ScienceDirect是全球领先的学术文献平台，由荷兰爱思唯尔（Elsevier）出版集团运营。

ScienceDirect 7月11日发表杨靖丞 , 于颖（航天科技集团）, 王岩斌, 曹辉 , 刘波（河南豫氢装备） , 吴昊 , 薛明喆（通讯作者，同济大学副教授） , 张存满（同济大学教授）联合撰写的研究成果。

摘要

液氢（LH₂）加氢站相比气态加氢站具有更低的存储和运输成本以及更小的占地面积。气液氢混合预冷策略能有效利用液氢冷能，降低能耗。

与传统加氢站不同，该方法要求加氢机和压缩系统同时运行。

本研究建立了基于 MATLAB 的热力学模型，评估两种加氢策略对加氢站性能和能耗的影响。通过遗传算法优化的神经网络预测不同条件下的工况和能耗。

利用改进的遗传算法得到低能耗解决方案的帕累托前沿，并从中选取最优初始参数。与优化前的最差和最佳情况相比，能耗分别降低了 16.61% 和 2.25%。研究结果为液氢加氢站低能耗加氢策略的制定提供了参考。

引言

与气态氢加氢站相比，基于液氢（LH₂）存储的加氢站具有占地面积更小、存储和运输效率更高等显著优势。因此，它们日益引起氢能领域研究人员和工程专家的关注。

欧洲、美国、日本、韩国、中国等国家正积极推动液氢加氢基础设施的发展。需要注意的是，本文中的 “液氢加氢站（LHRS）” 指的是以液态形式存储氢但以气态形式加注的站点，而非直接为车载液氢储罐加注的站点。为方便起见，我们以下将这些液态存储、气态加注的站点简称为 “液氢加氢站”。

与气态氢加氢站类似，液氢加氢站必须确保加氢过程中车载储罐的温度不超过 85°C。因此，加注前对氢气进行预冷至关重要。为符合美国汽车工程师学会（SAE）J2601 标准（该标准规定加气机处的氢气温度为 - 40°C），气态加氢站通常需要高能耗的制冷系统对氢气进行预冷。

相比之下，液氢加氢站可以利用氢气汽化过程中释放的冷能，实现零能耗预冷，显著降低运行能耗。我国科研人员研究了一种双管换热器系统，用于回收加氢站内液氢的冷能，将其用于加注前的氢气预冷。

同时，有研究人员提出液氢与气态氢直接换热的预冷方法。然而，这种方法需要在加氢过程中持续供应高压液氢以维持换热过程，导致系统设计中取消了级联存储气瓶（CSC）。

在现有的液氢冷能回收解决方案中，林德公司商业化的气液氢混合温度控制策略是技术最成熟的方法。对比研究表明，采用液氢泵而非压缩机的液氢基加氢站，其能耗显著低于气态氢加氢站。

为进一步优化这一模式，我国科研人员发现将气液氢混合点设置在减压阀下游可显著降低压缩能耗。总体而言，如果不需要进一步利用液氢的冷能，加氢前采用气液氢混合预冷的方法是一种简单、实用的解决方案，不会产生额外的投资成本。

加氢站最关键的模块是压缩设备。液氢加氢站通常采用液氢泵作为主要压缩装置。这些泵采用往复式结构实现高压输送，输出压力模式由出口附近的流体压力决定。

由于液氢的低温和高挥发性，流量的快速变化会引起泵的杜瓦容器和管道系统内的压力波动。这种现象可能引发闪蒸和气泡形成，从而增加泵气蚀的风险。气蚀不仅会导致排出压力不稳定，还会加速磨损，影响泵的运行可靠性和使用寿命。

此外，这种压力波动可能会对高压管道施加机械应力，增加泄漏或破裂的风险。因此，液氢泵的实时流量调节在技术上具有挑战性，通常不被推荐。在采用气液氢混合预冷的液氢加氢站中，气液混合物的流量控制主要通过安装在出口的质量流量阀来调节分流。

