夜雨聆风现在答案有了。
我用 wind_h2_optimizer 跑了一整年的仿真数据，基于真实的风电时序数据，从2025年5月到2026年5月。结果出来了——有些数字我自己看到的时候也有点意外。
01
先说怎么跑的。
优化场景：基于一整年（8760小时）的风电数据，对制氢系统进行容量配置和运行优化。
算法：遗传算法（GA），种群规模20，迭代10次，随机种子42。
制氢目标：系统额定产氢能力 50,000 Nm³/h。
跑一次仿真需要模拟全年52,560个时间步（每10分钟一步），每一步都要做功率分配、状态切换、成本计算。说人话就是：把一整年的风电数据喂进去，让算法自己找最优的设备配置和运行策略。
跑完的总体情况（所用的风机具体型号我打码了，下同）：
02
先看最核心的数字。
LCOH（平准化氢气成本）：2.13 元/Nm³
这个数字意味着什么？做个对比（按标准密度 1kg ≈ 11.13Nm³ 换算）：
| 我跑出来的结果 | 2.13 | 23.7 |
坦白说，23.7元/kg比煤制氢（10~13元/kg）高很多。
但这仍然不是最终的数据，我还得多跑几次仿真，对比结果。
03
设备怎么配的？
这次跑出来的最优方案是 ALK + PEM + AEM 三种电解槽混合配置：
| ALK（碱性） | 42 台 |
| PEM（质子交换膜） | 76 台 |
| AEM（阴离子交换膜） | 3 台 |
有意思的是ALK：PEM 的配比接近 5:5。这个配置比例跟我之前那篇文章里说的"行业通用8:2"完全不一样。
为什么？
因为这套系统跟随的是风电波动。PEM 响应快、负荷范围宽（5%~100%），在风电波动场景下更能吃满风速变化。而 ALK 虽然便宜，但25%的最低负荷限制了它在低风速段的出力。
这就是 数据说话——你凭经验觉得8:2好，但算法跑出来告诉你另一个答案。
另外我还在思考的一个原因：我这套系统是以 稳定供氢为最核心目标 的，要保障下游绿色化工的需求，所以需要配更大的 PEM 和储能来平滑波动。
储能配置：电池 88.4 MWh，用于平抑秒级到分钟级的功率波动。
全年总产氢量：4.85亿标方（485,393,528 Nm³）。
供氢率：99.4%——也就是说全年8760小时里，系统几乎都在运行，极少因设备限制而停机。
04
看完设备配置，再看它一年是怎么跑的。
下面这张图展示了风电功率（蓝色）和电解槽实际消纳功率（橙色）在全年的跟随关系。
风电波动剧烈——风大的时候功率冲到接近满发，风小的时候几乎归零。电解槽的功率曲线紧密跟随风电走势，说明系统对波动性可再生能源的消纳能力很好。
关键看两点：一是低风速段电解槽有没有停机（考验最低负荷能力），二是高风速段有没有弃风（考验系统容量配置是否合理）。从这张图看，全年大部分时间电解槽都处于运行状态，弃风率仍较高，当然这跟我风机配置了800MW有关系，无论如何是用不完这800的。这部分弃风要合理配置储能，给化工部分的设备供电。
05
风电波动除了影响电解槽，还直接影响储能系统的充放行为。
这张图展示了电池储能（橙色）和储氢罐液位（蓝色）在全年的变化规律。
能看到几个有意思的现象：
电池储能（88.4 MWh）在秒级到分钟级尺度上频繁充放，像一个"缓冲器"，吸收风电的瞬时波动。充放电周期很短，大部分在几十分钟到几小时之间。
储氢罐液位呈现明显的周期性变化——制氢多的时候液位上升，下游用氢多的时候液位下降。这相当于把电解槽的产氢和下游的用氢在时间上解耦了，让电解槽可以更专注于跟随风电，不用管下游的瞬时需求。
