)模型如下：

式中，

N

，

N

分別為陰極進口氧氣和水摩爾流率；

N

，

N

分別為陽極出口氧氣和水的摩爾流率；

N

為氫氣產(chǎn)生摩爾速率；

N

為通過膜中從陽極到陰極的水摩爾流率。氧氣產(chǎn)生速率和水消耗速率可根據(jù)法拉第定律計算。

光伏電池是將光能轉化為電能的半導體電子元件，它的電流和功率輸出特性由光照強度和電池溫度決定。光伏電池工作原理的基礎是半導體PN結的光生伏特效應。光生伏特效應是當物體受到光照時，物體內(nèi)的電荷分布狀態(tài)發(fā)生變化而產(chǎn)生電動勢和電流的一種效應。光伏電池可認為是一個P-N 結，當光照射到半導體元件P-N 上時，會產(chǎn)生空穴和電子，在電場作用下載流子定向移動形成電流。光伏電池短路時的電流稱為短路電流，開路時電動勢稱為開路電壓。太陽能光伏電池主要有單晶硅電池、多晶硅電池、多晶體薄膜電池和有機聚合物電池等，其中單晶硅太陽能電池在工業(yè)生產(chǎn)和市場中占主導地位。目前，文獻報道的光伏電池功率預測模型主要包括物理模型預測法和數(shù)據(jù)驅動預測法兩類。

3.3 電壓模塊

電解池通常既可以電流模式工作，也可以電壓模式工作。當它以電壓模式工作時，一個電壓源與之相連，電解池依據(jù)操作環(huán)境來獲取電流，此時電解池電壓可以表達如下：

式（10）中，

V

為開路電壓，可由能斯特方程計算；

V

為活化極化電壓，可以用巴特勒-伏爾摩方程計算；

V

為歐姆極化電壓，由集流器、雙極板和電極表面引起。

3.4 電解槽溫度模塊

通常電解槽在很大電壓下工作，因此會產(chǎn)生大量熱量，對電解槽的冷卻是很有必要的。電解槽內(nèi)部的熱量交換主要有三種：極化電壓產(chǎn)生的熱量、冷卻水帶走的能量、散失到環(huán)境的熱量，通常采用熱力學平衡方程計算

。

4 儲氫模型

電解槽所產(chǎn)生的氫氣需要進行儲存，以作為燃料電池的燃料。氫氣儲存方式主要包括物理儲氫和化學儲氫兩大類。物理儲氫包括高壓氣體儲氫、高壓液化儲氫、活性炭吸附儲氫等。目前，研究較多的為化學儲氫，即借助化學材料將氫氣儲存起來，主要包括金屬氫化物儲氫、有機儲氫和無機儲氫等。目前商業(yè)化應用中最常用的儲氫方式有高壓儲氫、液態(tài)化儲氫以及金屬氫化物儲氫。相比于其他儲氫方法，高壓儲氫具有能耗低、經(jīng)濟性好、污染低和充放方便等特點。

氫氣罐中的壓力模型可采用畢廷布里奇曼等式表示，相較于范德華公式，該方法更為準確。數(shù)學表達式如下：

式中，

為儲氫罐壓強，

為氫氣體積，T為儲氫罐溫度，

為氫氣摩爾量，

為理想氣體常數(shù)。

式（11）中含有五個參數(shù)，其中：

為0.197 5 atm·L

/mol

，

為0.020 96 L/mol，a數(shù)值為-0.005 06 L/mol，

數(shù)值為-0.035 9 L/mol，

為 0.0504 L·K

/mol。

大學生進行職業(yè)生涯規(guī)劃可以充分的了解、認識自己，對自己有很清晰的定位，通過對于自身的定位能夠確立生涯目標，隨著個人的不斷進步，職業(yè)生涯也會更加完善，進行職業(yè)生涯規(guī)劃也會更加健全。[4]