从热力学角度来看，加氢站可以建模为一个具有确定输入和输出的复杂非线性系统。近年来，人工神经网络（ANNs）在模拟加氢站方面得到了广泛应用，但在液氢加氢站中的应用仍有待探索。

我国科研人员采用人工神经网络优化气态加氢站的工艺参数。通过将加氢时间限制在 183 秒以内，气态加氢站的预冷能耗有效降低了 2.5%。相比之下，采用多目标优化方法研究气态加氢站中级联存储气瓶（CSC）的最优压力和体积比，确定了最高效的配置。

进一步推进这一方法，研究团队利用人工神经网络模型优化加氢过程中 MC 参数的比例系数，显著提高了计算精度。基于人工神经网络的加氢站关键参数优化已成为加氢模拟研究中的重要方法。

目前关于氢气加氢过程热力学建模的研究主要集中在气态加氢站，对液氢加氢站的研究有限，特别是那些采用气液氢混合预冷的站点。

由于混合过程中需要通过流量阀进行流量控制，用于混合的常温氢气不仅来自级联存储气瓶（CSC），还直接来自压缩设备。对于压缩装置和加气机同时运行的场景，不同初始加氢参数如何影响加氢结果的讨论和研究还存在不足。

此外，当使用人工神经网络模型建立初始加氢条件与结果之间的关系时，大多数研究未能充分考虑液氢加氢站的技术特点。所选的加氢评价参数往往不完整或不准确，限制了其有效约束和优化初始加氢参数的能力，从而影响了优化结果的可靠性。

本研究建立了采用气液氢混合预冷的液氢加氢站热力学模型。分析了两种典型加氢策略下，当压缩系统和加气机同时运行时，加氢站各模块的动态变化，总结了不同策略下液氢泵在加氢和回收阶段能耗的差异和特点。

以泵能耗和充电状态（SOC）为评价指标，训练了人工神经网络模型。通过整合多目标优化和帕累托前沿分析，确定了初始加氢参数的最优组合，以最小化液氢泵能耗同时保持较高的充电状态（SOC）。本文为混合预冷液氢加氢站的初始加氢参数设置和加氢策略制定提供了有价值的见解和参考。

整体流程描述

该图展示了液氢加氢站的示意原理图。液氢存储在液氢储罐中，温度范围为 20 K 至 25 K。液氢通过液氢储罐和液氢泵安装高度之间的重力压头输送至液氢泵。

液氢加氢站的压缩系统可以采用传统压缩机或液氢泵，相应的流程也会有所不同。从技术和经济角度来看，液氢泵更适合液氢加氢站，因为其能耗显著低于传统压缩机。因此，本研究中液氢加氢站的压缩系统采用液氢泵。

液氢加氢站的整体流程如下：液氢从储罐中抽出后进入液氢泵，被压缩至约 90 MPa 的高压。一部分高压液氢通过流量阀进入气液混合器，另一部分则通过减压阀减压至约 45 MPa 后进入低温储罐。

低温储罐中的液氢吸收环境热量汽化，成为约 300 K 的高压气态氢，存储在级联存储气瓶（CSC）中，作为后续加氢的气源。

级联存储气瓶（CSC）中的高压气态氢分为两路：一路直接进入气液混合器与液氢混合，另一路通过加气机进入车载储罐。在气液混合器中，液氢与气态氢充分混合，将气态氢预冷至 - 40°C，然后通过加气机加注到车载储罐中。

在加氢过程中，需要对液氢泵的输出压力、流量阀的开度、加气机的流量等参数进行实时控制，以确保加氢过程的安全、高效进行。同时，还需要对加氢过程中的温度、压力、流量等参数进行实时监测，以便及时发现和处理异常情况。

结果与讨论

在 SAE-J2601 加氢协议下，原理图展示了两种具有不同平均压力上升率（APRR）的加氢策略，分别为快速加氢策略（APRR = 0.47 MPa/s）和慢速加氢策略（APRR = 0.21 MPa/s）。这两种策略的初始参数如表所示。

