CN108038573A - 热量存储的预测方法及装置 - Google Patents
热量存储的预测方法及装置 Download PDFInfo
- Publication number
- CN108038573A CN108038573A CN201711328437.8A CN201711328437A CN108038573A CN 108038573 A CN108038573 A CN 108038573A CN 201711328437 A CN201711328437 A CN 201711328437A CN 108038573 A CN108038573 A CN 108038573A
- Authority
- CN
- China
- Prior art keywords
- heat
- transfer medium
- medium temperature
- generator terminal
- wheel generator
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000005338 heat storage Methods 0.000 title claims abstract description 26
- 230000005540 biological transmission Effects 0.000 claims abstract description 50
- 241001123248 Arma Species 0.000 claims description 8
- 150000003839 salts Chemical class 0.000 claims description 4
- 241000208340 Araliaceae Species 0.000 claims 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 claims 1
- 235000003140 Panax quinquefolius Nutrition 0.000 claims 1
- 235000008434 ginseng Nutrition 0.000 claims 1
- 238000005096 rolling process Methods 0.000 claims 1
- 230000008569 process Effects 0.000 abstract description 10
- 238000010586 diagram Methods 0.000 description 9
- 238000010248 power generation Methods 0.000 description 9
- 230000008901 benefit Effects 0.000 description 3
- 238000010438 heat treatment Methods 0.000 description 3
- 239000002699 waste material Substances 0.000 description 3
- 238000010521 absorption reaction Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000017525 heat dissipation Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/40—Solar thermal energy, e.g. solar towers
- Y02E10/46—Conversion of thermal power into mechanical power, e.g. Rankine, Stirling or solar thermal engines
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Heat-Pump Type And Storage Water Heaters (AREA)
- Engine Equipment That Uses Special Cycles (AREA)
Abstract
本发明实施例提供了一种热量存储的预测方法及装置。该热量存储的预测方法包括：获取塔端输出的传热介质温度；根据所述塔端输出的传热介质温度，预测轮机端的传热介质温度和轮机端的传热介质流量。本发明提供的热量存储的预测方法及装置，针对热量传输存储环节，根据塔端输出的传热介质温度，预测轮机端的传热介质温度和轮机端的传热介质流量，考虑到了热质传输需要的时间以及热量传输存储过程中的散热损耗问题，使得对光热发电系统存储的热量的预测更加准确，进而使得对光热发电系统的发电功率的预测更加准确。