5 燃料電池模型

在南宋時期，李清照顛沛流離之前，與丈夫趙明誠分隔兩地之時也寫過閨怨詞。“樓上幾日春寒，簾垂四面，玉闌干慵倚。”（《念奴嬌》）春寒料峭，詞人深坐樓頭，簾垂四面。“玉闌干慵倚”，刻畫詞人無聊情緒，而隱隱離情也在其中。鴻雁飛過，卻捎不來半絲丈夫的音訊，縱使闌干倚遍，亦復何用。闌干慵倚，樓內(nèi)春深重，枯坐只會令人更加愁悶，于是詞人只有懨懨入睡了。心事無人可訴，唯有寄托于夢境之中，凄然之情溢于言表。此詞寫于南遷之前丈夫遠離之時，思念丈夫，情深意切。

以質子交換膜燃料電池（PEMFC）為例，工作原理如圖3 所示，主要由兩電極和質子交換膜組成。質子交換膜通常與電極催化劑成一體化結構，在這類結構中，以多孔鉑材料作為催化劑結構的電極緊貼在交換膜表面。在固體聚合物電解槽工作過程中，水分子在陽極被分解為氧和H

，H

和水分子結合成H

O

，在電場作用下穿過薄膜到達陰極，在陰極生成氫，在陽極生成氧。

燃料電池常用模型包括集總參數(shù)模型和分布參數(shù)模型

。集總參數(shù)模型仿真速度快、操作簡便，可以用來分析燃料電池的動態(tài)響應性與系統(tǒng)控制，但無法得到燃料電池內(nèi)部參數(shù)的分布情況。分布參數(shù)模型即以燃料電池仿真涉及的各種守恒方程，包括質量守恒、動量守恒、電荷守恒、能量守恒、組分守恒等守恒方程來描述燃料電池內(nèi)部參數(shù)，包括電池內(nèi)部流體的壓力、流速、濃度、溫度等參數(shù)以及液態(tài)水與電流密度的分布情況等。由于分布參數(shù)模型可以詳細描述電池內(nèi)部情況，模型復雜，模型精度高，是研究最廣泛的一類模型。分布式參數(shù)模型主要由：電壓模塊、陽極模塊、陰極模塊、溫度模塊和質子交換膜模塊組成。以下為各模塊主要建模過程。

Ding[27]等利用適配體組裝磁珠納米結構開發(fā)出一種簡單、通用、靈敏的電位檢測方案，適用于多種目標分子的檢測。適配體捕獲后磁珠帶負電荷，雙酚A加入后將適配體競爭下來，暴露的適配體與帶正電荷的魚精蛋白結合，此時磁珠帶電荷由負變正，電位變化也會發(fā)生明顯的變化。隨后，同組研究人員又提出一種對2種分子有順序選擇性檢測的全固態(tài)電位傳感器[28]，如圖2所示。該傳感器利用計時電位法調控陰陽離子的擴散，再利用開路電位法檢測實現(xiàn)了2種細菌的選擇性檢測。該傳感器可同時檢測大腸埃希菌O157∶H7和金黃色葡萄球菌2個細菌核酸序列，其檢出限分別為120和54 fmol·L-1。

5.1 電壓模塊

燃料電池的I-V 曲線即極化曲線，刻畫了燃料電池的工作特性。燃料電池的極化電壓分為：活化極化電壓、歐姆極化電壓和濃差極化電壓。不同的電流密度下極化電壓的作用不同。因此單電池的電壓可表達如下：

編制現(xiàn)金預算等制度的存在可以在相當程度保證企業(yè)現(xiàn)金流管理的合理性。然而，一旦企業(yè)經(jīng)營活動中產(chǎn)生意外，勢必需要現(xiàn)金支持運轉。因此，在進行現(xiàn)金流高效管理的同時，必須在企業(yè)內(nèi)部建立起現(xiàn)金風險預警體系。現(xiàn)金風險預警體系可以在企業(yè)現(xiàn)金流轉出現(xiàn)問題時作出反應，以此便能及時有效地減少企業(yè)經(jīng)濟損失；預警體系的主要建設點在于現(xiàn)今風險預警能力建設方面，相關預警的實現(xiàn)需要通過具備專業(yè)素質的人才對企業(yè)內(nèi)部經(jīng)營信息與現(xiàn)金狀況的處理得出，這也意味著企業(yè)需要專門設立機構從事預警工作，通過及時、準確的預警支持，企業(yè)現(xiàn)金流管理工作的進行也將呈現(xiàn)出積極趨勢。

