前瞻科技

数据库名称	国家/地区	记录的事故数量	数据管理方
高压气体事故数据库^[32]	日本	未专门统计氢能事故	高压气体安全研究所（日本）
H₂ Tools^[33]	美国	221	太平洋西北国家实验室（美国）
氢事件和事故数据库（HIAD）^[34]	全球范围	755	欧盟联合研究中心（荷兰）

数据库名称	国家/地区	记录的事故数量	数据管理方
高压气体事故数据库^[32]	日本	未专门统计氢能事故	高压气体安全研究所（日本）
H₂ Tools^[33]	美国	221	太平洋西北国家实验室（美国）
氢事件和事故数据库（HIAD）^[34]	全球范围	755	欧盟联合研究中心（荷兰）

氢安全风险评价技术发展现状与展望

PDF下载

张嘉欣 ¹ , 姜雅宁 ¹ , 孔祥领 ² , 姚晨奕 ¹ , 巴清心 ¹^,³ , 李雪芳 ¹^,³^,^†

前瞻科技 | 综述与述评 2024,3(4): 91-104

收起

前瞻科技 | 综述与述评 2024, 3(4): 91-104

氢安全风险评价技术发展现状与展望

全屏

张嘉欣¹, 姜雅宁¹, 孔祥领², 姚晨奕¹, 巴清心¹^,³, 李雪芳¹^,³^,^†

作者信息

1.山东大学热科学与工程研究中心（高等技术研究院），济南 250061

2.中国石油技术开发有限公司，北京 100028

3.山东大学高效储能及氢能利用山东省工程研究中心，济南 250061

张嘉欣，博士研究生。主要从事氢安全风险评价、低温氢射流理论模型研究。电子信箱：202134242@mail.sdu.edu.cn。

李雪芳，副教授，博士研究生导师。中国动力工程学会青年工作委员会委员，中国汽车工程学会汽车火灾安全技术分会委员，国际氢能协会（IAHE）会员，中国可再生能源学会会员（氢能专业委员会），中国消防协会会员。主要从事氢能与氢安全研究。电子信箱：lixf@email.sdu.edu.cn。

通信作者:

^†

Current Status and Prospects of Hydrogen Risk Assessment Technologies

Jiaxin ZHANG¹, Yaning JIANG¹, Xiangling KONG², Chenyi YAO¹, Qingxin BA¹^,³, Xuefang LI¹^,³^,^†

Affiliations

1. Institute of Thermal Science and Technology (Institute for Advanced Technology), Shandong University, Jinan 250061, China

2. China Petroleum Technology and Development Corporation, Beijing 100028, China

3. Shandong Engineering Research Center for High-efficiency Energy Storage and Hydrogen Energy Utilization, Shandong University, Jinan 250061, China

出版时间: 2024-12-20 doi: 10.3981/j.issn.2097-0781.2024.04.008

文章导航

摘要

收起

面向氢能系统和设施的风险评价对预防氢事故、确保氢能安全应用至关重要。随着氢能商业化应用和推广，氢能应用场景的多样化对风险评价技术提出了更高的要求。文章总结了定性及定量风险评价的基础理论及方法，综述了氢能行业现有风险评价技术的发展现状和主要应用场景，并介绍了动态贝叶斯网络和人工神经网络等新兴的风险评价技术。在此基础上，指出目前在氢安全数据、动态化定量风险评价、风险评价流程和可接受标准、仿真与评价工具等方面所面临的挑战，并提出了未来氢安全风险评价技术发展的4点建议。

关键词

氢能 / 氢安全 / 风险评价

Abstract

收起

Conducting risk assessments for hydrogen energy systems and facilities is essential for preventing hydrogen accidents and ensuring the safe use of hydrogen energy. With the advancement of commercial applications of hydrogen energy, diversified hydrogen energy application scenarios have put higher demands on risk assessment technologies. This paper summarized the fundamental theories and methods of both qualitative and quantitative risk assessments and reviewed the current development status and main application scenarios of existing risk assessment technologies in the hydrogen energy industry. Emerging risk assessment technologies, such as dynamic Bayesian networks and artificial neural networks, were introduced as well. On this basis, this paper highlighted current challenges in hydrogen safety data, dynamic quantitative risk assessment, risk assessment procedures and acceptable standards, and simulation and assessment tools. Finally, four recommendations were proposed for the future development of hydrogen risk assessment technologies.

Key words

hydrogen energy / hydrogen safety / risk assessment

引用本文

张嘉欣, 姜雅宁, 孔祥领, 姚晨奕, 巴清心, 李雪芳. 氢安全风险评价技术发展现状与展望. 前瞻科技, 2024 , 3 (4) : 91 -104 . DOI: 10.3981/j.issn.2097-0781.2024.04.008

Jiaxin ZHANG, Yaning JIANG, Xiangling KONG, Chenyi YAO, Qingxin BA, Xuefang LI. Current Status and Prospects of Hydrogen Risk Assessment Technologies[J]. Science and Technology Foresight, 2024 , 3 (4) : 91 -104 . DOI: 10.3981/j.issn.2097-0781.2024.04.008

正文

收起

面对日益严峻的能源与环境的双重挑战，发展新型低碳能源成为保障能源安全、降低碳排放、实现可持续发展的关键途径^[1]。氢能以其清洁、高效、来源广泛、储用灵活等优势，受到了政府、投资者和公众的广泛关注。2022年3月，中国发布了《氢能产业发展中长期规划（2021—2035年）》，明确提出氢能作为“未来国家能源体系的重要组成部分”和“用能终端实现绿色低碳转型的重要载体”的战略定位，极大促进了氢能的商业化应用发展。

在迅猛的氢能产业化进程中，氢安全问题成为各利益相关方都极为关注的核心问题^[2]。与传统气态燃料相比，氢气具有较小的分子体积和黏度，这导致氢气容易从管道接头、法兰、阀门等连接处泄漏。氢气在空气中的可燃浓度范围较宽，且最小点火能很低，这些特性使得氢气容易被点燃，进而引发燃烧和爆炸等危险后果。此外，氢气与某些金属材料发生相互作用时可能会引起氢脆现象，这些特性为氢能的应用提出了更高的安全性要求^[3]。近年来，国内外发生了多起氢安全事故，造成人员伤亡和财产损失（图1）。这些事故的发生，引起了公众对氢气应用安全的广泛关注。