从图可见液氢加氢站内的质量流量变化。液氢泵的输出流量保持恒定，在加氢的前 0-11 秒，加气机的流量迅速增加到约 0.12 kg/s，然后保持稳定直至加氢结束。

在加氢过程中，进入气液混合器的液氢流量逐渐减少，而来自级联存储气瓶（CSC）的气态氢流量逐渐增加。这是因为随着加氢的进行，车载储罐内的压力逐渐升高，需要更多的气态氢来维持加氢压力。

图中展示了液氢加氢站内的压力变化。液氢泵的输出压力保持在约 90 MPa，减压阀后的压力保持在约 45 MPa。车载储罐内的压力从初始的约 2 MPa 逐渐升高到约 70 MPa，符合 SAE-J2601 加氢协议的要求。在加氢过程中，气液混合器内的压力略高于车载储罐内的压力，以确保氢气能够顺利加注到车载储罐中。

从图中我们可以看到快速加氢策略和慢速加氢策略下液氢泵的能耗变化。可以看出，快速加氢策略下液氢泵的能耗明显高于慢速加氢策略。这是因为快速加氢需要更高的流量和压力，导致液氢泵的能耗增加。

此外，在加氢结束后的回收阶段，液氢泵仍需要消耗一定的能量来将管道内的残余氢气回收至储罐中，快速加氢策略下的回收能耗也高于慢速加氢策略。

展示了两种加氢策略下的充氢状态（SOC）变化。快速加氢策略能够在更短的时间内将车载储罐的 SOC 提高到目标值（约 95%），但能耗较高；慢速加氢策略虽然加氢时间较长，但能耗较低。因此，在实际应用中，需要根据具体需求在加氢时间和能耗之间进行权衡。

基于人工神经网络的优化

约束优化问题通常包括三个关键要素：目标函数、决策变量和约束条件。在本研究中，采用人工神经网络模型建立液氢加氢站的工艺参数与加氢结果评价指标之间的关系。充氢状态（SOC）和液氢泵的能耗作为主要评价指标，其中泵的能耗包括加氢过程和回收阶段消耗的能量。

首先，通过实验设计生成大量的初始加氢参数样本，并利用建立的热力学模型计算每个样本对应的 SOC 和液氢泵能耗。然后，将这些样本数据分为训练集和测试集，用于训练和验证人工神经网络模型。训练好的模型能够根据给定的初始加氢参数预测 SOC 和液氢泵能耗。

接下来，采用改进的遗传算法进行多目标优化，以液氢泵能耗最小化和 SOC 最大化为目标，寻找最优的初始加氢参数组合。通过优化得到帕累托前沿，该前沿上的每个点都代表一个非支配解，即无法在不降低一个目标函数值的情况下提高另一个目标函数值。

最后，根据实际需求从帕累托前沿中选取合适的最优初始参数。与优化前的最佳和最差情况相比，优化后的液氢泵能耗分别降低了 2.25% 和 16.61%，同时保持了较高的 SOC。这表明所提出的优化方法能够有效降低液氢加氢站的能耗，提高加氢效率。

结论

本研究开发了采用气液氢混合预冷的液氢加氢站热力学模型。通过与文献数据对比验证，该模型具有良好的一致性。研究主要考察了在加气机和液氢泵同时运行的条件下，加氢策略对加氢站各模块的影响。此外，结合人工神经网络模型和多目标优化，对液氢加氢站的初始工艺参数进行了优化。

结果表明，不同的加氢策略对液氢泵的能耗和加氢效率有显著影响。快速加氢策略虽然加氢速度快，但能耗较高；慢速加氢策略能耗较低，但加氢时间较长。通过基于人工神经网络的多目标优化，得到了最优的初始加氢参数组合，与优化前相比，能耗显著降低，同时保持了较高的充电状态（SOC）。

本研究为采用混合预冷的液氢加氢站的初始加氢参数设置和加氢策略制定提供了有价值的参考，有助于推动液氢加氢站的高效、低能耗运行。

致谢：本研究得到中国国家重点研发计划“液氢加氢站关键装备研制与安全性研究”（No.2022YFB4002800）的支持。

对以上内容感兴趣，欢迎阅读详细研究文章

doi.org/10.1016/j.ijhydene.2025.150031