式（14）中，

為開路電壓，可由能斯特方程表示；

V

為活化極化電壓，常用塔菲爾公式和經(jīng)驗公式表示；

V

歐姆極化電壓，表示導流板、雙極板和電極電阻；

V

為濃差極化電壓，由反應物中心與電極表面濃度差，可采用經(jīng)驗公式表示。單電池輸出電壓最終可表示為電流密度、電池溫度、反應物壓力和水合作用的函數(shù)。

近年來，隨著社會經(jīng)濟的發(fā)展，行業(yè)主管部門及建設單位對水利工程施工質量提出了更高的要求，在水工隧洞襯砌施工中，大多采用鋼模臺車澆筑，由于施工里程長，質量影響因素多，在混凝土澆筑完成后，通常會出現(xiàn)一些常見的質量通病?，F(xiàn)對常見的質量通病提出修補處理方案。

5.2 陽極模塊

——風力機的掃掠面積

式中，

V

為陽極體積，

m

為進入陽極的氫氣摩爾流率，

m

為出陽極的氫氣摩爾流率，

k

為陽極流體流動轉換系數(shù)，

P

為陽極側氫氣壓力，

P

為環(huán)境壓力，

FR

為陽極氫氣每分鐘流量，

PC

為氫氣純度，

CF

為氫氣流率轉換系數(shù)。

陽極的水蒸氣動態(tài)模型可表示為式（18）。

式中，

m

為進入陽極水的摩爾流率，

m

為陽極出口水的摩爾流率，

m

為氫離子轉移攜帶的水摩爾流率，

m

為水因壓差從陰極滲透到陽極的摩爾流率。

對于一臺特定的風力發(fā)電機，風力機產(chǎn)生的機械功率主要和風速有關，與風速的立方成正比。

5.3 陰極模塊

質子交換膜燃料電池的陰極模塊，主要有氧氣和水蒸氣參與反應，動態(tài)模型可表示為:

式中，

V

為陽極體積，

m

為進入陽極的氧氣摩爾流率，

m

為出陽極的氧氣摩爾流率，

k

為陽極流體流動轉換系數(shù)，

P

為陽極側氧氣壓力，

P

為環(huán)境壓力，

FR

為陽極氧氣每分鐘流量，

PC

為氧氣純度，

CF

為氧氣流率轉換系數(shù)。

對于陰極的水蒸氣動態(tài)數(shù)學模型如式（23）：

式（23）中，

m

為進入陰極水的摩爾流率，

m

為陰極出口水的摩爾流率，

m

為氫離子轉移攜帶的水摩爾流率，

m

為水因壓差從陰極滲透到陽極的摩爾流率。

5.4 溫度模塊

溫度對燃料電池的工作性能有很大的影響。一般在合適溫度范圍內(nèi)，溫度越高，電池輸出功率越大。但溫度過高會導致膜中水分快速蒸發(fā)，造成膜脫水甚至膜損壞。溫度過低的話，會影響氫離子在膜中的轉移速度，影響反應速度，另外溫度過低使水蒸氣冷凝，造成水的積聚堵塞氣體通道，使燃料電池停止工作。因此合適的電池工作溫度對燃料電池組非常重要。對于高功率燃料電池堆，需要冷卻水不斷冷卻系統(tǒng)，使系統(tǒng)溫度保持在一個最佳值，使功率輸出最大并且提高燃料電池的壽命。一般情況下，質子交換膜燃料電池的最佳工作溫度在70～80 ℃。燃料電池系統(tǒng)的動態(tài)熱量交換模型可采用如下公式表示：

3)2626隔離開關控制規(guī)則，分閘條件：262斷路器分閘。合閘條件：262斷路器分閘、26230接地開關分閘、26240接地開關分閘、26260接地開關分閘。

