计及需求响应的微能网综合能源多时空尺度优化调度

秦文萍, 杨镜司, 景 祥, 姚宏民, 李晓舟, 张信哲

(太原理工大学 电力系统运行与控制山西省重点实验室,太原 030024)

随着全球化石能源逐渐枯竭和能源供需矛盾加剧,能源高效利用成为能源领域研究的重点[1].为实现“双碳”目标,具有多能互补、能源阶级利用等特点的综合能源为低碳转型提供重要解决方案[2].微能网作为综合能源系统的重要表现形式,可实现多维能源的互补利用和优化匹配,随着城市的多元性发展,不同类型微能网之间的设备耦合与能源转换特性差异、各类设备响应特性不同等问题给电网系统调度运行带来极大困难.因此综合考虑各微能网之间的利益关系,优化调度微能网的可调控负荷,提升系统能源供应互联互济水平,实现能源利用的整体优化是能源领域的研究重点之一.

当前,国内外学者对于微能网优化调度研究已经取得一定成果.在综合能源需求侧响应方面,文献[3]中提出了计及需求侧管理的孤岛型微电网优化模型,按电负荷重要程度进行分类处理,在保证供电稳定前提下提高了系统运行的经济性,但是只考虑了电负荷的需求响应,未涉及热、气等柔性负荷;文献[4]中构建了电-热-气多源耦合系统结构,计及直接负荷控制参与的需求响应,分析了多源互补协调优化调度特性,但是只考虑了直接负荷控制参与系统优化;文献[5]中引入可控负荷参与微电网的经济调度,建立了电热联合系统的双层优化调度模型,但是只考虑了可转移负荷对电力系统的影响,忽略了用户侧需求响应负荷的多样性;文献[6]中构建了考虑碳捕集系统和综合需求响应的电-气综合能源系统低碳经济调度模型,引入横向与纵向需求响应的负荷需求响应模型,实现了电-气综合能源系统的低碳运行,但是只考虑了可转移负荷与可替代负荷,忽略了用户侧能源需求的差异.

在综合能源能量传输与耦合方面,文献[7]中将氢燃料电池与燃气轮机转换为非固定效率运行的形式,降低能量在逐级利用时的损耗,改善热-电耦合性能;文献[8]中构建了计及网络传输损耗的电热综合能源系统多目标优化调度模型,考虑网络传输损耗对供需平衡的影响,实现电热能源之间的协调与优化;文献[9]中提出计及热能输运动态特性的电-热综合能源系统优化调度方法,考虑热网延时和储热等动态特性, 构建了热能输运准动态模型,分析了热网的虚拟储能潜力,实现对热网虚拟储能的调度利用;文献[10]中针对海岛或偏远山区供电、供热/冷的应用场景,提出分布式沼气-风能-太阳能全可再生能源的微能网模型,提升了系统供能的可靠性和经济效益.以上研究大多只考虑了电、热能源利用,通过改进调度策略实现综合能源的协同优化,未考虑目前大力发展的冷、氢气等新能源,忽略了电、热、气等多能源耦合.

基于此,提出一种考虑需求响应的微能网综合能源多时空尺度优化运行策略.首先从能源角度对微能网中各设备进行建模分析,引入氢能,将电、热、气、氢气负荷作为整体管理,构建包含3类微能网的综合能源系统模型.然后建立了由上、中、下共3层组成的协同优化框架的多时空尺度运行模型:上层为日前调度阶段,对整个多微能网综合能源系统(Integrated Electric-Gas-Heat Energy System, IEGHES)进行调度;中层为日内调度阶段,对各微能网之间进行优化;下层为实时调度阶段,对微能网中具体单元进行调度,调整不平衡功率.3个阶段分别引入可替代、可转移和可削减负荷,阶梯式参与需求响应优化调度,将多种能量形态、时间和空间尺度、响应参与者进行协调.最后,算例仿真结果表明,该策略可以利用多种能源的互补优势,在不同时空尺度上实现多维能源的供需平衡和协同优化,且与传统模型预测控制(Model Predictive Control, MPC)调度相比,更有利于提高系统运行的经济性.

