第 49 卷第 9 期

2023 年 9 月 水力发电

基于 Informer 的风电机组叶根载荷预测
1 1 2
王 伟 ，王海云 ，黄晓芳
（ 1. 新疆大学电气工程学院，新疆 乌鲁木齐 830046；
2. 新疆金风科技股份有限公司，新疆 乌鲁木齐 830026）

摘 要： 为了保障风电机组的安全经济运行，需要对风机关键部位的实时载荷进行监测和预测。因此，提出了一种
基于 Informer 模型的风机叶根实时载荷预测方法。首先使用 OpenFAST 软件对风机进行仿真计算，然后利用仿真数
据搭建 Informer 预测模型对风机叶根实时载荷进行预测，最后给出了模型预测数据与实际数据的曲线并对预测结果
进行了评估，证明了该方法的可行性。通过与 LSTM 和 GＲU 两种常规模型的预测结果进行对比，证明了 Informer 模
型有更优的预测性能。
关键词： 风电机组； 叶根； 载荷预测； Informer 模型； LSTM； GＲU

Blade Ｒoot Load Prediction of Wind Turbine Based on Informer

WANG Wei 1 ， WANG Haiyun1 ， HUANG Xiaofang2
( 1． College of Electrical Engineering， Xinjiang University， Urumqi 830046， Xinjiang， China;
2． Xinjiang Goldwind Science and Technology Co．， Ltd．， Urumqi 830026， Xinjiang， China)
Abstract: In order to ensure the safe and economical operation of wind turbines， it is necessary to monitor and forecast the
real-time load of key parts of wind turbines． Therefore， a method for blade root real-time load prediction of wind turbines based
on the Informer model is proposed in this paper． Firstly， the OpenFAST software is used to simulate the operation of wind
turbine， then an Informer prediction model is built with the simulation data to predict the blade root real-time load of wind
turbine， and finally， the curves of model prediction data and the actual data are given， and the feasibility of this method is
proved by evaluating the prediction results． It is proved that the Informer model has better prediction performance by comparing
with the prediction results of LSTM and GＲU models．
Key Words: wind turbine; blade root; load prediction; Informer model; LSTM; GＲU

中图分类号： TK83 文献标识码： A 文章编号： 0559-9342（ 2023） 09-0085-05

［9］
律，有很强的处理非线性问题的能力 。因此，机
0 引 言
器学习算法也被用于风电机组的载荷分析和预测中。
［10］
为实现我们国家制定的双碳目标，近年来风力 付德义等 基于 GH Bladed 的仿真数据，将 BP 神
发电产业蓬勃发展，电 网 中 的 认 可 度 也 越 来 越 高， 经网络应用于风电机组的载荷适应性评估，完成了
［1-3］
这一切都离不开风电技术的更新迭代 。风电技术 在不同风况条件下对风电机组叶根和轮毂等关键部
的进步也在不断提升风电机组运行的安全性和经济 位的极 限 载 荷 以 及 等 效 疲 劳 载 荷 的 预 测。周 士 栋
［4-6］ ［11］
性 。风电机组所处的运行环境十分复杂多变，而 等 则是基于风机运行的 SCADA 数据搭建了 BP 神
且过去的十几年间风机轮毂的高度越来越高，叶片 经网络模型，实现了 对 风 机 关 键 部 位 载 荷 的 预 测。
［12］
也越来越大，风电机组的各个关键部位（ 例如叶根和 许扬等 结合多因素权重法和 BP 神经网络有效预
偏航） 更容易受到载荷的影响，这就给风电机组的结 测并分析了各种环境参数对风机关键部位平均载荷
［7-8］
构安全以及风场的运维带来了不小的压力 。为此
需要采用优秀的预测手段对风电机组的载荷进行监 收稿日期： 2023-03-15
测和预测，以保障风电机组安全经济的运行。 基金项目： 自治区重点研发计划资助项目（ 2022B03031）
近年来，随着大数据技术和人工智能技术的发 作者简介： 王伟（ 1995—） ，男，湖北荆州人，硕士研究生，主
展，机器 学 习 方 法 能 够 从 数 据 中“学 习”总 结 出 规 要从事风电机组载荷分析相关研究．