因此，确保氢能的安全应用是增强决策者、投资者和消费者信心的关键，对推进氢能产业的健康、可持续发展具有重要意义。风险评价是风险管理的重要组成部分，对氢能系统和相关设施进行风险评价，从而提出科学合理的风险防控策略，是保障氢在生产、运输和利用过程中安全风险可控的重要途径^[4]。风险虽与危险密切相关，但二者具有本质上的区别：危险是指可能造成伤害的物质或过程，而风险则是负面事件发生的概率及其潜在后果的综合^[5]。虽然目前已有不少面向氢能应用的风险评价工作，但相关成果并不系统深入。因此，有必要系统地梳理面向氢安全风险评价技术的发展现状，明确当前面临的挑战，并指明未来的发展方向。

1 定性风险评价

收起

定性风险评价（Qualitative Risk Assessment）是一种评估风险性质和严重性的非数值化方法，它侧重于识别、分类和优先排序风险，针对存在的问题提出预防措施。定性风险评价方法在传统的化工行业已经被广泛应用，近年来随着氢能产业的发展，相关方法也在氢能系统中得到了较多应用。

1.1 HAZOP分析

危险和可操作性（Hazard and Operability, HAZOP）分析方法起源于20世纪60年代，最初是由英国帝国化学工业公司开发的针对化工厂进行风险和操作性分析的安全评估技术。HAZOP分析通过一系列指导词（如“无”“更多”“更少”“相反”等）来辨识和评估可能的偏差。通过对这些偏差的深入分析，HAZOP分析能够预测和识别潜在的事故场景，从而采取相应的预防和缓解措施，确保工艺过程的安全性和可靠性。

近年来，HAZOP分析被广泛用于识别和评估氢能产业链中的过程危害，涉及氢气的制取、储存、运输、加注等环节^{[6⇓⇓⇓⇓-11]}。近年来，也有学者将其运用于识别氢燃料电池车维修车库的泄漏场景^[12]。HAZOP通常与失效模式和影响分析（Failure Mode and Effects Analysis, FMEA）等其他风险评价方法结合使用（图2）。HAZOP分析耗时且昂贵，并且评估过程高度依赖于专家小组的专业知识和主观判断，因此利用计算机实现HAZOP分析自动化是未来重点研究方向。

1.2 FMEA

与HAZOP分析不同的是，FMEA侧重于寻找系统所有可能的失效模式及原因、潜在后果以及影响程度。该分析方法通过计算风险优先级数（Risk Priority Number, RPN），即严重性（Severity）、发生率（Occurrence）和检测率（Detectability）3个指标的乘积，量化风险的优先级，从而为风险管理提供依据。目前，FMEA被广泛用于定义、识别和预防氢能系统故障^[6,13]。

由于专家对定性概念的解释不同，FMEA评估过程中经常存在模糊性和随机性^[14]。传统FMEA还面临风险因素权重分配不合理、相同风险优先数排序困难等问题。近年来，研究人员致力于改进FMEA，不仅关注单一故障模式，还考虑了系统级故障和复杂交互作用的影响。此外，FMEA与HAZOP分析、安全屏障图等风险评估工具的集成使用，可进一步提高风险评估的全面性和准确性^[15-16]。

1.3 FTA和ETA

故障树分析（Fault Tree Analysis, FTA）和事件树分析（Event Tree Analysis, ETA）既可用于定性分析，也可用于定量分析。分析时FTA主要以图形方式描述故障传播的根本原因及故障路径，ETA则用于表示从起始事件到最终后果的事故序列。在对系统进行定性风险分析时，通常使用如图3所示的领结图，或者将FTA和ETA与前述的其他工具相结合。例如，Casamirra等^[17]使用FTA、FMEA和HAZOP分析对加氢站的高压存储设备进行研究，以评估设计安全性；Kim等^[18]将FTA与HAZOP分析相结合，对韩国的在站制氢和外供氢加氢站进行安全评估并确定安全措施；Rodionov等^[19]利用FTA和ETA综合分析了氢动力汽车运行过程中与氢爆炸相关的额外风险；也有研究者使用FTA、FMEA和事件序列图（Event Sequence Diagram, ESD）方法构建了液氢加氢站储氢系统泄漏场景风险评估的框架^[20]。

2 定量风险评价

收起

定量风险评价（Quantitative Risk Assessment）是一种对风险进行量化管理的技术手段，在核电、石油、天然气及航空航天领域应用已久。20世纪70年代，荷兰防灾委员会就出版了一系列关于风险评价的书籍：红皮书、黄皮书、绿皮书和紫皮书^{[21⇓⇓-24]}，详细介绍了关于失效频率、危险物质释放物理效应和人员暴露影响等的计算方法，以及定量风险评价的准则。21世纪初，定量风险评价方法逐渐被应用于氢能行业，并且被用于支持制定氢能相关基础设施的标准和规范^[25]。

目前，与氢能系统和设施安全相关的定量风险评价工作主要集中在燃料电池车和加氢站等基础设施^[26-27]，少量研究着眼于掺氢天然气管道管网中氢气运输的安全评估^[28]，也有研究者针对与氢气输配网络相连的住宅物业进行定量风险评价^[29]。定量风险评价遵循的一般步骤如图4所示，包括风险辨识、频率分析、后果分析和风险分析等过程，使用的专用术语可以在ISO/IEC Guide 51^[30]、Guide 73^[31]中找到。其中，风险辨识旨在识别氢能系统使用过程中可能引发危险的风险场景，风险辨识用到的方法通常都属于定性风险评价的方法。近年来，综合使用多种定性分析方法逐渐成为主流。

2.1 频率分析

频率分析在定量风险评价中扮演着至关重要的角色，这一过程离不开全行业大量可靠的安全事件数据的支持。由于氢能产业发展时间相对较短，迄今为止，通常通过分析传统化工、核能和海上石油等行业的通用工业数据来获取氢能系统的设备失效和事故频率。

2.1.1 事故频率

近年来，世界范围内已经建立了多个氢事故数据库，用于分享在氢的生产、运输和使用过程中与安全相关的经验和数据，如表1^[32⇓-34]所示。这些数据库记录的事故数据多来自于公开文献、政府机构或企业内部的报告，因此其内容在详细程度和准确性方面存在一定差异，这要求研究者在进行风险评估时需要对数据进行甄别和筛选。此外，如图5^[34]所示，目前数据库记录的多为氢能工厂和氢气输运过程中的事故，针对氢燃料电池车应用的事故数据较为欠缺。

