近五年储能工程代表性成果
（一）华南理工大学、中广核设计院、中国科学院深圳先进技术研究院—海上风电-超级电容混合储能制氢系统优化控制研究——2023A1515240014；
1.项目介绍
本项目围绕广东省大力推进的海上风电发展战略，聚焦国家电力系统低碳转型需求，面向海上风电制氢储能系统的高效与稳定运行，提出一套系统性建模、优化与控制研究方案。项目首先提出面向海上风电-超级电容混合储能制氢系统的个体模块化多模态耦合建模方法，基于对系统耦合机制与元件物理特性的深入分析，构建具有拓展性的模块化建模框架，实现对复杂系统的高效建模。其次，围绕系统配置的经济性与运行效率，项目研究多阶段、多层次的规划设计方法，建立规划主问题与运行子问题的分解框架，支撑系统设备类型、容量及运行策略的合理配置。在运行优化方面，项目开发具备全局收敛能力与高计算效率的群智能多目标优化算法，提升系统在多目标、复杂约束条件下的运行效率与决策质量。同时，为应对海上风电输出波动对制氢过程的扰动影响，提出基于全状态反馈的线性二次型最优控制策略，通过模型修正与控制器参数优化，实现对电源扰动、电解温度变化等不确定因素的有效抑制，提升系统稳定性。最终，项目通过系统仿真验证提出方法的有效性，推动海上风电制氢储能系统在工程化应用中的高效、安全与智能发展。
图1 项目研究思路
2.在研成果展示
（1）研究内容1：海上风电-超级电容混合储能制氢系统个体模块化的多模态耦合建模方法
在建模方法的选择上，应充分考虑海上风电-超级电容混合储能制氢系统结构上的异质性、层次性及网络拓扑的复杂性，需要建立一个同时考虑到不同元件特性、不同耦合关系的模型。在此模型下，可以方便的研究各类装置内部的物理特性及其演化规律，又充分考虑到装置之间的互动关系。与此同时，该模型应是通用的、规范化的，模型容易扩展、复用性强，以适应不同形式的应用场景，提高系统建模效率。
（2）研究内容2：海上风电-超级电容混合储能制氢系统最优配置的多阶段规划设计方法
海上风电-超级电容混合储能制氢系统是一个多输入多输出、多级能量流和信息流的复杂多模态能源系统，可使用的能源类型和能量转换设备多种多样，因此存在着许多种可行的系统配置以及运行策略。为了缩短海上风电制氢系统的投资回报周期和提高海上风电制氢系统的运行效率，必须对系统的设备类型、设备容量及运行策略进行合理选择，来满足不同的负荷需求。
（3）研究内容3：海上风电-超级电容混合储能制氢系统高效运行的交互式优化决策算法
海上风电-超级电容混合储能制氢系统的高效运行问题，在数学上表现为一个非凸高维多目标多约束的复杂优化问题，需采用相应的多目标优化算法进行求解。本项目拟研究快速收敛的群智能多目标优化算法，兼顾算法的全局搜索能力和局部搜索能力，确保多目标优化过程的收敛性和计算效率。因此，在优化算法方面，需研究多目标优化的计算方法在海上风电制氢系统优化运行应用的可计算性和快速收敛性，确保多目标优化过程的收敛效果和计算效率。
图2 交互式优化决策框架示意图
（4）研究内容4：海上风电-超级电容混合储能制氢系统实时运行控制方法
海上风电-超级电容混合储能制氢系统能实现安全稳定运行的前提和要求是保证微电网内功率平衡，而功率平衡等效于微网中直流母线电压的稳定。海上风电-超级电容混合储能网的协调控制基于各变流器的工作模式切换，目的是维持直流母线电压稳定，为负载持续可靠提供电能，并优化系统能量流动。
图3 海上风电-超级电容混合储能制氢系统协调控制示意图
具有拓展性的个体模块化变时间步长耦合建模，需建立基于元件共性特征提取的海上风电制氢系统各元件个体的模块化模型，利用统一的、规范化的多个体的组合建模提高海上风电制氢系统建模的效率。海上风电制氢系统耦合元件繁多，导致其动态过程呈现高阶模态，而高阶非线性动力系统的动态过程分析十分困难。目前海上风电制氢系统多模态分析中，通常以不同子能源系统的动态时间尺度进行模态划分，尚未合理考虑系统中各元件的动态特征的差异性以及不同子能源系统内相似元件动态特征的一致性。如何在最小化误差的前提下将原来的高阶模态映射到低维空间以简化计算，是本项目研究的关键科学问题之一。在研究某一特定模态时，抽取其相邻模态数据，通过模态互动规律的研究，将相邻模态渐近行为导入某一模态，获得系统在此模态上的动态特性，由此实现复杂系统的选择性模态分析。在海上风电制氢系统动态特征的研究过程中，无须获取全局数据，可根据需求提取少量模态数据做相关分析，减少计算负担。
图4 交互式优化决策框架示意图
单步式的多目标优化得到的帕累托前沿分布较为分散，如图5(a)所示。若能在多目标优化迭代过程中，考虑未参与优化的利益指标，采用多属性决策方法计算决策兴趣域 (Region of Interest, RoI，图5中的蓝色圆圈)，反馈兴趣域信息到当前优化迭代方向中，引导优化迭代更新方向逐渐向决策兴趣域聚拢，则随着优化迭代过程完成，将能获得聚集于决策兴趣域的帕累托前沿，如图5(b)所示。相比图5(a)的结果，该结果更有利于运行决策者选取最终的运行方案，同时交互式的优化决策过程充分考虑了基于函数相关概率置信度的重要指标的多目标优化和次要指标的多属性决策，有助于多能耦合系统多主体运行的利益最大化。