1 多微能网综合能源系统模型

1.1 系统结构

多微能网综合能源系统对电、天然气、热及氢气进行联合调度,主要可分为工业、商业和居民微能网共3个类型,如图1所示.微能网中的分布式电源包括风力机(Wind Turbine, WT)、光伏(Photoroltaic, PV)及热电联产(Combined Heat and Power, CHP);系统通过电锅炉、电解水装置、热电联产装置、燃料电池等实现电网、热网、氢气网及天然气网之间的能量交互;微能网中各能源对应的储能装置对能量流动具有调节作用,可实现对功率缺额的临时补充,起到削峰填谷作用;微能网的终端电、热、天然气、氢气负荷包含了可替代、可转移和可削减负荷,可以提升微能网的调节弹性,进一步优化IEGHES运行.该综合能源系统结构基于实际项目“雄安新区工业园”进行改进,引入氢气网,对不同微能网的用能需求与差异进行建模,体现了能源结构的多样性与实用性.

图1 多微能网综合能源系统结构Fig.1 Structure of multi-micro energy grid integrated energy system

当前国内推行的微能网多采用同类产业的集群效应,主要负荷类型决定微能网的负荷曲线[11-12].工业微能网多分布在城市郊区地带,可有效利用风能、光伏等新能源;同时,工业区负荷种类齐全,用能方式灵活多变,对于电、热、气的消耗及能量的存储、转换等需求较高;工业生产会产生大量余热,无需额外提供热量,可以通过能量交互作为商业和居民微能网的热量来源.商业微能网用能集中在 10:00—22:00,且以餐饮、娱乐、购物等为主,对电和天然气的需求较高,对热的需求较低,因此有电、气存储;新能源发电除直接上网外也可用于电解水制氢,为氢负荷如氢电动汽车提供能量,需求较小,无需储能.居民区微能网多分布在城市中心,安装小型风力机居多,因此配置的新能源电源以光伏为主,风力机为辅;其负荷种类多,对能量需求高,各能源储能装置均存在,且可有效利用其需求响应潜力,进一步提高综合能源系统的优化运行.3个微能网之间可以进行电能、热能、天然气能的能量交互,在减少能量损失的同时也可提高系统运行的经济性及能源协同性.

由以上各类型微能网特性分析得到电、热、天然气、氢气负荷初始值[13],如图2所示.

1.2 负荷特性及需求响应

在含多微能网的综合能源系统中,除去配电网侧向微能网进行能量输送和微能网之间的能量交互,需求侧响应对能源设备耦合及能量交互也具有重要影响.根据负荷参与响应的特性,将需求响应负荷分为可替代、可转移和可削减负荷[6].

(1) 在能源总需求量一定时,根据某一时间段的能源价格选择不同能源达到自身用能需求的负荷称为可替代负荷,例如微能网可以通过热电联产机组或电锅炉供应热负荷.

(2) 根据不同时间段能源价格或电力市场激励措施的不同,改变负荷用能时间,起到削峰填谷作用的负荷称为可转移负荷,例如蓄电池、储热罐等.

(3) 在能源网负荷高峰时段或紧急情况下,可以减少对能源需求量的负荷称为可削减负荷,例如空调等.

基于各省现行的电力市场运行规则及安全校核方案,用户与能源聚合商或售电公司签订合同,未直接参与电力市场的负荷则直接由电力公司代理.本文研究的可替代、可转移和可削减负荷均指符合参与电力市场或需求侧响应的负荷,均可控、可调.假设IEGHES为实时信息系统,即能实时获取电力、热力、天然气、氢气系统的运行状态及价格波动等信息数据,具体的响应机制如图3所示.

能源聚合商通过与配电网、配气网之间进行信息交互,在日前阶段向下一级微能网发出需求调度任务,微能网根据这一调度对己上报的用能计划进行调整,可替代负荷根据调度需求作出调整;日内阶段将日前阶段调整后的可替代负荷作为已知量负荷,可转移负荷积极响应作出调整;实时阶段则是将前两个阶段的需求负荷作为已知量负荷,可削减负荷根据调度需要作出调整.在上、中、下3层协同优化框架下考虑不同种类的需求响应负荷,可以结合负荷特性合理调度其参与响应,降低补偿成本,提高系统运行经济性,实现系统的协同优化运行.

2 多时空尺度下的多微能网优化调度模型

本文建立的多微能网综合能源系统为多维能源供需平衡模型,优化框架如图4所示.上层日前优化时间尺度为1 h,执行时间为24 h,计划提前1 d制定;中层日内优化时间尺度为15 min,执行周期为24 h,响应时长为15 min～1 h;下层实时优化时间尺度为5 min,调整实时阶段不平衡功率,响应时长为5～15 min.