Water Power Vol．49 No．9 85

 水力发电 2023 年 9 月

［13］
和极限载荷的影响。章培成等 采用多元线性回归 动量理论是指基于动量守恒定律，获得作用于
的算法搭建了风机载荷预测模型，该模型在对风场 叶轮上的力、力矩和动量、角动量之间的关系。同
多机位点评估时有着较高的准确性。上述文献都对 样，与叶根距离为 r、厚度为 dr 的叶素上受到的轴
风电机组的疲劳载荷、平均载荷以及极限载荷进行 向推力 dT 和 dM 分别由如下公式计算得到
了预测方法的研究，但是未涉及风电机组实时载荷 dT = 4πρv 21 a（ 1－a） rdr （ 3）
的预测，而为了提升风机运行的效率，掌握风机的 dM = 4πρΩv 1 b（ 1－a） r dr 3
（ 4）
［14-15］ ［16］
实时运行状态是最有效的途径 。卢晓光等 利 式中，v 1 为无穷远处来流风速； a 和 b 分别是轴向和
用数字孪生技术创新性地对风电机组的载荷进行了 切向诱导因子； Ω 为风轮转速。
实时预测，虽然总体预测效果良好，但是由于一次 结合叶素理论和动量理论便可以求得作用在风
性预测的数据点过多即预测的是超长序列，难免会 机叶轮上的力、力矩和功率。
出现局部数据段的实际值和预测值的误差较大的问 1. 2 灰色关联度分析
题。因此，本文采用序列预测工具对风电机组载荷 灰色关联度分析法的基本思想是若影响因素与
较长序列的预测。Informer 模型由北京航空航天大学 目标变量的变化趋势一致，该影响因素与目标变量
于 2021 年提出，专门设计用于长序列的预测。目前 关联度较高； 反之，则关联度较低。将灰色关联度
已经有学者将 Informer 模型应用于不同领域的工程 分析法与深度学习模型相结合，通过该分析方法筛
［17］
研 究 中， 例 如 董 浩 等 将 Informer 模 型 应 用 于 选出与目标变量强相关的影响因素作为模型的输入，
PM2. 5 浓度的预测； 刘洪笑等［18］ 和贺春光等［19］ 使用 从而避免模型因无效输入太多导致其训练效率过低
［20］
Informer 模型对用电量进行了预测； 张友等 则在 的问题。灰色关联度分析法的计算公式如下
数据不完备的情况下使用 Informer 模型完成了对离 Δ（ min） + ρΔ（ max）
ξ i（ k） = （ 5）
心鼓风机故障趋势的预测。 Δ i（ k） + ρΔ（ max）
基于上 述 研 究 现 状，本 文 创 新 性 地 将 Informer 1 N
ξ i（ k） （ 6）
N∑
ri =
模型应用于风电机组叶根载荷的实时预测，并对预 k=1

测结果进行科学评估，验证该方法的可行性。同时， 式中，ξ i（ k） 为第 i 个影响因素的第 k 条数据与目标

由于 LSTM 和 GＲU 是目前处理序列数据常见且效果 变量第 k 条数据的关联系数； Δ i （ k） 为第 i 个影响因
不错的的深度学习算法，本文采用两者进行对比实 素与目标变量的差序列； Δ（ max） 和 Δ（ min） 分别为
验，以此验证 Informer 模型在载荷实时预测中的更 两级最大差和两级最小差； ρ 为分辨系数，范围为
优的预测性能。 （ 0，1） ，本文取 0. 5； r i 为第 i 个影响因素与目标变
量的关联度； N 为变量的数据个数。
1 基础理论
1. 3 Informer 模型原理
1. 1 基于叶素-动量理论的风机载荷计算 Informer 模型 是 基 于 注 意 力 机 制 的 深 度 学 习 模
叶素-动量理论（ Blade element momentum，BEM） 型，能够更为准确地捕捉到长序列中输入和输出依
［21］
是当前风力机载荷计算最主要的方法 ，包含叶素 赖关系，因此 Informer 模型的出现为解决长序列问
理论和动量理论 2 个部分。 题提 供 了 新 的 方 法。 Informer 模 型 主 要 由 编 码 器
叶素理论是指将叶轮的叶片沿展向切割成 n 个 （ Encoder） 和解码器（ Decoder） 2 部分组成，具体结构
没有空气动力相互作用的微段，称这些微段为叶素， 如图 1 所示。
把作用在每个叶素上的力和力矩积分，便可得到叶
轮上的力和力矩。与叶根距离为 r 、厚度为 dr 的叶
素上受到的轴向推力 dT 和 dM 分别由如下公式计算
得到
1
dT = N ρcv 2（ C cos φ +C D sin φ） dr （ 1）
2 b 0 L
1
dM = N ρcv 2（ C sin φ －C D cos φ） rdr （ 2）
2 b 0 L
式中，N b 为叶轮的叶片数； ρ 为空气密度； c 为叶素
弦长； v 0 为 相 对 来 流 的 风 速； C L 和 C D 分 别 为 升、
阻力系数； φ 为入流角。 图1 Informer 模型结构示意