Description
技术领域
本发明实施例涉及光热发电技术领域，尤其涉及一种热量存储的预测方法及装置。
背景技术
太阳能光热发电是指利用大规模阵列抛物或碟形镜面收集太阳热能，通过换热装置提供蒸汽，结合传统汽轮发电机的工艺，从而达到发电的目的。其原理是，通过反射镜将太阳光汇聚到太阳能收集装置，利用太阳能加热收集装置内的传热介质，再加热水形成蒸汽带动或者直接带动发电机发电。光热发电系统是一个相当复杂的系统，相比光伏发电系统和风力发电系统，其设备种类繁多、成本高、控制难度大。
塔式光热发电，也称集中型太阳能热发电，它的形式是利用一定数量的反射镜阵列，将太阳辐射反射到安置于塔顶端的太阳能接收器上，通过加热工质而产生过热蒸汽，驱动汽轮机发电机组发电，从而将吸收的太阳能转化为电能。
塔式光热发电系统包含了太阳能聚光、光热转换、热量传输、热量存储、轮机发电等多个环节。现有的塔式光热发电项目以系统正常运行为目标，将各环节的设备进行组装，在并网发电过程中，为了便于计划安排和调度控制，对系统的发电功率进行准确预测，则显得尤为重要。
但现有技术中，通常不考虑热质传输需要的时间以及热量传输存储过程中的散热损耗问题，使得对系统存储的热量的预测不够准确，进而使得对发电功率的预测不够准确。
发明内容
本发明实施例提供一种热量存储的预测方法及装置，以较为准确的预测光热发电系统存储的热量和发电功率。
为达到上述目的，本发明采用如下技术方案：
一方面，本发明提供一种热量存储的预测方法，包括：获取塔端输出的传热介质温度；根据所述塔端输出的传热介质温度，预测轮机端的传热介质温度和轮机端的传热介质流量。
另一方面，本发明还提供一种热量存储的预测装置，包括：获取模块，用于获取塔端输出的传热介质温度；预测模块，用于根据所述塔端输出的传热介质温度，预测轮机端的传热介质温度和轮机端的传热介质流量。
本发明提供的热量存储的预测方法及装置，针对热量传输存储环节，根据塔端输出的传热介质温度，预测轮机端的传热介质温度和轮机端的传热介质流量，考虑到了热质传输需要的时间以及热量传输存储过程中的散热损耗问题，使得对光热发电系统存储的热量的预测更加准确，进而使得对光热发电系统的发电功率的预测更加准确。
上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
图1为塔式光热发电系统的结构示意图；
图2为本发明提供的热量存储的预测方法一个实施例的流程示意图；
图3为本发明提供的热量存储的预测方法又一个实施例的流程示意图；
图4为时间序列数值模型的训练和预测过程的工作原理示意图；
图5为本发明提供的热量存储的预测装置一个实施例的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
本发明实施例的热量存储的预测方法及装置是针对塔式光热发电系统的，为更好的说明本发明实施例的热量存储的预测方法及装置，下面对塔式光热发电系统进行说明。图1为塔式光热发电系统的结构示意图，如图1所示，太阳发出的太阳光经定日镜反射后，被安置于塔架顶端的太阳能接收器接收，通过加热传热介质，而产生过热蒸汽，驱动汽轮发电机发电，输入电网，从而将吸收的太阳能转化为电能。
本发明实施例针对塔式光热发电系统中的热量传输存储环节，采用时间序列数值模型进行预测，得到轮机端的传热介质温度的预测值和轮机端的传热介质流量的预测值，进而得到光热发电系统存储的热量的预测值。时间序列是按照时间排序的一组随机变量，它通常是在相等间隔的时间段内，依照给定的采样率，对某种潜在过程进行观测的结果。时间序列数据广泛地存在于商业、农业、气象、生物科学以及生态学等诸多领域，从时间序列中可以通过数据挖掘发现有用的知识。
下面结合附图对本发明实施例热量存储的预测方法及装置进行详细描述。
实施例一
图2为本发明提供的热量存储的预测方法一个实施例的流程示意图。如图2所示，本发明实施例的热量存储的预测方法具体可包括以下步骤：
S201，获取塔端输出的传热介质温度。
S202，根据塔端输出的传热介质温度，预测轮机端的传热介质温度和轮机端的传热介质流量。
具体的，本发明实施例针对热量传输存储环节，给出了如何准确计算存储的传热介质的热量。具体可根据塔端输出的传热介质温度，预测轮机端的传热介质温度和轮机端的传热介质流量来实现。
此处需要说明的是，本发明实施例的光热发电功率的预测方法中，考虑到热量传输存储环节的时间滞后和散热损失问题，即塔端输出的传热介质的温度不等于轮机端传热介质的温度，因此为实现对光热发电系统存储的热量的准确预测，需要根据塔端输出的传热介质温度，来预测轮机端的传热介质温度和轮机端的传热介质流量。
本发明实施例的热量存储的预测方法，针对热量传输存储环节，根据塔端输出的传热介质温度，预测轮机端的传热介质温度和轮机端的传热介质流量，考虑到了热质传输需要的时间以及热量传输存储过程中的散热损耗问题，使得对光热发电系统存储的热量的预测更加准确，进而使得对光热发电系统的发电功率的预测更加准确。