2.1.2 泄漏频率

早期的风险评价研究通常用部件失效频率代替氢泄漏频率，数据来源包括荷兰防灾委员会紫皮书^[21]、挪威DNV公司开发的海上可靠性数据手册^[35]，以及英国健康与安全局出版的故障数据^[36]。目前，分析部件泄漏频率的典型方法是对氢气系统按设备进行分类，找到泄漏尺寸与频率分布的函数关系^[37]。

美国桑迪亚国家实验室采用碳氢化合物泄漏频率作为先验分布，结合实际的氢气泄漏数据，获取了氢能系统中各种类型部件的故障频率^[38]，这一数据集为后续研究提供了宝贵的基础^[39-40]。未来，须基于加氢站运行数据研究泄漏率随运行时间变化的估计模型^[41]，从而为氢能系统的安全管理提供更为细致的视角。

2.1.3 点火概率

关于点火概率的研究一直是定量风险评价研究的重点。在风险评估与安全管理中，区分立即点火与延迟点火至关重要，这两种点火方式可能导致截然不同的事故后果。前者通常引发射流火焰，而后者可能会导致闪火或爆炸。早期研究使用的点火概率存在较大差异。例如，紫皮书指定所有释放的立即点火概率为0.2^[21]，而原有ISO 20100：2008标准的风险模型指定的点火概率为0.04^[42]。

目前，较为常用的点火概率通常以表格的形式给出，主要有两个来源：一个是由HySafe（Safety of Hydrogen as an Energy Carrier）项目总结的针对自燃的现有氢点火模型^[43]；另一个是加拿大氢安全项目根据非氢点火数据提出的点火概率^[44]。上述两者报告的都是随氢气泄漏速率变化的平均点火概率，后者已被用于美国桑迪亚国家实验室开发的定量风险评价软件HyRAM中^[37]。以往研究表明，环境密闭程度、点火源强度、混合气体的不均匀程度都会给点火概率造成很大影响。目前，已有研究者根据高压射流流场的瞬态特征参数预测点火概率^[45-46]。这些研究为开发实时更新的点火概率提供了可能。

2.1.4 分析方法

在开展定量风险评价研究时，通常需要基于已有的事故数据进行分析以获得特定的事故频率。分析方法可大致分为两类：一类是利用ETA、FTA和领结法（Bow-tie Method, BT）等技术确定事故场景的频率^[47-48]。上述方法在定量风险评价中的适用性时很大程度上取决于失效数据的质量和准确性。然而，对于大型复杂系统来说，通常难以获得精确的失效数据。除此之外，上述方法不能考虑故障事件之间的统计相关性，可能导致分析结果与实际系统的可靠性出现较大偏差。另一类方法是基于贝叶斯网络（Bayesian Network, BN）等统计分析方法对基础数据更新，从而降低基础失效频率的不确定性。如图6所示，贝叶斯网络方法能够处理多状态变量并获取不同风险因素或基本事件的相互依赖性，其以灵活的结构框架及图形模式适用于不同事故场景，近年来在定量风险评价中得到了广泛的应用^{[49⇓⇓-52]}。

鉴于氢能行业在事件数据方面的匮乏，难以获取精确的先验概率和条件概率。因此，结合了贝叶斯网络和模糊集理论的模糊贝叶斯网络，已成为在不确定性条件下估计频率的有效方法^[53-54]。这种方法能够将专家的模糊评价转化为数值概率，从而提高风险评估和决策分析的准确性。

2.2 后果分析

根据国际氢安全数据库的统计^[33]，氢气事故通常由氢气泄漏引起。氢气一旦泄漏将迅速向周围扩散，若在遇到点火源前及时进行隔离，泄漏的氢气将会安全地扩散；若未能隔离且发生立即点火，则会形成射流火焰。如果泄漏的氢气与空气混合形成可燃混合气体后被意外点燃，将发生爆炸（爆燃或爆轰），从而造成灾难性后果^[55]。

2.2.1 物理模型

目前通常采用计算流体力学（Computational Fluid Dynamics, CFD）数值模拟方法^[56]或经实验验证的简化理论模型和经验模型^[57]对氢事故后果进行量化。采用CFD数值模拟方法可以对复杂的真实场景进行建模，并考虑环境因素对氢气泄漏、火焰或爆炸的影响，准确地预测事故后果。但数值模拟计算往往效率较低，完成事故后果的完整模拟通常需要数小时甚至数天，难以应用于事故后果的实时预测。

采用简化理论模型或经验模型则可以快速地估算事故的大致影响范围，但其计算精度往往较低，且难以考虑实际场景空间结构和环境因素的影响。考虑计算效率和对安全评估的保守性，现有的定量风险评价框架仍主要使用简化的物理行为模型或经验模型来评估氢释放、泄漏、火灾和爆炸的影响范围和程度。

2.2.2 概率模型

风险分析需要将物理模型计算的事故后果影响通过概率模型转换为对人员造成伤亡的概率。现有风险评价研究中常用的概率模型是基于化学品毒性的Probit函数^[24]发展而来。由于相同的物理后果对人类造成的生理影响与对机械设备造成的结构破坏存在本质区别，受事故影响的人员和建筑结构应分别考察。目前，广泛用于计算事故后果的概率模型主要有两类：一类是热损伤模型，考虑人员暴露于喷射火焰和爆燃的热效应；另一类是压力损伤模型，考虑人员和建筑结构暴露于爆炸的超压。

2.3 风险分析

风险分析构成了风险评价的最后阶段。在风险分析中，通常需要考虑3类主要的风险^[58]：①职业风险：现场或工厂的工作人员的风险；②社区风险：附近人员及环境的风险；③经济风险：因资产损失及赔偿产生的风险。当前氢能设施的定量风险评价研究主要考虑的是职业风险和社区风险，针对经济风险分析的研究较少。前两类风险可用个人风险或社会风险来表示。