86 Water Power Vol．49 No．9

第 49 卷第 9 期 王 伟，等： 基于 Informer 的风电机组叶根载荷预测

注意力机制的 计 算 主 要 由 查 询 向 量 矩 阵 Query
×d ×d 2 Informer 预测模型搭建
（ Q∈Ｒ LQ ） 、键向量矩阵 Key（ K∈Ｒ LK ） 和值向量矩
×d
阵 Value（ V∈Ｒ ） 3 个向量组成，其中 L Q 为查询向
LV
2. 1 原始数据获取
量矩阵序列维度； L K 为键向量矩阵序列维度； L V 是 本文以某 4. 5 MW 的服役直驱风电机组为实验
值向量矩阵序列维度； d 为输入维度。第 i 个 Query 对象，该风电机组的额定风速为 10. 8 m / s； 叶轮直
的注意力系数的概率形式 A 表为 径为 155 m。通 过 基 于 BEM 的 风 机 载 荷 计 算 软 件
k（ q i ，k j ） OpenFAST 对该机组进行仿真得到叶根的载荷数据。
A（ q i ，K，V） = ∑ v j = E p（ k q i） ［V j］ （ 7）
∑ k（ q ，k ） 2. 2 数据分析
j
j
i l
j

第 i 个 Query 的稀疏性得分 M 为 使用灰色关联度分析法筛选出与叶根载荷变化

LK q ik j
T

1
LK q ik j
T
有较强相关性的影响因素，以此作为模型预测的输
M（ q i ，K） = ln ∑ e■ － （ 8）
LK ∑
d
e■ d

j=1 j=1
入。筛选出 的 影 响 因 素 及 其 相 应 的 关 联 度 由 表 1
最终得到稀疏自注意力公式为 给出。
QK T 由表 1 可知，这些影响因素与叶根载荷的关联
A（ Q，K，V） = softmax（ ）V （ 9）
■d
度都高于 0. 5，说明对叶根载荷的影响较大，因此将
表中 10 个影响因素作为输入到 Informer 预测模型中
式中，Q 矩阵由查询向量矩阵 Q 概率稀疏化得到。
的决策变量。
Encoder 主要用于捕获长序列的远期依赖关系，
2. 3 数据预处理
将输入送至多头稀疏自注意力模块，并且中间会通
首先是标准化处理，因为不同的变量在量纲上
过蒸馏层进行蒸馏操作以减少网络参数，突出特征，
有较大的差异，导致有些变量的方差很大，从而影
蒸馏原理可表示为
响到模型的收敛和预测精度，所以需要对原始数据
X j+1 = MaxPool {σ [ Conv1d（ [ X j ] AB ）]} （ 10）
进行标准化处理，消除量纲差异。标准化的计算公
式中，MaxPool 为 最 大 池 化 操 作； σ 为 激 活 函 数；
式为
Conv1d 表示的是序列上的一维卷积操作。
x i －u
Decoder 的作用是进行前向计算并预测长序列输 x *i = （ 14）
β
出。此外，由于 Informer 使用的是生成式结构，能 *
式中，x i 为某一变量的第 i 个点标准化后的数值；
够一次性生成全部的预测序列，极大地提高了预测
x i 为该变量的第 i 个点标准化以前的数值； u 为标准
解码的效率。Decoder 的输入格式为
化前该变量所有数据点的平均值； β 为该变量的标
X feed_ de = Concat（ X token ，X 0 ） ∈Ｒ （ L
+L y） ×d
token
（ 11）
准差。
式中，X token 为开始字符； X 0 为占位字符； Concat 则
然后将标准化处理过的数据按照 7 ∶ 1 ∶ 2 的比
表示将 X token 和 X 0 连接合并。
例划分为训练集（ 21 000 组） 、验证集（ 3 000 组） 和
同时，对于序列预测问题，数据间的顺序非常
测试集（ 6 000 组） ，供预测模型使用。
重要，为了使数据输入模型之后的顺序结构不发生
改变，需要对每个输入数据的位置信息进行位置嵌
2. 4 模型实现
入，嵌入原理由下式表示 本文使用深度学习框架 Pytorch 搭建 Informer 模

pos 型，模型的编码器输入、输出长度和预测长度分别
PE （ pos，2j） = sin （ 12） 为 800、400 和 300； Batch-size 为 32； 迭 代 次 数 为
（ 2L x ） 2j / d

pos 6； 注意力头数为 8； 优化器为 Adam； 激活函数为

PE （ pos，2j+1） = cos （ 13） gelu； Dropout 为 0. 05； 学习率选为 0. 000 1。
（ 2L x ） 2j / d