图4 IEGHES多时空尺度优化框架Fig.4 Multi-space-scale optimization framework of IEGHES

2.1 日前阶段

(1)

(2)

(3)

(4)

(5)

(6)

2.1.2日前约束条件

(1) CHP机组运行约束.

CHP机组主要包含燃气轮机和锅炉,可为外界提供电和热,数学模型[11]为

(7)

(8)

(9)

(2) 电锅炉运行约束[11]:

Heb=ηebPeb

(10)

(11)

式中:Heb为电锅炉的输出热功率;ηeb为电锅炉的制热效率,取95%;Peb为电锅炉的电功率;Heb,i,max为电锅炉功率的最大值.

(3) 电解水装置约束.

电解装置是电转气(Power-to-Gas, P2G)的核心组成部分,利用新能源发电进行电解水操作获得氢气,数学模型[16]为

Aec=βecVecAH2

(12)

(13)

(14)

式中:Aec为电解水装置产生的氢气量;βec为电解装置效率,取90%;Vec为电解装置的额定容量;AH2表示额定产氢量,取350;βec,in为电解装置的输入功率;Pec为电解装置的额定功率;a0、b0为效率函数系数,分别取 0.010 9 和 1.067 6;Aec,i,max为电解水制取得到的氢气功率最大值.

(4) 烷化装置约束.

氢气在烷化装置里经化学反应可得到天然气,数学模型[17]为

(15)

(16)

式中:Gch为转化得到的天然气量;βch为氢气转换效率,取73%;Aecch为制天然气所需氢气量;MH2为氢气转换成天然气的摩尔质量折算系数;κ为天然气管道每立方米对应的气体质量;Gch,i,max为烷化反应后得到的天然气功率最大值.

(5) 能源购买上、下限约束:

(17)

式中:i=1,2,3;Pb,i,max、Gb,i,max分别为微能网i的电、气购买上限;Pb,max、Gb,max分别为多微能网综合能源系统电、气的总上限.

(6) 能量交互约束:

(18)

(7) 储能设备运行约束.

储能设备在多微能网中的能量管理中起着重要作用,通用模型为

(19)

(20)

式中:i=1,2,3;Ex,i,max、Ex,i,min分别为储能设备的上、下限值;Px,c,i,max、Px,d,i,max分别为充、放能量的最大值;λx,c,i、λx,d,i分别为充、放能量的0-1状态量.

(8) 可替代负荷约束.

可替代负荷指用户可以根据自身的用能目的选择不同能源供应方式,而选择多取决于当下价格.以电/天然气可替代负荷为例,微能网可利用燃气锅炉或电锅炉供应热负荷,为了便于研究,提出电/气能源边际替代率,表示在相同时间段里,用户消耗电能与消耗天然气能量之比:

(21)

电能与天然气能的可替代负荷数学模型[17-18]表示为

Ppl(t)=Pbuy0(t)+βegGrep(t)-Prep(t)

(22)

Gpl(t)=Gbuy0(t)+Prep(t)/βeg-Grep(t)

(23)

式中:ΔPrep(t)、ΔGrep(t)分别为可替代负荷响应前后电能与天然气需求量的变化量;Pbuy0(t)、Gbuy0(t)分别为系统初始购电量与购天然气量;Prep(t)、Grep(t)分别为t时刻参与调度的可替代电负荷量与天然气负荷量.各类可替代负荷应满足如下约束条件:

(24)

式中:Prep,t,i、Hrep,t,i、Grep,t,i、Arep,t,i分别为可替代电、热、天然气、氢气负荷在t时刻的替代量最大值.

(9) 能量平衡约束:

(25)

2.2 日内阶段

(26)

(27)

2.2.2日内约束条件 日内阶段将日前阶段调整后的可替代负荷作为已知量负荷,在此基础上进行日内优化调度,可转移负荷积极响应需求,其余约束条件相同.