图5 交互式多目标优化决策结果对比示意图
（二）华中科技大学深圳研究院、中国科学院深圳先进技术研究院—垃圾气化制氢供燃料电池与储能的集成能源系统研究——JCYJ20210324115606017；
1. 项目介绍
本项目面向国家“双碳”战略和可持续能源发展需求，围绕垃圾资源化利用与氢能高效转化的关键科学问题，开展垃圾气化制氢与燃料电池、储能深度耦合的集成能源系统基础研究。项目聚焦垃圾气化过程中的热化学转化机制、气化产物中氢气的选择性提纯路径，以及燃料电池与储能系统的动态耦合与能量管理规律，力图揭示垃圾—氢—电能转化全链路中的多物理场耦合特性与响应机理。通过构建理论模型与多尺度数值仿真平台，结合实验装置的搭建与测试验证，探索不同运行条件下系统的能效边界与稳定性控制策略。项目预期在垃圾热解气化与氢气提纯机制、高效耦合的能源转换路径以及系统级优化与调控方面取得原创性成果，为建立“废弃物—氢能—电力/储能”融合发展的新型能源利用模式提供科学支撑。研究成果将有助于推动垃圾资源化高值利用、加快氢能与燃料电池产业发展，并为城市绿色能源系统构建提供基础理论与核心技术储备。
图1 项目技术设想
图2 项目总体思路
2. 在研成果展示
（1）研究内容1：垃圾气化-储能系统集成模型构建；
主要研究方向：垃圾气化-储能系统集成模型构建；系统多状态下最优操作点获取；系统运行最优参考轨迹预测；混合系统分布式模型预测容错控制算法设计和验证平台构建。完成多模块集成模型构建；形成耦合电流分析和动态负载调控系统优化算法；设计系统级容错自愈策略算法保障系统效率优化并搭建垃圾气化制氢-SOFC-锂电池实验平台。
图3 垃圾气化制氢-SOFC-锂电池集成模型
（2）研究内容2：生活垃圾定向制备清洁富氢燃气；
主要研究方向：反应过程交互作用机理与合成气生成规律；反应过程S、Cl及重金属的释放迁移及形态转化机制；构建富氧气化熔融制氢预测模型。生活垃圾有机组分转化率＞90%；燃气氢气比例＞30%；含硫污染物浓度低于5ppm，重金属脱除率＞90%。
图8 生活垃圾定向制备清洁富氢燃气研究路线图
（3）研究内容3：SOFC和锂电池混合动力系统管控；
主要研究方向：锂电池协同SOFC发电；耦合SOC、SOH 混合能量管理算法；电池电流控制，混合能量系统安全性管控；燃料多样性对混合系统影响。面向工业化应用开发出国内领先5kW级垃圾气化制氢-SOFC-锂电池混合系统样机1套，实现国内该领域内产业突破。
图9 SOFC和锂电池混合动力系统管控研究路线图
（三）深圳市计量质量检测研究院、中国科学院深圳先进技术研究院—储能系统安全检测方法研究——JCYJ20220818103416035；
1. 项目介绍
本项目面向新能源大规模应用背景下储能系统的安全管理需求，研究储能系统中电池与PCS（功率变换系统）、BMS（电池管理系统）、EMS（能源管理系统）等子系统之间的强耦合关系，构建具备状态感知与风险预警能力的储能系统数字孪生体，系统开展多层级安全风险建模与关键技术研究。针对锂电池火灾热失控问题，项目深入分析电池在不同荷电状态下的热失控过程，研究潜伏、放气、明火、爆炸四阶段中气体、温度、烟雾等特征参数随温度演化的变化规律，构建热失控临界参数模型与感知预警方法。针对电池绝缘安全问题，项目基于低压脉冲信号注入法建立增强型绝缘检测模型与控制算法，实现高精度、有源式在线监测。面向系统失效预测，项目以电力电子器件的老化特性为切入点，构建关断过程动态参数与老化演变之间的映射关系，提出健康状态评估模型。进一步从能源流与信息流双重视角出发，研究储能系统运行状态、环境适应性与系统控制的协同机制，提升系统运行安全性与协调性。最后，基于机理模型与数据驱动方法融合，构建储能系统的数字孪生系统，实现对电池内短路、老化、不一致性等状态的实时估算与演化趋势识别，为储能系统构建“感知—分析—预警—干预”一体化的智能安全管理体系提供理论与技术支撑。
2. 在研成果展示
（1）基于二阶双极化电池模型，分析了锂离子电池开路电压松弛效应的时间性；开展了环境温度（常温）对锂离子电池单体影响的前期研究，研究了环境温度对开路电压、电阻（欧姆电阻、极化电阻）和容量等参数的影响。
（2）建立锂电池生热速率模型，研究了电池生热速率的若干影响因素，建立充放电过程中电池能量效率表达式；采用三维分层结构模型仿真分析电池单体、电流密度和温度分布
（3）从电池组热电均匀分布的影响因素入手，实验研究了常温环境下（25℃）下大容量（100Ah）并联锂离子电池组并联支路电池的电流分布、荷电状态分布和容量分布规律。
（4）提出一种基于电流积分和卡尔曼滤波的自学习混合估计算法，能够有效的估计系统输入输出噪声均值，并改善估计结果。
图15 在线自学习SOC估计效果