式中，pos 为序列次序； j∈（ 1，d /2） ，表示维度。 基于训练集和验证集的数据，训练得出使用过

去 800 个数据点预测未来 300 个数据点的最佳叶根

表1 影响因素与叶根载荷关联度

风速 / 桨距角 / 发电机转速 / 发电机转矩 / 机舱俯仰加速度 / 机舱倾覆加速度 / 机舱俯仰速度 / 机舱倾覆速度 /

影响因素
m·s －1 rad rad·s －1 kN·m m·s －2 m·s －2 m·s －1 m·s －1
叶根 M x 0. 671 0. 615 0. 685 0. 594 0. 668 0. 677 0. 668 0. 666
叶根 M y 0. 739 0. 582 0. 760 0. 596 0. 771 0. 777 0. 764 0. 740
叶根 M z 0. 702 0. 621 0. 572 0. 707 0. 726 0. 713 0. 697 0. 702

Water Power Vol．49 No．9 87

 水力发电 2023 年 9 月

图2 Informer 预测结果

载荷预测模型后，用于测试集的测试，并对输出结 验证了 Informer 模型在载荷实时预测更优的性能。

果采取逆标准化操作，最后得到叶根三个载荷分量 表2 叶根载荷预测结果评估指标
的预测值。
ＲMSE / MAE /
载荷分量 模型 Ｒ2 MAPE
kN·m kN·m
3 结果分析
LSTM 0. 991 0. 372 335. 875 286. 202
叶根 M x
3. 1 模型预测能力评估 GＲU 0. 991 0. 404 357. 716 317. 446
弯矩
参照国内外研究中常用的预测精度的衡量方法， Informer 0. 998 0. 089 248. 075 196. 381
2
本文选用可决系数 Ｒ 、平均相对误差 MAPE、均方 LSTM 0. 865 0. 025 289. 429 242. 292
叶根 M y
根误差 ＲSME 以及平均绝对误差 MAE 作为模型的评 GＲU 0. 736 0. 028 326. 161 265. 957
弯矩
估指标。各指标的计算公式为 Informer 0. 962 0. 023 273. 916 239. 964
n
LSTM 0. 982 0. 281 10. 072 8. 077
∑（ y
i=1
i，pre － y i，real ） 2
叶根 M z
GＲU 0. 979 0. 254 9. 321 7. 072
Ｒ2 = 1 － n
（ 15） 弯矩
Informer 0. 988 0. 118 8. 196 6. 472
∑（ y
i=1
i，real － y mean ） 2

1 n y i，pre － y i，real
（ 16）
n∑
MAPE = 4 结 语
i=1 y i，real
1 n 本文创新性地将长序列预测工具 Informer 模型
（ y i，pre － y i，real ） 2
（ 17）
n∑
ＲMSE =
■ i=1 应 用 于 风 电 机 组 叶 根 实 时 载 荷 的 预 测， 基 于
1 n OpenFAST 的仿真数据，通过灰色关联度分析法筛选
MAE = ∑ y i，pre － y i，real （ 18）
n i=1 出对风机叶根载荷影响较大的因素作为模型的输入，
式中，y i，pre 为第 i 条数据的模型预测值； y i，real 为第 i 给出了模型预测值和实际值的对比结果，并通过对
条数据的实际值； y mean 为实际数据的均值。这些误差 结果的分析证明了该方法的 可 行 性； 通 过 与 LSTM
2
的数值越小，模型的准确度越高； Ｒ 的范围是0 ～ 1， 和 GＲU 两 种 常 规 模 型 预 测 结 果 的 对 比， 验 证 了
Ｒ 2 的值越大，模型预测的预测效果越好。 Informer 模型在载荷实时预测中更优的性能。
3. 2 模型预测结果分析
通过 Informer 模型对风电机组叶根 M x 弯矩、叶 参考文献：
根 M y 弯矩和 M z 弯矩未来 300 个数据点的预测，得 ［1］ 曹晓冬，杨世海，支亚薇，等． 基于预测虚拟转矩控制的 DFIG 并
到图 2 的预测值与实际值的对比曲线。由图 2 可知， 网逆变方法［J］． 电力工程技术，2019，38（ 2） ： 32-37，98．
Informer 模型的预测值和实际 值 之 间 有 较 好 的 一 致 ［2］ 张露江，汤会增，张利，等． 大型风机风向补偿算法研究［J］． 电