这就是 "电氢耦合"的调节作用：电池管瞬时，储氢管长时，两者配合让系统既灵活又稳定。
06
优化算法的收敛性，直接决定了跑出来的结果靠不靠谱。
这张图展示了遗传算法在种群20、迭代10次的参数下，目标函数（LCOH）的收敛过程。
可以看到，LCOH 在迭代初期快速下降，大概在第5代左右开始趋于平稳，后续几代虽然有微小波动，但整体已经收敛到稳定值附近。
这说明两个问题：
算法设置是合理的——10次迭代足够找到最优解区域 结果可以复现——随机种子42确保了每次跑的路径一致
07
系统在全年运行中，不是一直在"自动驾驶"。不同的工况下，控制策略会触发不同的动作。
这张图展示了几种典型策略在什么条件下触发：
储电策略：当风电功率超过电解槽当前负荷，且电池 SOC 未满时，优先给电池充电 放电策略：当风电功率骤降，电解槽来不及降载时，电池放电补足缺口 储氢策略：当产氢量大于下游需求时，多余氢气存入储氢罐 停机保护：当风速持续过低，电解槽低于最低负荷且电池已放空时，触发部分停机
这些策略的逻辑说复杂也不复杂，但难在边界条件的判断——什么条件下切哪个策略、切换的 hysteresis 怎么设、多台电解槽之间怎么协调。这些都是靠我对自控和管道的理解一点一点调出来的。
08
仿真跑了全年52,560个时间步，每一步都有事件记录。
事件日志记录了每一次设备状态切换、每一次启停、每一次超载保护触发——相当于给系统装了一个 "黑匣子"。
比如你能看到：某台 ALK 在什么时间因为什么原因触发了停机，停机了多久，热备了多久，什么时候重新启动。
这些日志的价值是：它不只是给你一个最终数字，还告诉你这个数字是怎么来的。 任何一个"看起来不错"的配置方案，都可能在实际运行中被某条日志打回原形。
09
除了设备级的事件日志，系统级日志记录了更宏观的运行状态：每个时间步的总功率分配、总产氢量、储能状态、短缺情况。
如果说事件日志是"黑匣子"，那系统日志就是 "驾驶舱仪表盘"。所有关键指标一目了然，哪里有问题一眼就能发现。
这也是我从审计干起带过来的习惯：数据必须能追溯。 不能只告诉我"LCOH是2.13"，你得让我能一层层点进去看，这个2.13是怎么算出来的。
10
跑完这一轮，我有几个感受。
感受一：软件是真的能用的。
从写第一行代码到现在，经历了 V1.0 到 V6.1 的迭代。现在看到它真正输出了可用的数据——LCOH、设备配置、产能——每一个数字都可以追溯到具体的参数和算法。对于一个审计出身的人来说，这种感觉很好：每一笔账都有出处。
感受二：混合配置的方向是对的。
ALK 便宜但笨重，PEM 灵活但贵，AEM 还在路上——三者配合才能在成本和性能之间找到平衡点。这次跑出来的 PEM 占比接近 ALK，说明在风电波动场景下，灵活性比低价更重要。
感受三：这个行业的信息不对称还很严重。
很多人还在凭经验配 ALK 和 PEM 的比例，一个项目几百页的报告里，核心结论可能只是某个人拍脑袋的"我觉得8:2最好"。但实际上，最优配比取决于具体项目的风资源、电价、设备价格、运维成本——这些变量一换，最优解就变了。
所以工具的价值就在这里：不是取代人的判断，是给判断提供数据支撑。
这篇文章算是一个阶段性的汇报——软件能跑了，数据出来了，方向验证了。
后面我会继续：
做更多场景的仿真（不同风资源、不同电价、不同设备价格） 针对具体项目做定制化优化
有兴趣可以保持关注。
📝 本文约 2200 字，预计阅读 8 分钟
氢碳 HC · 专注绿色化工科技前沿
每周两篇硬核分析，拆解绿色甲醇的技术落地与产业机会
👇 点个「在看」，分享给同样在关注绿氢落地的朋友