2.3.1 个人可接受风险标准

个人风险通常指在未采取任何防护措施的情况下，在特定位置发生死亡的频率，常通过风险等值线图来表示。在确立个人可接受风险标准时，各国采纳的方法与标准各有差异。例如，欧洲氢能一体化计划阶段2（European Integration Hydrogen Project phase 2, EIHP2）规定，加氢站氢气相关工艺相关事件导致的工作人员个人风险不得超过10^-4/a，客户的个人风险不超过10^-4/a，站外人员的个人风险不超过10^-6/a^[59]。而在第三届氢安全国际会议上，国际能源署氢能实施协议（The International Energy Agency Hydrogen Implementing Agreement, IEA HIA）中关于氢安全的任务19的成员则建议，站外人员的个人可接受风险水平可设置为10^-5/a^[60]。与欧美国家相比，中国在制定个人风险标准时，需兼顾土地资源紧张与人口密集的国情。因此，对于普通民用建筑、一般居住场所的风险标准略宽松，但特殊高密度场所（>100人）的风险标准较为严格^[61]。

2.3.2 社会可接受风险标准

社会风险描述了事故发生的概率与造成的人员伤亡数量之间的关系，通常使用累积频率-死亡人数（F-N）曲线来表示。对于社会风险，英国和欧洲监管机构目前坚持的是“低至合理可行区（as Low as Reasonably Practicable, ALARP）”原则，即风险分析得到的风险值与预设的可接受标准进行比较时，结果分为可接受、尽可能低及不可接受3种类别。如果估计的风险水平超过了可接受标准，那么需要制定并实施降低风险的措施。如图7所示，相较于荷兰与英国，中国的社会可接受风险标准处于中等水平。

3 新兴风险评价方法

收起

3.1 基于动态贝叶斯网络的失效频率更新方法

传统的风险评价方法通常基于固有失效频率得到静态的风险结果，在处理系统变更、数据更新等方面存在局限性。近年来，研究者开始尝试基于动态贝叶斯网络（Dynamic Bayesian Network, DBN）进行失效频率的动态更新，进而实现风险的动态评价。与传统贝叶斯网络相比，DBN具有强大的基于动态数据的更新功能，可以提高关键节点的风险预测能力。在进行DBN分析时，首先需要根据具体场景确定DBN的拓扑结构；然后再结合先验概率、转移概率和条件概率，完成DBN的参数学习；最后利用DBN的概率更新和诊断推理功能获得关键危险因素。

虽然对动态贝叶斯网络方法的研究已持续多年，但将这一方法应用于氢能系统的风险分析却是一项较新的探索。2019年，Chang等^[62]将动态贝叶斯网络拓展至氢能安全分析的范畴，针对制氢机组泄漏风险潜在的不确定性，提出一种基于DBN的泄漏风险动态分析方法。Zhang等^[63]利用模糊贝叶斯网络预测了加氢站的动态泄漏频率。Wang等^[64-65]对加氢站和柴油加氢过程的氢泄漏动态风险分析框架进行了探索。此外，还有研究者将SHIPP（System Hazard Identification, Prediction and Prevention）方法整合到DBN中，以电解水制氢厂的制氢过程进行了实际案例研究^[66]。可以预见，随着对实时风险监测和预警需求的日益增长，动态风险评价将成为未来氢安全风险评价技术的重要发展方向。

3.2 基于人工神经网络与机器学习的事故后果预测方法

如前文所述，传统的事故后果预测方法存在计算效率低、适用场景受限等问题。近年来，人工神经网络（Artificial Neural Networks, ANN）和机器学习的快速发展为过程安全分析领域提供了全新的工具，并在风险分析中展现出显著的优势（图8）。ANN和机器学习方法相较于传统后果分析方法，可灵活适用于各类应用场景，得到更加准确的预测结果。

基于人工神经网络与机器学习的事故后果预测，一般使用计算流体力学数值仿真结果作为基准数据集进行相关算法与模型的学习训练，进而实现各类场景中不同事故的后果预测。目前ANN已在事故后果方面显示出了强大的预测能力^[67-68]。例如，中国石油大学（华东）和香港理工大学的研究者开发了用于天然气喷射火灾实时后果预测的深度学习方法^[69]和用于加氢站氢气泄漏扩散时空演化结果预测的深度概率时空神经网络方法^[70-71]。

另外，国内许多研究者利用分布式传感器收集的数据进行机器学习，实现了对氢燃料电池汽车、加氢站等涉氢场景内泄漏源的精准定位，提高了氢泄漏的检测及响应能力^[72-73]。尽管如此，目前许多研究仍将ANN视为黑盒模型，对其预测机制和原理缺乏全面解释，这在一定程度上限制了其应用。

4 风险评价技术面临挑战

收起

第一，当前定量风险评价面临的主要障碍是缺乏真实可靠的氢安全数据。氢能行业属于新兴领域，发展时间较短，相关的设备设施失效频率数据有限。目前，定量风险评价所使用的设备失效频率数据主要来源于传统化工、海上石油等行业。这些数据通常是基于大型工业设备的长期运行数据和事故记录，将这些数据应用于氢能领域，尤其是小型氢能装置时，设备规模、材料和技术等差异会导致评估结果的准确性和可靠性降低。建立完善的事故数据库，并纳入专门的氢能设备及零部件失效数据，是未来亟待解决的重要问题。

第二，动态化风险评价能力不足。目前，风险评价体系主要依赖于固有的失效频率和事故概率，未纳入氢能场景中各类设备的实时监测数据，难以体现系统的实时风险变化。尽管目前已有部分动态风险评价方法，但现有动态风险更新机制以更新失效频率为主，很少有研究关注事故后果的动态演化过程对风险值的影响，缺乏对风险更新规律的整体把握。此外，系统在采取主动防护应急措施后的风险再评估机制欠缺，这限制了评估模型对风险动态变化的响应能力。

第三，缺乏适用于氢能应用场景的通用评价流程和风险可接受标准。当前定量风险评价工作多为零散的案例研究，缺乏统一的理论框架和方法论，评价结果难以迁移和比较。当前氢能设施的设计与验收，以专家的定性评审为主，尚缺乏一套被行业广泛认可的通用性设计评价流程。此外，关于定量风险评价中的风险接受标准的选取仍存在较大的争议，针对氢能系统和设施制定统一风险接受标准是未来研究的重点之一。