性，说明其对于叶根的实时载荷有较好的预测精度， 力系统保护与控制，2020，48（ 19） ： 106-112．

［3］ SCHOTTLEＲ J， BAＲTL J， MÜHLE F， et al． Wind tunnel
也证明了将此长序列预测工具应用于风电机组实时
experiments on wind turbine wakes in yaw： redefining the wake width
载荷预测的可行性。
［J］． Wind Energy Science Discussions，2018（ 3） ： 257-253．
表 2 给出了 Informer 模型和 LSTM 以及 GＲU 预
［4］ 王志轩． 构建以新能源为主体的新型电力系统框架［J］． 阅江学
测结果的对比数据。由表中数据可知，Informer 模型 刊，2021，13（ 3） ： 35-43．
的四项评价指标相较 LSTM 模型和 GＲU 模型均有提 ［5］ 周剑平，李世民． 光伏、风力发电助推甘肃省经济发展和实现“双
升； 其中 Informer 模型预测结果与实际值的拟合程 碳”目标［J］． 太阳能，2022（ 4） ： 13-19．
度均在 0. 9 以上，说明模型有较好的预测效果，也 ［6］ LIU L B． Potential contributions of wind and solar power to China＇s

88 Water Power Vol．49 No．9

第 49 卷第 9 期 王 伟，等： 基于 Informer 的风电机组叶根载荷预测

carbon neutrality［J］． Ｒesources，Conservation ＆ Ｒecycling，2022， ［15］ 陈昊，张建忠，许超，等． 基于多重离群点平滑转换自回归模型

180： 335-346．
［7］ 郑小霞，叶聪杰，符杨． 海上风电场运行维护的研究与发展［J］．
电网与清洁能源，2012，28（ 11） ： 90-94．
［8］ 付德义，秦世耀，薛扬，等． 风电机组低电压穿越过程机械载荷
特性研究［J］． 太阳能学报，2016，37（ 5） ： 1100-1106．
［9］ 邓居昌，覃卫坚，韦文山． 机器学习算法在气候模式降水预测中
的订正研究［J］． 计算机与数字工程，2022，50（ 11） ： 2428-2434．
［10］ 付德义，张晓东，王瑞明，等． 特定场址条件下风电机组载荷适
应性评估［J］． 太阳能学报，2021，42（ 6） ： 425-431．
［11］ 周士栋，薛扬，马晓晶，等． 基于 SCADA 数据的风电机组关键
载荷预测［J］． 农业工程学报，2018，34（ 2） ： 219-225．
［12］ 许扬，蔡安民，张林伟，等． 基于 BP 神经网络和多因素权重法
的风电机 组 载 荷 预 测 和 分 析［J］． 热 力 发 电，2022，51 （ 8） ：
42-49．
［13］ 章培成，孙勇，王琳． 一种大型风力发电机组载荷预测技术研究
［J］． 能源工程，2020（ 5） ： 55-57，64．
［14］ 赵巧娥，郭敏，贾新春，等． 基于预测控制储能系统平抑风电场
并网波动功率［J］． 电测与仪表，2019，56（ 5） ： 94-100．
的短期风电功率预测［J］． 电力系统保护与控制，2019，47（ 1） ：
73-79．
［16］ 卢晓光，李凤格． 基于数字孪生的风机实时载荷预估研究［J］．
机械与电子，2021，39（ 6） ： 24-28，34．
［17］ 董浩，孙琳，欧阳峰． 基于 Informer 的 PM_（ 2．5） 浓度预测［J］．
环境工程，2022，40（ 6） ： 48-54，62．
［18］ 刘洪笑，向勉，周丙涛，等． 基于 Informer 的长序列时间序列电
力负荷预测［J］． 湖北民族大学学报 （ 自然科学版） ，2021，39
（ 3） ： 326-331．
［19］ 贺春光，韩光，赵阳，等． 双碳背景下计及新能源大规模接入的
电量 趋 势 预 测 与 分 析［J］． 可 再 生 能 源，2022，40 （ 11 ） ：
1554-1562．
［20］ 张友，李聪波，林利红，等． 数据不完备下基于 Informer 的离心
鼓风机故障趋势预测方法［J］． 计算机集成制造系统，2023，29
（ 1） ： 133-145．
［21］ 陈安杰，王策，贾娅娅，等． 基于 BEM 的风力机叶片气动性能
计算分析［J］． 工程力学，2021，38（ S1） ： 264-268．
（ 责任编辑 高 瑜）

