综述：用于电动汽车充电和氢燃料加注系统的人工智能技术：可持续能源交通的转型

《International Journal of Hydrogen Energy》：Artificial intelligence technologies for electric vehicle charging and hydrogen refueling systems: A transition of sustainable energy transportation

　　**Arash Kavousighahfarokhi | M.A. Hannan | Pin Jern Ker | M.F. Roslan | M.J. Hossain | Gilsoo Jang**
**马来西亚彭亨再也市双威大学工程与技术学院，47500**

**摘要**
本文综述了人工智能（AI）在可再生能源利用和绿色氢气（GH2）生产中的作用，这两种能源被用于电动汽车充电站（EVCSs）和氢燃料加注系统（HRSs）。文章探讨了应用于太阳能、风能、地热能、海洋能和生物质能系统的AI方法，涵盖了预测、系统优化、氢储存和智能站点管理等方面。所回顾的文献按应用层面（规划、运营、控制）进行组织，并根据主要的AI技术流派（包括机器学习/深度学习（ML/DL）、强化学习（RL）和混合优化算法）进行分类。我们还总结了常用的验证方法和性能评估指标（如MAE、RMSE），指出大多数现有研究仍局限于仿真或离线评估，尚未在实际环境中进行部署。文章讨论了与数据可用性、模型泛化能力、实时实施、生命周期成本敏感性以及与现有电网基础设施的互操作性相关的主要挑战。最后，提出了支持可扩展、可靠且由AI驱动的可再生能源供电EVCS和HRS基础设施的未来研究方向。

**引言**
交通运输部门是全球温室气体（GHG）排放的主要来源，占总排放量的23%，其中化石燃料占其能源使用的90%[1,2]。仅道路运输就贡献了约72%的排放量[3]，平均每辆乘用车在其生命周期内会排放约300克二氧化碳[4]。为了实现净零目标，国际能源署（IEA）建议到2030年将交通相关排放量减少20%，降至5.7吉吨（Gt）[4,5]。为此，许多国家采取了促进电动汽车（EVs）和基于氢的交通方式的政策，并努力实现电网脱碳[6]。目前，燃料电池电动汽车（FCEVs）、电池电动汽车（BEVs）和插电式混合动力电动汽车（PHEVs）等低碳技术在减少交通部门排放方面发挥着核心作用[7,8]。HRSs和EVCSs是支持FCEVs和BEVs部署以及扩展氢能工业应用的关键基础设施[9]。然而，将EVCSs整合到电网中会带来一系列挑战，包括电力需求增加、拥堵、电压波动和运营成本上升[10,11]。如果没有智能能源管理，这些问题可能导致效率低下或系统故障。同样，来自间歇性可再生能源的氢气生产也面临着维持稳定且具有成本效益供应的挑战[12,13]。解决这些挑战需要提高电网灵活性、采用先进的储能技术、建立强大的安全系统以及优化可再生能源的整合。

**人工智能在能源管理中的作用**
AI已成为提升低碳交通系统能源管理的变革性技术[14]。AI通过改进预测、实现实时电网平衡和优化能源分配来增强可再生能源的整合[15]。在氢气生产方面，AI提高了电解槽的性能，减轻了可再生能源间歇性的影响，并支持预测性维护策略[12]。对于BEVs，AI驱动的预测分析有助于优化充电计划、减少高峰需求并确保负载均衡[10]。同样，在混合可再生能源系统（HRESs）中，AI支持先进的能源控制、动态负载平衡和实时电网适应，从而提高系统的韧性和可持续性[15]。总体而言，基于AI的解决方案实现了智能和适应性能源管理，加速了向低碳能源未来的过渡。

**系统综述**
对基于AI的EVCSs和HRSs应用的系统综述揭示了三个相互关联的研究方向：（i）AI辅助设计和运营HRESs作为上游基础设施；（ii）AI驱动的EV充电系统优化和预测；（iii）氢生产和加注操作的先进控制策略。第一个研究方向关注为EVCSs和HRSs提供电力和GH2的HRESs的AI辅助设计和运营。Nasiraghdam和Jadid[16]应用多目标人工蜂群（MO-ABC）算法优化了混合太阳能-风能-燃料电池（FC）系统，在多目标约束下提高了电压稳定性。Anoune等人[17]使用遗传算法（GA）对独立的光伏（PV）/风能系统进行了最优规模设计，直接提升了可再生能源发电效率；Hong和Lian[18]则使用基于马尔可夫的GA对风能-PV-柴油系统进行了优化，显著提高了能源发电性能和系统效率。在此基础上，Liang等人[19]引入了一种无模型的深度强化学习（DRL）策略，用于在资源间歇性条件下协调可再生能源发电和氢气生产。

**研究方法**
本文概述了与EVCSs和HRSs中AI应用相关的研究方法、数据检索过程、选择标准及信息来源。

**结论与未来研究方向**
本文系统地探讨了AI在支持EVCSs和HRSs中的作用，强调了AI在可再生能源发电、氢气生产、充电管理、需求响应、大数据分析、安全性和能源管理系统中的应用。虽然现有文献大多关注特定应用或单一算法，但本文比较了不同AI方法在预测、优化、控制和实时操作任务中的优势、计算需求、可扩展性以及研究阶段（从仿真到实验室、硬件在环、试点研究和部署），并提供了更全面的综合视角。此外，本文还讨论了实际实施问题、验证技术、工业试点研究、面向部署的框架以及实际运营考虑因素。

**致谢**
本研究得到了双威大学内部项目资助（项目代码：STR-RES-SUST-NETZ-002-2025）以及印度尼西亚大学与双威大学双边战略联盟（UI-SU BISA）的研究资助GRTIN-UI-DEF-10-2024的支持。