可转移负荷可以根据微能网的用能高峰低谷时段灵活选择负荷使用时间,通过分时电价和政府相应激励措施引导负荷在不同时段的价格变化,用户调整用能行为,数学模型[19-21]如下:

(28)

(29)

(30)

(31)

式中:Pextr(t)、Hextr(t)、Gextr(t)、Aextr(t)分别为转移前的电、热、天然气和氢气的负荷量;ΔPtrans(t)、ΔHtrans(t)、ΔGtrans(t)、ΔAtrans(t)分别为用户在t时刻转移的电、热、天然气和氢气负荷量;αt′,t=1为负荷量从t′时刻转入到t时刻,αt′,t=-1为负荷量从t时刻转到t′时刻.各类可转移负荷应满足如下约束条件:

(32)

式中:Ptrans,t,i,max、Htrans,t,i,max、Gtrans,t,i,max、Atrans,t,i,max为t时刻转移的电、热、天然气、氢气负荷最大值.

2.3 实时阶段

考虑日内阶段风力机、光伏等新能源发电功率、常规负荷日前预测的误差,在该阶段引入风力机、光伏、常规负荷的功率值实际扰动,因此不再考虑弃风弃光现象,对该阶段的目标函数进行优化:

(33)

式中:ΔPS-pv(t)为t时刻预调度阶段模拟光伏功率PS-pv与日前预测光伏功率Ppv差值;ΔPS-wt(t)为t时刻预调度阶段模拟风力机功率与PS-wt日前预测风力机功率Pwt差值;ΔPS-load(t)为t时刻预调度阶段模拟常规负荷功率PS-load与日前预测常规负荷功率Pload差值.

(34)

(35)

(36)

(37)

(38)

2.3.2实时约束条件 实时阶段将日前优化后的可替代负荷与日内优化后的可转移负荷作为已知量负荷,可削减负荷参与需求响应,其余约束条件相同.

可削减负荷在电力系统中承担着降低能源需求量的责任,其数学模型[22-24]如下:

Pxj(t)=Pex,xj(t)-αtΔPxj(t)

(39)

Hxj(t)=Hex,xj(t)-αtΔHxj(t)

(40)

Gxj(t)=Gex,xj(t)-αtΔGxj(t)

(41)

Axj(t)=Aex,xj(t)-αtΔAxj(t)

(42)

式中:Pex,xj(t)、Hex,xj(t)、Gex,xj(t)、Aex,xj(t)分别为用户在t时刻响应前的电、热、天然气和氢气负荷量;ΔPxj(t)、ΔHxj(t)、ΔGxj(t)、ΔAxj(t)分别为在t时刻削减的电、热、天然气和氢气负荷量;αt=1为在t时刻负荷被削减,αt=0为在t时刻负荷未被削减.各类可削减负荷应满足如下约束条件:

(43)

式中:Pxj,t,i,max、Hxj,t,i,max、Gxj,t,i,max、Axj,t,i,max分别为在t时刻削减的电、热、天然气、氢气负荷的最大值;i=1,2,3.

2.4 模型求解

3 算例分析

3.1 算例数据

基于改进后的实际项目“雄安新区工业园”进行算例分析.工业、商业、居民微能网中均具有1个120 MW容量的光伏场,1个150 MW容量的风电场;各微能网向上层配网购买电能和天然气能的最大值均为400 kW,算例拓扑已在图1中展示.负荷比例如表1所示,各可调度负荷参与需求响应的补偿价格如表2所示,能源价格[26]如图5所示,其他参数见文献[27].本文仿真环境为Intel(R) Core(TM) i7-10750H CPU @ 2.60 GHz,利用软件 MATLAB R2014a进行计算,日内阶段调用模型时间为21.3 s,实时阶段调用模型时间为30.8 s,算法求解效率满足调度需求.