■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■
（ 上接第 5 页） 结合，形成氢能制储加一体化示范， 化技术，2022，29（ 9） ： 188-190．

助力提升新能源消纳，带动氢能产业发展。 ［6］ 叶小宁，李苏秀． 面向 2020 年的中国能源发展趋势判断［J］． 新

（ 4） 推动交通领域风光 + 绿氢体系项目孵化。以 能源经贸观察，2018（ 12） ： 32-33．

［7］ 陈宇，赵彦旻，曹吉领，等． 氢电耦合在高弹性电网中的应用场
氢燃料汽车为主的交通用能体系，可最大程度实现
景及投资收益分析［J］． 能源工程，2022，42（ 3） ： 88-92．
减排目标，改善生态环境，氢燃料汽车可有效解决
［8］ 田江南，罗扬． 风电耦合电解水制氢技术研究［J］． 电力勘测设
电动汽车在寒冷地区续航里程缩短、重载动力性下
计，2021（ 2） ： 63-67．
降等问题，为氢燃料产业在各领域的大规模发展奠 ［9］ 孙鹤旭，李争，陈爱兵，等． 风电制氢技术现状及发展趋势［J］．
定基础。内蒙古应着力推动建立呼包鄂乌氢能重卡 电工技术学报，2019，34（ 19） ： 4071-4083．
替代，结合氢能重卡用氢需求耦合测算风光配套容 ［10］ 李培文． 氢气和天然气作为车用燃料的特性分析［J］． 汽车实用
量和耦合方式，通过绿氢低价制取带动氢燃料和高 技术，2018（ 4） ： 10-11．

端制造产业发展，通过模型优化提高可再生能源与 ［11］ 武振国，李雪敏，李艺格． 资源型地区经济发展与自然资源交互

氢储能耦合比例。 关系的时 空 变 化———以 内 蒙 古 为 例［J］． 干 旱 区 资 源 与 环 境，

2022，36（ 11） ： 43-50．
（ 5） 在化工领域提出绿氢对灰氢部分替代的解
［12］ 张萌，孙佳文，赵海东． 内蒙古新能源产业链发展研究［J］． 北
决方案。氢气是煤化工产业的主要原料之一，当前
方经济，2021（ 10） ： 37-39．
主要通过煤制氢获取，伴随大量二氧化碳排放。以
［13］ 扎其劳，赛希拉图． 氢能源将在内蒙古自治区实现碳达峰和碳
风光等可再生能源制氢作为氢源，可实现煤化工中 中和发挥重要作用［J］． 内蒙古师范大学学报 （ 自然科学汉文
对灰氢的清洁化替代，减少环境污染和煤炭消耗。 版） ，2021，50（ 4） ： 36-38．
［14］ 朱泽磊． 碳达峰碳 中 和 愿景下 内 蒙古 新能源 发展趋势及展望
参考文献： ［J］． 北方经济，2022（ 7） ： 23-25．

［1］ 高慧，杨艳，赵旭，等． 国内外氢能产业发展现状与思考［J］． 国 ［15］ 祁婧，黄 占 兵． 推动内蒙古氢能产 业 健 康 可 持 续 发 展 的 思 考

际石油经济，2019，27（ 4） ： 9-17． ［J］． 北方经济，2022（ 5） ： 47-50．

［2］ 马涛． 国外氢能源经济发展现状及对我国的启示［J］． 节能技术， （ 责任编辑 杨 健）
2008（ 4） ： 324-327．
［3］ 伊文婧，梁琦，裴庆冰． 氢能促进我国能源系统清洁低碳转型的
应用及进展［J］． 环境保护，2018，46（ 2） ： 30-34．
［4］ 杨波． 我国能源发展趋势前瞻及政策建议［J］． 开放导报，2017
（ 5） ： 39-43．
［5］ 许拯瑞．“双碳目标”下传统化石能源与新能源发展趋势［J］． 石

Water Power Vol．49 No．9 89