第四，缺乏自主知识产权的仿真与评价工具。中国在风险管控技术创新领域与一些国家相比还存在明显差距，突出表现为关键技术自主化程度不高，风险评价模型、分析流程和应急手段主要借鉴国外，原创性、引领性技术偏少，严重影响了中国氢能领域的自主健康发展。现有的国产仿真和评价软件起步较晚，面临着从科学计算程序转向系统化商用软件的难题。国产软件在功能性、计算性能和易用性方面的欠缺，难以满足复杂氢能系统多场景跨尺度的仿真需求，难以有效支撑中国日益增长的氢能发展和建设需求。

5 发展建议

收起

氢能定量风险评价技术是构建氢能安全体系的核心，是开展安全事故事前预防、事中介入和事后应急的基石。中国在“十四五”期间部署“氢能技术”专项攻关任务，对涉氢关键装备及零部件的失效模式进行了重点研究，多个省市在氢安全政策中提到了风险评价管控等内容。例如，浙江省在《浙江省推动新能源制造业高质量发展实施意见（2023—2025年）》中强调了风险评价的必要性；内蒙古自治区能源局发布的《内蒙古自治区可再生能源制氢产业安全管理办法（试行）》也明确了对氢安全风险评价的要求。

随着氢能应用向各领域的渗透，“十五五”期间，风险评价的场景应从加氢站、氢能工厂等基础设施，拓展至道路交通、航海、航空等关键领域，从过往对单一环节风险的孤立考察，逐渐转向对全链条全生命周期内各环节的相互影响及其连锁反应的全面考量。在此过程中，风险评价将由静态的评估模式向动态的评价机制转变，借助大数据和人工智能技术，实现对风险的持续监测、实时分析，进而提供及时的预警和应急响应。为满足上述需求，面向氢安全风险评价技术发展，提出以下4点建议。

（1）建设全国氢能数据共享平台。由工业和信息化部和科学技术部等国家职能部门牵头，统筹各地区和行业资源，以“3+2”氢燃料电池车示范城市群和科技部“氢进万家”等大规模氢能示范项目为依托，布局国家氢能行业大数据中心枢纽，推动各级数据管理机构和数据基础制度建设。依托现有工程示范项目，建立氢安全事件和事故目录，收集氢能场站级运维数据，建设全国氢能安全数据共享平台，为风险评价提供坚实的数据基础。

（2）打造氢安全国家重点实验室。在国际上，氢安全研究一直是氢能研究领域的核心方向。近年来，中国在氢能安全领域已取得了较大的进步，但相关研究基础依然较为薄弱，特别是欠缺大型的氢安全试验测试设施。目前，国内仅有中国石化安全工程研究院有限公司等少数单位具备工业尺度高参数氢安全测试的试验条件。为提升中国在氢能安全风险评价领域的研究水平和国际影响力，国家安全生产主管部门应总体规划设计并筹建氢能安全国家重点实验室^[74]。整合国内优势力量，借鉴和吸收国际上先进的研究理念和实践经验，建设领先的研究设施和研究团队，推动氢能安全研究成果的转化和应用。

（3）开发国产自主知识产权氢安全分析软件平台。应加强国家自主知识产权软件顶层规划设计，保证持续、有效的财政投入。融合国内优势资源与平台，加强科研院所、高校与企业之间的合作，共同凝练行业关键问题和技术需求。研究氢能全产业链事故风险演化与灾变机理，将事故行为仿真和风险评价技术研究成果纳入平台功能。依托国家重大科研任务及创新平台，统筹物理模型研究和软件开发力量，形成通用的氢安全分析软件平台。通过产学研合作和实际案例应用，加强氢安全基础知识教育，加速国产化氢安全仿真和评价软件人才培养和应用普及。

（4）完善氢能安全标准体系。目前，中国已发布的氢能设施风险评价标准仅有中国工业气体工业协会出台的团体标准——《加氢站风险评估指南（T/CCGA 40013—2022）》^[75]。然而，当前标准以借鉴参考国外标准为主，缺乏足够的实验数据和必要的基础研究支撑，安全评价标准的相对滞后制约了氢能产业的发展。因此，应尽快制定统一的氢能设施安全设计与评价国家标准，形成通用的评价流程和指标体系。同时，应鼓励地方政府和行业组织依据国家标准、结合地区特点，制定具体的实施细则和操作指南。此外，安全标准体系的建设中还应充分体现氢安全伦理的观念，即“安全第一”的哲学观念、“预防为主”的安全意识和“人命关天”的伦理观念，从而使得相关标准要求被政府、企业和从业人员等各主体广泛接受和主动贯彻^[3]。

6 结束语

收起

识别和评估氢能系统的潜在危险，保障人员和设施的安全，是氢能基础设施建设和商业化应用的关键前提。目前，风险评价已经广泛应用于氢能制、储、输、用全产业链各环节，但依然面临着数据库不完善、标准不统一、动态化评价能力不足等问题。未来，需进一步深入开展氢安全风险评价技术相关研究，将动态分析、人工智能等新兴技术应用于日益多样化的氢能场景，制定科学统一的风险接受标准，开发自主知识产权的风险评价工具，为氢安全研究提供全方位的政策支持，从而保障氢能行业的健康发展。

基金

收起

国家重点研发计划(2023YFB4004501)

参考文献

收起

文献

收起

参考文献引证文献

排序方式：

[1]

凌文, 刘玮, 李育磊, 等. 中国氢能基础设施产业发展战略研究[J]. 中国工程科学, 2019, 21(3): 76-83.

https://doi.org/10.15302/J-SSCAE-2019.03.003

Ling

, Liu

, Li

Y L

, et al. Development strategy of hydrogen infrastructure industry in China[J]. Strategic Study of CAE, 2019, 21(3): 76-83. (in Chinese)

https://doi.org/10.15302/J-SSCAE-2019.03.003

[2]

郑津洋, 张俊峰, 陈霖新, 等. 氢安全研究现状[J]. 安全与环境学报, 2016, 16(6): 144-152.

Zheng

J Y

, Zhang

J F

, Chen

L X

, et al. Research status in situ of hydrogen safety[J]. Journal of Safety and Environment, 2016, 16(6): 144-152. (in Chinese)

[3]

毛宗强, 王昌建, 李权, 等. 氢安全[M]. 北京: 化学工业出版社, 2020.