表1 用户侧负荷比例Tab.1 Load ratio at user side

表2 需求响应补偿价格Tab.2 Compensation price of demand response

图5 能源价格Fig.5 Prices of energy

3.2 日前调度分析

以居民微能网为例,图6所示为日前调度阶段电力、热力、氢气和天然气系统的功率优化结果.由图6(a)可知,23:00—9:00是用电低谷时期,电价较低,此时微能网倾向于向配电网购买电能以满足自身的用能需求,缺额部分可依靠WT和CHP满足;电锅炉此时可大功率运行满足用户晚上的热能需求,电解装置消耗电能以满足用户氢气需求,如氢电动汽车在夜晚集中充电;在用电高峰时期如10:00—14:00,PV开始出力,电锅炉减少功率消耗,相比于向配网高价购买电能,微能网更倾向于利用CHP提供能量,电解水装置降低消耗,优先满足电能需求.由图6(b)可知,10:00—21:00为居民热负荷的低谷时期,此时电锅炉主要满足电力系统稳定运行,产热较少,CHP可满足该时段热能需求;在22:00—9:00,除电锅炉大功率运行外,居民微能网还可以通过与另两个微能网的能量交互获得热能.由图6(c)可知,23:00—9:00是用电低谷时期,电解装置可在该时段大功率运行产生氢气为氢负荷供能,如氢燃料电动汽车,也符合晚上集中充电的用能特性,部分氢气在此时可进入烷化装置制取天然气;10:00—22:00 电能优先满足电力系统运行,电解装置产氢量下降.由图6(d)可知,23:00—9:00时段电解装置产生较大量的氢气,经过烷化装置可得到天然气以满足自身天然气需求;10:00—22:00向上层配气网购买能量,弥补天然气空缺;CHP机组满功率运行是因为相比于购能价格,从利益角度出发,系统将优先考虑CHP供电供热,所以天然气消耗量大.

图6 居民微能网日前各系统功率优化结果Fig.6 Power optimization results of each system of residential micro-energy grid in day-ahead scheduling

由图6中各系统原始负荷与日前调度后负荷曲线对比可知,电负荷曲线在22:00—8:00有所上升,在13:00—15:00、18:00—20:00有所下降;热负荷曲线在23:00—9:00 有所上升,在11:00—15:00、18:00—22:00有所下降;氢气负荷曲线在23:00—9:00有所上升,在13:00—15:00、18:00—21:00有所下降;天然气负荷曲线在22:00—8:00有所上升,在12:00—14:00、19:00—21:00有所下降.这说明日前调度阶段引入可替代负荷后改善了用能特性,起到了削峰填谷的作用.

图7为日前阶段各类型微能网的能量交互调度结果,其中白色表示电能量,浅灰色表示热能交互量,深灰色表示天然气能交互量.

图7 各微能网能量交互调度结果Fig.7 Energy interactive scheduling results of each micro-energy grid

由图7可知,各微能网的能量交互主要集中在21:00—7:00.24:00—3:00是居民微能网用能低谷时段,商业微能网此时也处于休业状态,因此在满足自身用电需求外可以将电能出售给夜间仍生产的工业微能网以获得收益;21:00—7:00是商业微能网的休业时段,此时对热能的需求不高,因此该时间段商业微能网出售热能给需要供暖的居民微能网和夜间生产的工业微能网;商业微能网和居民微能网在 23:00—5:00 对天然气能的需求少,可出售给对燃气需求量大的工业微能网用于生产,自身也可以有所收益.由以上分析可知,开展能源互动可促进能源供需平衡,实现多维能源的经济灵活运行.

3.3 日内调度分析

以居民微能网为例,图8为日内调度阶段电力、热力、氢气和天然气系统的功率优化结果.

由图8可知,日内阶段通过对15 min时间尺度的多能微网进行优化调度,电能、热能、天然气、氢气这4个系统的能源调度细节更具体,实现了多维能源的供需平衡.但是与日前调度阶段相比仍存在一些差异,如图8(a)中,在12:00—14:00和18:00—20:00 时间段,电锅炉消耗功率较日前阶段减少,向配网购买电能减少或为0,降低了高峰时段的购能成本;在图8(b)中,能量交互较日前阶段提前到了19:00,这是因为电锅炉产热量减少,CHP机组产热无法满足需求,缺额热量来源于另外两个微能网.日内调度阶段在日前阶段基础上继续引入可转移负荷,由图8各系统日前负荷与日内调度后负荷曲线对比可知,引入可转移负荷仍可实现多能源供需平衡的调度,削峰填谷能力加强,也体现了日内阶段协调调度的能力.

3.4 实时调度分析

以居民微能网为例,图9为5 min时间尺度下实时阶段电力、热力、氢气和天然气系统对不平衡功率的调整.实时阶段在日内调度基础上继续引入可削减负荷,旨在修正引入WT、PV和负荷波动时造成的能源供需双方功率不平衡问题.由图9可知,引入可削减负荷对居民微能网内部各具体部分进行协调调度和实时调整,可以有效覆盖微能网内电力、热力、氢气、天然气系统引入的不平衡功率.若在某时刻PV、WT实际值增大或减小,负荷实际值增大或减小,剩余能源设备将调整出力值,需求响应负荷根据需求增加或减少功率,弥补差额,进一步实现多微能网的灵活运行以及在不同时间和空间尺度上的供需平衡.