式（25）中，

Q

是燃料電池堆吸收熱速率，

Q

是冷卻系統(tǒng)熱吸收速率，

Q

是燃料電池堆與環(huán)境熱散失速率。

6 風-光-氫多能互補系統(tǒng)集成仿真模型

基于上述各元件模型及相互間的能流關系，可搭建風-光-氫多能互補系統(tǒng)整體仿真平臺。風-光-氫多能互補集成系統(tǒng)可分為兩類：一類是離網(wǎng)型，即風和光獨立發(fā)電，將電能提供給電解槽制氫。該類型投資少，靈活性高，易于管理。另一類是并網(wǎng)型，風力發(fā)電機、光伏板經(jīng)逆變器逆變后，并入電網(wǎng)，利用電網(wǎng)的電或超出電網(wǎng)容納能力的剩余部分的電來電解水制氫氣。此方式在實現(xiàn)能量儲存的同時，減小了對電網(wǎng)的沖擊。目前，前者相關研究較多，理論及技術相對比較成熟。后者處于起步階段，主要集中于理論研究，尚未開展大規(guī)模風光氫綜合能源發(fā)電系統(tǒng)的示范工程設計。

現(xiàn)有風-光-氫多能互補集成系統(tǒng)仿真模型研究主要用于可行性和經(jīng)濟性分析、能量管理和容量配制優(yōu)化兩方面

。Wang等

搭建了一個包含光伏、風力機、燃料電池、電解槽混合獨立發(fā)電系統(tǒng)，并采用真實的負載數(shù)據(jù)和氣象資料進行了模擬仿真，其中風力和光伏是系統(tǒng)能量來源，燃料電池-電解槽用于補充和長期能源系統(tǒng)。Vaishalee Dash等

搭建了包含電解槽制氫，光伏電池、燃料電池堆和蓄電池的集成系統(tǒng)仿真平臺，并基于該平臺提出了能量優(yōu)化管理策略。A.U.Chavez-Ramirez等

在實驗數(shù)據(jù)的基礎上，利用人工智能技術對風光燃料電池系統(tǒng)進行了能量管理，并建立了預測精度比較高的數(shù)學模型。Patsios 等

建立了一個包含風力機、光伏電池、電解槽、燃料電池和超級電容器混合發(fā)電系統(tǒng)，利用超級電容器作為儲能載體。Onar等

建立了包含光伏、電解槽、燃料電池及超級電容器的混合發(fā)電模型，超級電容器與風力發(fā)電機連接可確保它在不同的環(huán)境下工作。Khalilnejad.A等

設計了一個風光聯(lián)合發(fā)電系統(tǒng)來電解制氫，并分析了不同發(fā)電場景下的最大產(chǎn)氫量。J.P.Simoes等

設計了一個包含風力發(fā)電機、光伏發(fā)電陣列、蓄電池、電解制氫裝置和儲氫裝置的混合能源系統(tǒng)，對每一個元件進行了建模和仿真。

國內(nèi)在風-光-氫多能互補集成系統(tǒng)的研究尚處于起步階段。國內(nèi)高等院校和科研院所如華北電力大學、清華大學、中國船舶重工集團七一八所等對風能制氫集成系統(tǒng)進行了論證和分析。在具體工程示范應用方面，顧為東

2008 年完成了非并網(wǎng)風電規(guī)?；茪鋵嶒灢⒔⑹痉俄椖?，2011年建立了國內(nèi)首個非并網(wǎng)電解制氫工程，2016 年張家口建立了風光耦合電解制氫示范工程20 MW光伏發(fā)電配套全部并網(wǎng)發(fā)電。李春華

等在光能制氫混合系統(tǒng)方面，開展了光伏/燃料電池建模、光伏氫能系統(tǒng)性能分析等工作。蔡國偉等

搭建了包含風力發(fā)電、光伏發(fā)電、制氫、超級電容器的集成仿真平臺，并提出了不同運行工況下的控制策略，提高系統(tǒng)運行可靠性。孟現(xiàn)峰等

搭建了包含電解槽、儲氫罐、質子交換膜燃料電池等部件的集成系統(tǒng)，并設計了各組成單元能量控制策略。秦夢珠等

提出了一種新型風電-氫能耦合系統(tǒng)，在并網(wǎng)模式時利用多余電能電解水制氫，離島獨立運行模式時解決系統(tǒng)能量平衡、提高供電質量等問題。陳維榮等

針對多能互補微電網(wǎng)經(jīng)濟成本最優(yōu)問題，提出一種計及需求側響應的風-光-氫多能互補微電網(wǎng)優(yōu)化配置方法。賈成真等