Mao

Z Q

, Wang

C J

, Li

, et al. Hydrogen safety[M]. Beijing: Chemical Industry Press, 2020. (in Chinese)

[4]

李志勇, 潘相敏, 马建新. 加氢站氢气事故后果量化评价[J]. 同济大学学报(自然科学版), 2012, 40(2): 286-291.

Z Y

, Pan

X M

, Ma

J X

. Quantitative assessment on hydrogen releases of hydrogen refueling station by consequence modeling[J]. Journal of Tongji University (Natural Science), 2012, 40(2): 286-291. (in Chinese)

[5]

Haimes

Y Y

. Risk modeling, assessment, and management[M]. Hoboken: John Wiley & Sons, Inc., 2004.

[6]

Kikukawa

, Mitsuhashi

, Miyake

. Risk assessment for liquid hydrogen fueling stations[J]. International Journal of Hydrogen Energy, 2009, 34(2): 1135-1141.

[7]

Suzuki

, Izato

Y I

, Miyake

. Identification of accident scenarios caused by internal factors using HAZOP to assess an organic hydride hydrogen refueling station involving methylcyclohexane[J]. Journal of Loss Prevention in the Process Industries, 2021, 71, doi: 10.1016/j.jlp.2021.104479.

[8]

Hirayama

, Shinozaki

, Kasai

, et al. Comparative risk study of hydrogen and gasoline dispensers for vehicles[J]. International Journal of Hydrogen Energy, 2018, 43(27): 12584-12594.

[9]

Hadef

, Negrou

, Ayuso

T G

, et al. Preliminary hazard identification for risk assessment on a complex system for hydrogen production[J]. International Journal of Hydrogen Energy, 2020, 45(20): 11855-11865.

[10]

Nakayama

, Kasai

, Shibutani

, et al. Security risk analysis of a hydrogen fueling station with an on-site hydrogen production system involving methylcyclohexane[J]. International Journal of Hydrogen Energy, 2019, 44(17): 9110-9119.

[11]

Pan

X M

, Li

Z Y

, Zhang

C M

, et al. Safety study of a wind-solar hybrid renewable hydrogen refuelling station in China[J]. International Journal of Hydrogen Energy, 2016, 41(30): 13315-13321.

[12]

Ehrhart

B D

, Harris

S R

, Blaylock

M L

, et al. Risk assessment and ventilation modeling for hydrogen releases in vehicle repair garages[J]. International Journal of Hydrogen Energy, 2021, 46(23): 12429-12438.

[13]

Kasai

, Fujimoto

, Yamashita

, et al. The qualitative risk assessment of an electrolytic hydrogen generation system[J]. International Journal of Hydrogen Energy, 2016, 41(30): 13308-13314.

[14]

, Zhang

L B

, Dong

S H

, et al. Risk assessment of bolt-gasket-flange connection (BGFC) failures at hydrogen transfer stations based on improved FMEA[J]. International Journal of Hydrogen Energy, 2024, 50: 700-716.

[15]

Shen

Y H

, Lü

, Hu

Y Q

, et al. Preliminary hazard identification for qualitative risk assessment on onboard hydrogen storage and supply systems of hydrogen fuel cell vehicles[J]. Renewable Energy, 2023, 212: 834-854.

[16]

Duijm

N J

, Markert

. Safety-barrier diagrams as a tool for modelling safety of hydrogen applications[J]. International Journal of Hydrogen Energy, 2009, 34(14): 5862-5868.

[17]

Casamirra

, Castiglia

, Giardina

, et al. Safety studies of a hydrogen refuelling station: Determination of the occurrence frequency of the accidental scenarios[J]. International Journal of Hydrogen Energy, 2009, 34(14): 5846-5854.

[18]

Kim

, Lee

, Kim

, et al. Development of Korean hydrogen fueling station codes through risk analysis[J]. International Journal of Hydrogen Energy, 2011, 36(20): 13122-13131.

[19]

Rodionov

, Wilkening

, Moretto

. Risk assessment of hydrogen explosion for private car with hydrogen-driven engine[J]. International Journal of Hydrogen Energy, 2011, 36(3): 2398-2406.

[20]

Correa-Jullian

, Groth

K M

. Data requirements for improving the quantitative risk assessment of liquid hydrogen storage systems[J]. International Journal of Hydrogen Energy, 2022, 47(6): 4222-4235.

[21]

TNO. Guidelines for the quantitative risk assessment, purple book[M]. Soesterberg: Committee for the Prevention of Disasters, 2005.

[22]

TNO. Methods for determining and processing probabilities, red book[M]. Soesterberg: Committee for the Prevention of Disasters, 1997.

[23]

TNO. Methods for the calculation of physical effects, yellow book[M]. Soesterberg: Committee for the Prevention of Disasters, 1997.

[24]

TNO. Methods for the calculation of possible damage, green book[M]. Soesterberg: Committee for the Prevention of Disasters, 1992.

[25]

LaChance

. Risk-informed separation distances for hydrogen refueling stations[J]. International Journal of Hydrogen Energy, 2009, 34(14): 5838-5845.

[26]

Kim

D H

, Lim

J Y

, Park

W I

, et al. Quantitative risk assessment of a mobile hydrogen refueling station in Korea[J]. International Journal of Hydrogen Energy, 2022, 47(78): 33541-33549.

[27]

Dadashzadeh

, Kashkarov

, Makarov

, et al. Risk assessment methodology for onboard hydrogen storage[J]. International Journal of Hydrogen Energy, 2018, 43(12): 6462-6475.

[28]

Froeling

H A J

, Dröge

M T

, Nane

G F

, et al. Quantitative risk analysis of a hazardous jet fire event for hydrogen transport in natural gas transmission pipelines[J]. International Journal of Hydrogen Energy, 2021, 46(17): 10411-10422.

[29]

Mouli-Castillo

, Haszeldine

S R

, Kinsella

, et al. A quantitative risk assessment of a domestic property connected to a hydrogen distribution network[J]. International Journal of Hydrogen Energy, 2021, 46(29): 16217-16231.

[30]

Safety aspects-guidelines for their inclusion in standards: ISO/IEC Guide 51. 2nd ed: 1999[S/OL]. [2024-07-11]. https://www.iso.org/standard/53940.html.

[31]

Risk management-vocabulary-guidelines for use in standards: ISO/IEC Guide 73. 1st ed: 1999[S/OL]. [2024-07-11]. https://www.iso.org/standard/44651.html.