图9 居民微能网实时各系统不平衡功率调整Fig.9 Real-time unbalanced power adjustment of each system in residential micro-energy grid

3.5 需求响应分析

以居民微能网为例,图10为各阶段调用不同需求响应负荷之后的电、热、氢气、天然气负荷曲线对比.由图10可知,通过对能源价格和激励信号的综合响应,需求侧能够充分发挥优化潜力,对负荷曲线的影响较为明显,既促进了能源供需平衡,又起到了削峰填谷的作用.日前阶段引入可替代负荷,用户可根据能源价格或用能需求随机选择来达到自身的目的,可以提高系统的可再生能源消纳能力,如在12:00—13:00,天然气负荷曲线较原始曲线减少约15%,电负荷此时无变化,在 13:00—14:00,电负荷较原始曲线减少约18.2%,天然气负荷曲线上升约15%至原始曲线,充分体现了能量的替代性;日内阶段引入可转移负荷,在用能高峰期将负荷转移至低谷期,如在 13:00—14:00,电负荷较日前阶段减少7.68%～10.63%,负荷曲线在该段低于日前曲线,在 22:00—24:00,电负荷较日前阶段增加约4.76%,在该时段高于日前曲线;实时阶段引入可削减负荷,进一步修正负荷曲线,在用能高峰期减少负荷使用,如在11:00—13:00,电负荷较日内阶段减少2.59%～10.7%,负荷曲线在该时段低于日内负荷曲线,降低了用能高峰时期的压力.

图10 居民微能网各阶段调用需求响应负荷曲线对比Fig.10 Comparison of demand response load curves of residential micro-energy grid in different stages

3.6 成本分析

表3为各微能网在日前、日内和实时阶段的各项成本对比.

表3 微能网在各阶段的成本对比Tab.3 Cost comparison of micro-energy grid in different stages 元

考虑各个微能网中能量交互与传播损耗的重合部分,计算得到日前、日内和实时阶段的总成本分别为 18 531.25、17 401.51和17 380.05元.以居民微能网部分数据为例,日内阶段购能成本较日前阶段减少147.70元,实时阶段较日内阶段减少123.70元,这是由于随着调度的进行,微能网的能源供需平衡能力得到改善,向配网购能有所减少;环境保护成本与购能量相关,因此也从 209.28 元减少到204.38元,再减少到175.49元;不同需求响应负荷的调度成本不同,可削减负荷作为补偿成本较高的类型,在实时阶段起到修正负荷曲线的作用,调用较少,成本最低,为 101.75 元.

为验证本文策略的经济性与可行性,利用传统MPC调度对日内结果进行滚动优化,得到实时阶段的优化成本,如表4所示.

表4 MPC调度下微能网实时阶段成本Tab.4 Real-time stage cost of micro-energy grid in MPC scheduling 元

考虑3个微能网中传输损耗重合的部分,计算得到MPC调度下实时阶段总成本为17 398.04元,较日内阶段成本减少 3.47 元,较本文策略的实时调度成本增加 17.99 元,由此可见本文多时空尺度优化运行策略可以提高系统运行的经济性.

4 结语

通过协调多种能量形式、时空尺度和响应参与者,建立一种新的多维能源供需平衡模型,该模型适用于具有多个社区的能量管理,易于扩展.上层对整个多微能网系统进行日前调度,中层对各微能网进行日内调度,下层对网内不平衡功率进行实时调整.3个阶段分别引入可替代、可转移和可削减负荷进行阶梯式需求响应策略,能够进一步修正多能负荷曲线,对能源的供需平衡起到促进作用,实现系统经济性和可靠性运行.在多时空尺度上考虑更全面的目标和约束条件,采取更有效的措施促进多维综合能源的供需平衡;随着时间尺度的减小,调度方案与系统的实际运行偏差逐渐减小,验证了该策略的可行性和有效性.

本文在综合能源中加入氢气网,作为未来能源发展的新兴力量,下一步将更加详细地研究利用电解水制氢、存储、转换(通过内燃机、燃料电池或其他方式转换为电能)等的相关内容.