基于風光氫耦合發(fā)電系統(tǒng)仿真模型，提出了一種基于快速非支配排序遺傳算法（NSGA-Ⅱ）的容量優(yōu)化配置及日前優(yōu)化調度。

7 總結和展望

風-光-氫多能互補系統(tǒng)集成仿真模型在系統(tǒng)規(guī)劃、容量配置、優(yōu)化調度等方面具有重要作用。本文對風-光-氫多能互補系統(tǒng)仿真模型中的關鍵單元，包括風力發(fā)電模型、光伏發(fā)電模型、電解槽模型、儲氫模型及燃料電池模型建模方法進行了綜述；在此基礎上，對系統(tǒng)仿真模型的應用方向進行了簡述。

能源效率不斷提升，“十三五”、“十四五”、“十五五”期間，廣東省單位GDP能耗分別下降21%、17%和15%，至2030年，單位GDP能耗降至0.31 tce/萬元(2000年價)，約為2005年的1/3，達到美國2013年水平。

通過以上分析可知，風-光-氫多能互補系統(tǒng)已引起國內(nèi)外專家和學者的關注，其中各關鍵單元建模方法研究已比較成熟，為系統(tǒng)仿真建模提供了良好基礎。但是，由于風-光-氫多能互補系統(tǒng)發(fā)展仍處于初步階段，如何基于風光制氫/燃料電池集成系統(tǒng)仿真模型，通過系統(tǒng)規(guī)劃、容量配置、優(yōu)化調度等研究，保障系統(tǒng)高效、安全、經(jīng)濟運行還有待探索和實踐。但從長遠看，隨著新能源技術的快速發(fā)展，大規(guī)模、低成本的風光制氫/燃料電池集成系統(tǒng)必將成為重要發(fā)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,楊國生,湯涌,蔡文瑞,劉素梅,王曉陽,歐陽金鑫.基于特征影響因子和改進BP 算法的直驅風機風電場建模方法[J].中國電機工程學報,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,蔡濤,陳昌松,陳正洪,邱純.基于天氣類型聚類識別的光伏系統(tǒng)短期無輻照度發(fā)電預測模型研究[J].中國電機工程學報,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]譚津,鄧長虹,楊威,等.微電網(wǎng)光伏發(fā)電的Adaboost 天氣聚類超短期預測方法[J].電力系統(tǒng)自動化,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]趙康寧,蒲天驕,王新迎,等.基于改進貝葉斯神經(jīng)網(wǎng)絡的光伏出力概率預測[J].電網(wǎng)技術,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]李煒.獨立的太陽能燃料電池聯(lián)合發(fā)電系統(tǒng)的協(xié)調控制設計與仿真研究[D].上海交通大學，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]張鑒,華青松,鄭莉莉,等.質子交換膜燃料電池建模綜述[J].電源技術,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, Sim?es 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]顧為東. 大規(guī)模非并網(wǎng)風電系統(tǒng)開發(fā)與應用[J]. 電力系統(tǒng)自動化,2008(19):1-4+9.

[32]李春華,朱新堅,胡萬起,等.光伏/燃料電池聯(lián)合發(fā)電系統(tǒng)的建模和性能分析[J].電網(wǎng)技術,2009,33(12):88-93+111.

[33]蔡國偉,陳沖,孔令國,等.風電/光伏/制氫/超級電容器并網(wǎng)系統(tǒng)建模與控制[J].電網(wǎng)技術,2016,40(10):2982-2990.

[34]孟現(xiàn)鋒,羅勇,Crisalle Oscar Dardo.風電氫聯(lián)產(chǎn)系統(tǒng)功率平滑控制仿真研究[J].可再生能源,2016,34(11):1595-1602.

[35]秦夢珠,張國月,齊冬蓮.風電-氫能耦合系統(tǒng)建模及仿真[J].電子技術, (8):18-23.

[36]陳維榮,傅王璇,韓瑩,等.計及需求側的風-光-氫多能互補微電網(wǎng)優(yōu)化配置[J/OL].西南交通大學學報:1-8[2021-05-21]

[37]賈成真,王靈梅,孟恩隆,等.風光氫耦合發(fā)電系統(tǒng)的容量優(yōu)化配置及日前優(yōu)化調度[J].中國電力,2020,53(10):80-87.