[32]

Accident Examples Database. The high pressure gas safety institute of Japan[EB/OL]. [2024-06-25]. https://www.khk.or.jp/english/report.html.

[33]

H₂ Tools. Pacific national northwest laboratory[EB/OL]. [2024-06-25]. https://h2tools.org/lessons.

[34]

HIAD data base in odin: Online data & information network for energy. European Commission[EB/OL]. [2024-06-25]. https://minerva.jrc.ec.europa.eu/en/shorturl/capri/hiadpt.

[35]

Oreda

. Offshore reliability data handbook[M]. Høvik: OREDA, 1984.

[36]

HSE

U K

. Failure rate and event data for use within risk assessments[R]. Buxton: Health and Safety Executive, 2012.

[37]

Groth

K M

, Hecht

E S

. HyRAM: A methodology and toolkit for quantitative risk assessment of hydrogen systems[J]. International Journal of Hydrogen Energy, 2017, 42(11): 7485-7493.

[38]

LaChance

, Houf

, Fluer

, et al. Analyses to support development of risk-informed separation distances for hydrogen codes and standards[R]. Albuquerque: Sandia National Laboratories (SNL), 2009.

[39]

Gye

H R

, Seo

S K

, Bach

Q V

, et al. Quantitative risk assessment of an urban hydrogen refueling station[J]. International Journal of Hydrogen Energy, 2019, 44(2): 1288-1298.

[40]

Suzuki

, Shiota

, Izato

Y I

, et al. Quantitative risk assessment using a Japanese hydrogen refueling station model[J]. International Journal of Hydrogen Energy, 2021, 46(11): 8329-8343.

[41]

Kodoth

, Aoyama

, Sakamoto

, et al. Leak frequency analysis for hydrogen-based technology using Bayesian and frequentist methods[J]. Process Safety and Environmental Protection, 2020, 136: 148-156.

[42]

Gaseous Hydrogen-fuelling Stations. International organization for standardization: ISO/TS 20100: 2008[S]. [2024-07-11]. https://www.iso.org/standard/39206.html.

[43]

Groth

K M

, LaChance

J L

, Harris

A P

. Early-stage quantitative risk assessment to support development of codes and standard requirements for indoor fueling of hydrogen vehicles[R]. Albuquerque: Sandia National Laboratories, 2012.

[44]

Tchouvelev

A V

. Knowledge gaps in hydrogen safety, a white paper[R]. Paris:IEA HIA Task 19, 2008.

[45]

Ruggles

A J

, Ekoto

I W

. Ignitability and mixing of underexpanded hydrogen jets[J]. International Journal of Hydrogen Energy, 2012, 37(22): 17549-17560.

[46]

Yao

C Y

, Ba

Q X

, Hecht

E S

, et al. Concentration fluctuations and flammability of cryo-compressed hydrogen and methane jets[J]. Fuel, 2024, 358, doi: 10.1016/j.fuel.2023.130230.

[47]

Tsunemi

, Kihara

, Kato

, et al. Quantitative risk assessment of the interior of a hydrogen refueling station considering safety barrier systems[J]. International Journal of Hydrogen Energy, 2019, 44(41): 23522-23531.

[48]

Al-shanini

, Ahmad

, Khan

. Accident modelling and safety measure design of a hydrogen station[J]. International Journal of Hydrogen Energy, 2014, 39(35): 20362-20370.

[49]

Mirzaei

A M

, Pourhasan

, Mohammadfam

. Risk modelling of a hydrogen gasholder using Fuzzy Bayesian Network (FBN)[J]. International Journal of Hydrogen Energy, 2020, 45(1): 1177-1186.

[50]

Cui

J T

, Kong

Y Y

, Liu

C W

, et al. Failure probability analysis of hydrogen doped pipelines based on the Bayesian network[J]. Engineering Failure Analysis, 2024, 156, doi: 10.1016/j.engfailanal.2023.107806.

[51]

Pasman

H J

, Rogers

W J

. Risk assessment by means of Bayesian networks: A comparative study of compressed and liquefied H₂ transportation and tank station risks[J]. International Journal of Hydrogen Energy, 2012, 37(22): 17415-17425.

[52]

Q J

, He

, You

J F

, et al. Probabilistic risk assessment of fire and explosion of onboard high-pressure hydrogen system[J]. International Journal of Hydrogen Energy, 2024, 50: 1261-1273.

[53]

Yazdi

, Kabir

. A fuzzy Bayesian network approach for risk analysis in process industries[J]. Process Safety and Environmental Protection, 2017, 111: 507-519.

[54]

Xing

Y X

, Wu

J S

, Bai

Y P

, et al. All-process risk modelling of typical accidents in urban hydrogen refueling stations[J]. Process Safety and Environmental Protection, 2022, 166: 414-429.

[55]

Skjold

, Siccama

, Hisken

, et al. 3D risk management for hydrogen installations[J]. International Journal of Hydrogen Energy, 2017, 42(11): 7721-7730.

[56]

刘迪, 党文义, 王溪舸, 等. 油氢合建站典型泄漏火灾热辐射后果模拟分析[J]. 消防科学与技术, 2021, 40(6): 851-854.

Liu

, Dang

W Y

, Wang

X G

, et al. Simulation analysis of thermal radiation consequences of typical leakage fire in oil and hydrogen refueling station[J]. Fire Science and Technology, 2021, 40(6): 851-854. (in Chinese)

[57]

Shi

J H

, Chang

Y J

, Khan

, et al. Methodological improvements in the risk analysis of an urban hydrogen fueling station[J]. Journal of Cleaner Production, 2020, 257, doi: 10.1016/j.jclepro.2020.120545.

[58]

Andrews

J D

, Moss

T R

. Reliability and risk assessment[M]. Harlow: Longman Scientific & Technical, 1993: 368.

[59]

Norsk Hydro AS

DNV

. Methodology for rapid risk ranking for hydrogen refueling station concepts[R]. Brusel:European Integrated Hydrogen Project Phase 2, 2002.

[60]

LaChance

. Uniform risk acceptance and harm criteria—IEA HIA task 19 perspective[R/OL]. (2009-09-16) [2024-06-15]. https://conference.ing.unipi.it/ichs2009/images/stories/presentations/Topical-6-LaChance.pdf.

