原文信息
Scaling solar photocatalytic hydrogen production in China: Integrated geospatial-meteorological analysis
原文链接：
https://www.sciencedirect.com/science/article/pii/S0306261924025637
Highlights
(1) 提出基于气象大数据的原创机器学习模型优化光催化制氢效率
(2) 结合中国地理空间大数据分析发现光催化制氢潜力可提升近六倍
(3) 光催化制氢用地占约 11% 国土面积即可满足2060年中国绿氢需求
(4) 以光伏电解水制氢为基准标定光催化剂制氢技术开发的经济目标
(5) 跨时间尺度下的光催化制氢潜能波动性分析
Research gap
在全球能源和气候双重挑战下，绿色氢能因其高能量、零排放成为未来能源焦点；太阳能光催化制氢因设备简单、环保而备受关注。但该技术规模化应用面临效率不高、易受天气影响等问题，亟需解决。
Abstract
Solar photocatalytic hydrogen production is considered a promising technology owing to its sustainable nature, while facing the challenges of improving and maintaining photocatalytic efficiency under prolonged variable weather conditions. Herein, we screen out the MoTe2/ZrS2 system with a theoretical solar-to-hydrogen conversion efficiency of 10.37%. To improve the actual efficiency among all 97,711 grid cells in China, we propose an original meteorological data-driven machine learning model to optimize photocatalytic H2 production and results show that the annual average STH efficiency gives a mean of 3.16% within a range of 0.44% – 4.91%. Incorporating geospatial data, we determine that China's photocatalytic H2 potential is about 216.65 Mt/year, which has been improved by almost sixfold compared to that without optimization, and the country’s 2060 hydrogen demand can be met by using 11.08% of its total land area. Compared with photovoltaic electrolysis, a photocatalyst cost of 23 USD/m2cat/103hrs would make photocatalysis economically competitive. Last, considering hydrogen production fluctuations, we explore optimal operation of hydrogen storage and utilization facilities to fulfil downstream demands.
Keywords
Solar photocatalytic hydrogen production
Geospatial-meteorological analysis
Machine learning enhanced optimization
Techno-economic benchmark
Photocatalysis temporal variability
Graphics
图1. 研究框架流程图
图2. 最佳光催化装置配置下的实际太阳能-氢能转换效率图
图3. 不同场景下MoTe2/ZrS2光催化剂的技术经济目标
图4. 光催化制氢潜力及该技术满足中国未来氢能需求的分析图
图5. 长周期光催化制氢产量的波动性特征
作者简介
团队介绍：
本研究由清华大学、西南大学、新加坡国立大学以及中科院自动化所等单位的研究人员共同完成。
通信作者简介：
王笑楠，清华大学化工系长聘副教授、研究员、博导，新加坡国立大学荣誉副教授，新一代人工智能国家科技重大专项首席科学家、项目负责人。国家高层次青年人才计划入选者。带领团队从事AI+能源化工材料的研究。在Nat. Mach. Intell.、Nat. Rev. Mater.、J. Am. Chem. Soc.、Appl. Energ.等期刊发表学术论文170余篇，包括15篇ESI高被引论文，被引9900余次，H-index 59。2011年本科毕业于清华大学化学工程系，2015年获加州大学戴维斯分校化学工程和控制科学博士，赴英国伦敦帝国理工学院任博士后研究员和硕士生导师。2017年起担任新加坡国立大学化工与生物分子工程助理教授、博导，2021年人才引进回清华化工系担任课题组负责人，智能化工研究中心主任。担任十余本国际期刊副主编和编委，获美国化学会可持续化学与工程讲席奖、Cell Press中国女科学家奖、青年北京学者、侯德榜化工科学技术奖“青年奖”，福布斯中国科技女性50，新加坡杰出青年首席研究员奖、英国皇家学会国际交流奖等奖项。入选全球学者终身学术影响力榜，2024年度高被引学者，连续四年被Elsevier评为全球前2% 顶尖科学家。
王彪，西南大学副教授，硕士生导师，新加坡国立大学博士后，曾入选 “2020年中国科协优秀中外青年交流计划”，重庆市普通本科高校“教学新星奖”等。近年来，主要聚焦于太阳能光催化制氢的机理研究及跨尺度分析领域，已先后在Appl. Energ.、Appl. Surf. Sci.、Int. J. Hydrogen Energ.等国际期刊上发表论文30余篇。
谢建平，新加坡国立大学教授，博士生导师，皇家化学会会士，全球高被引科学家（Clarivate，2018-2024年），《Aggregate》副主编。先后在清华大学获得本科和硕士学位，在NUS获新加坡国立大学与美国麻省理工学院（MIT）联合培养博士学位。2010年加入新加坡国立大学建立研究团队，研究内容主要围绕金属纳米团簇的基础与应用研究。近十年来，在Nat. Rev. Mater.、Nat. Chem.、Chem、Nat. Commun.、J. Am. Chem. Soc.、Angew. Chem. Int. Edit. 等国际期刊上发表论文230余篇，已被引用31000余次，谷歌学术H-index 94。
第一作者简介：
李一楠，博士，本科和博士均毕业于新加坡国立大学，从事数据驱动的多尺度能源系统分析与优化领域研究，包括国家层面的碳中和路径规划，区域层面的光催化制氢建模与优化，以及社区层面的分布式可再生能源系统设计研究。
关于Applied Energy
本期小编：何意；审核人：王彪
《Applied Energy》是世界能源领域著名学术期刊，在全球出版巨头爱思唯尔 (Elsevier) 旗下，1975年创刊，影响因子10.1，CiteScore 21.2，本刊旨在为清洁能源转换技术、能源过程和系统优化、能源效率、智慧能源、环境污染物及温室气体减排、能源与其他学科交叉融合、以及能源可持续发展等领域提供交流分享和合作的平台。开源（Open Access）姊妹新刊《Advances in Applied Energy》影响因子13.0，CiteScore 23.9。全部论文可以免费下载。在《Applied Energy》的成功经验基础上，致力于发表应用能源领域顶尖科研成果，并为广大科研人员提供一个快速权威的学术交流和发表平台，欢迎关注！
公众号团队小编招募长期开放，欢迎发送自我简介（含教育背景、研究方向等内容）至wechat@applied-energy.org
点击“阅读原文”
喜欢我们的内容？
点个“赞”或者“再看”支持下吧！
阅读原文