[61]

《危险化学品生产、储存装置个人可接受风险标准和社会可接受风险标准(试行)》解读. [EB/OL]. (2014-06-27)[2024-06-15]. https://www.mem.gov.cn/gk/zcjd/201406/t20140627_233065.shtml.

Interpretation of personally acceptable risk standards and socially acceptable risk standards for hazardous chemical production and storage devices (Trial)[EB/OL]. (2014-06-27)[2024-06-15]. https://www.mem.gov.cn/gk/zcjd/201406/t20140627_233065.shtml. (in Chinese)

[62]

Chang

Y J

, Zhang

C S

, Shi

J H

, et al. Dynamic Bayesian network based approach for risk analysis of hydrogen generation unit leakage[J]. International Journal of Hydrogen Energy, 2019, 44(48): 26665-26678.

[63]

Zhang

J X

, Shi

M H

, Lang

X S

, et al. Dynamic risk evaluation of hydrogen station leakage based on fuzzy dynamic Bayesian network[J]. International Journal of Hydrogen Energy, 2024, 50: 1131-1145.

[64]

Wang

X Y

, Zhang

C S

, Gao

. Risk assessment of hydrogen leakage in diesel hydrogenation process[J]. International Journal of Hydrogen Energy, 2022, 47(10): 6955-6964.

[65]

Wang

X Y

, Gao

. Hydrogen leakage risk assessment for hydrogen refueling stations[J]. International Journal of Hydrogen Energy, 2023, 48(91): 35795-35808.

[66]

Zarei

, Khan

, Yazdi

. A dynamic risk model to analyze hydrogen infrastructure[J]. International Journal of Hydrogen Energy, 2021, 46(5): 4626-4643.

[67]

Shi

J H

, Chang

, Khan

, et al. Stochastic explosion risk analysis of hydrogen production facilities[J]. International Journal of Hydrogen Energy, 2020, 45(24): 13535-13550.

[68]

Q C

, Zhang

X H

, Li

Q L

, et al. Prediction and interpretability of accidental explosion loads from hydrogen-air mixtures using CFD and artificial neural network method[J]. International Journal of Hydrogen Energy, 2024, 66: 135-147.

[69]

Xie

W K

, Li

J J

, Shi

J H

, et al. Probabilistic real-time natural gas jet fire consequence modeling of offshore platforms by hybrid deep learning approach[J]. Marine Pollution Bulletin, 2023, 192, doi: 10.1016/j.marpolbul.2023.115098.

[70]

张新琪, 师吉浩, 陈国明. 基于物理信息深度学习的氢气泄漏扩散预测[J]. 消防科学与技术, 2024, 43(5): 698-703.

Zhang

X Q

, Shi

J H

, Chen

G M

. Prediction of hydrogen jet diffusion based on physicsinformed deep learning[J]. Fire Science and Technology, 2024, 43(5): 698-703. (in Chinese)

[71]

J J

, Xie

Z H

, Liu

, et al. Real time hydrogen plume spatiotemporal evolution forecasting by using deep probabilistic spatial-temporal neural network[J]. International Journal of Hydrogen Energy, 2024, 72: 878-891.

[72]

, Kong

D P

, Yu

X R

, et al. Prediction model for the evolution of hydrogen concentration under leakage in hydrogen refueling station using deep neural networks[J]. International Journal of Hydrogen Energy, 2024, 51: 702-712.

[73]

Zhao

M B

, Huang

, Liu

C H

, et al. Leak localization using distributed sensors and machine learning for hydrogen releases from a fuel cell vehicle in a parking garage[J]. International Journal of Hydrogen Energy, 2021, 46(1): 1420-1433.

[74]

曹湘洪, 魏志强. 氢能利用安全技术研究与标准体系建设思考[J]. 中国工程科学, 2020, 22(5): 144-151.

https://doi.org/10.15302/J-SSCAE-2020.05.018

Cao

X H

, Wei

Z Q

. Technologies for the safe use of hydrogen and construction of the safety standards system[J]. Strategic Study of CAE, 2020, 22(5): 144-151. (in Chinese)

https://doi.org/10.15302/J-SSCAE-2020.05.018

[75]

中国工业气体工业协会. 加氢站风险评估指南: T/CCGA 40013—2022[S]. 北京: 中国工业气体工业协会, 2022.

China Industrial Gas Industry Association. Guidelines for risk assessment of hydrogen fuelling stations: T/CCGA 40013-2022[S]. Beijing: China Industrial Gas Industry Association, 2022.

2024年第3卷第4期

PDF下载

1748

748

引用本文

BibTeX

文章信息

doi: 10.3981/j.issn.2097-0781.2024.04.008

接收时间：2024-09-30
出版时间：2024-12-20
发布时间：2024-12-24

补充材料

相关文章

文章信息

作者

出版历史

收稿日期：2024-09-30
修回日期：2024-10-17

基金

国家重点研发计划(2023YFB4004501)

作者信息

1.山东大学热科学与工程研究中心（高等技术研究院），济南 250061

2.中国石油技术开发有限公司，北京 100028

3.山东大学高效储能及氢能利用山东省工程研究中心，济南 250061

通讯作者:

^†

参考文献

分享链接

https://castjournals.cast.org.cn/joweb/qzkj/CN/10.3981/j.issn.2097-0781.2024.04.008

分享至

全文二维码

扫描看全文

引用本文

BibTeX

本文的引用情况

表12种不同金属材料的力学参数

科 Family	属数 Number of genus	种数 Number of species	占总种数比例 Percentage of total species (%)	属 Genus	种数 Number of species	占总种数比例 Percentage of total species (%)
鹅膏菌科Amanitaceae	2	11	5.26	鹅膏菌属 Amanita	10	4.78
小菇科 Mycenaceae	2	12	5.74	丝盖伞属 Inocybe	5	2.39
多孔菌科 Polyporaceae	8	14	6.70	蜡蘑属 Laccaria	5	2.39
红菇科 Russulaceae	3	23	11.00	小皮伞属 Marasmius	6	2.87
				小菇属 Mycena	11	5.26
				光柄菇属 Pluteus	5	2.39
				红菇属 Russula	17	8.13
				栓菌属 Trametes	5	2.39

关闭全屏

BibTeX
EndNote
RefWorks
TxT

访问统计

友情链接

联系我们

官方微信公众号