实施例二
图3为本发明提供的热量存储的预测方法又一个实施例的流程示意图。本发明实施例的热量存储的预测方法，为图2所示实施例的热量存储的预测方法的一种具体实施方式。如图3所示，本发明实施例的热量存储的预测方法具体可包括以下步骤：
图2所示实施例中的步骤S201具体可包括以下步骤S301。
S301，获取塔端输出的传热介质温度的历史数据和塔端输出的传热介质温度的预测值。
具体的，塔端输出的传热介质温度的预测值可以针对光热转换环节进行预测得到，例如基于气象数据和定日镜控制参数，采用支持向量机(Support Vector Machine，简称SVM)数值模型预测得到。
图2所示实施例中的步骤S202具体可包括以下步骤：根据塔端输出的传热介质温度，基于热量传输存储数值模型，预测轮机端的传热介质温度和轮机端的传热介质流量。
具体的，针对热量传输存储环节，根据塔端输出的传热介质温度，预测轮机端的传热介质温度和轮机端的传热介质流量，具体可采用特定的计算公式或者利用机器学习训练得到的热量传输存储数值模型进行预测。热量传输存储数值模型具体可以为时间序列数值模型。
进一步的，基于热量传输存储数值模型，图2所示实施例中的步骤S202具体可包括以下步骤S302和S303。
S302，以塔端输出的传热介质温度的历史数据作为输入，以轮机端的传热介质温度的历史数据和轮机端的传热介质流量的历史数据作为输出，训练得到热量传输存储数值模型。
具体的，本步骤为热量传输存储环节的热量传输存储数值模型的训练过程。以塔端输出的传热介质温度的历史数据作为热量传输存储数值模型的输入，以轮机端的传热介质温度的历史数据和轮机端的传热介质流量的历史数据作为热量传输存储数值模型的输出，采用数值算法例如时间序列算法，训练得到热量传输存储环节的热量传输存储数值模型。
S303，以塔端输出的传热介质温度的预测值作为输入，基于热量传输存储数值模型，获取输出的轮机端的传热介质温度的预测值和轮机端的传热介质流量的预测值。
具体的，本步骤为热量传输存储环节的热量传输存储数值模型的预测过程。以塔端输出的传热介质温度的预测值作为热量传输存储数值模型的输入，基于训练好的热量传输存储数值模型进行预测，获取热量传输存储数值模型输出的轮机端的传热介质温度的预测值和轮机端的传热介质流量的预测值。
进一步的，时间序列算法具体可包括但不限于以下算法中的任意一种或多种：时间序列移动平均模型(Moving Average，简称MA)、时间序列自回归模型(Autoregressive，简称AR)和时间序列自回归移动平均模型(Autoregressive Moving Average，简称ARMA)等。
进一步的，步骤S302中，训练得到热量传输存储数值模型时，作为输入的参数的历史数据还可以包括但不限于以下参数中的任意一种或多种的历史数据：存储罐温度、存储罐存储的传热介质的体积、存储罐输出的传热介质流量和存储罐输出的传热介质流速等。
进一步的，步骤S303中，基于热量传输存储数值模型进行预测时，作为输入的参数的预测值还可以包括但不限于以下参数中的任意一种或多种的预测值：存储罐温度、存储罐存储的传热介质的体积、存储罐输出的传热介质流量和存储罐输出的传热介质流速等。
本发明采用时间序列移动平均模型MA来建模。用Xt表示MA系统在t时刻轮机端的传热介质温度和轮机端的传热介质流量，它与之前时刻t-1，t-2，……进入系统的扰动at-1，at-2，……(a表示塔端输出的传热介质温度、存储罐温度、存储罐存储的传热介质的体积、存储罐输出的传热介质流量和存储罐输出的传热介质流速组成的数组)存在如下相关关系：
Xt＝θ0at-θ1at-1-θ2at-2-…-θmat-m (1)
式(1)中，θi表示Xt对at-i的依赖程度即权重，Xt表示当前轮机端的传热介质温度和轮机端的传热介质流量的观测值。
通过以上流程即可建立塔端输出的传热介质温度、存储罐温度、存储罐存储的传热介质的体积、存储罐输出的传热介质流量、存储罐输出的传热介质流速、轮机端的传热介质温度和轮机端的传热介质流量之间的时间序列数值模型，然后将实际历史数据带入此模型，通过时间序列算法训练学习，即可得到权重θi的数值。在得到权重θi之后，将塔端输出的传热介质温度、存储罐温度、存储罐存储的传热介质的体积、存储罐输出的传热介质流量、存储罐输出的传热介质流速的预测值代入到模型中，即可计算得到轮机端的传热介质温度的预测值和轮机端的传热介质流量的预测值。从原理上来说，从传热介质塔端传输到存储罐是需要一定的时间的，这个时间是不可以忽略的，可以采用时间序列算法来训练学习，精确估计这一滞后值的数值。热损是同样的道理，环境参数不同热损量不同，另外我们需要计算的是一段时间内的累积热损值，通过时间序列算法训练学习得到第10分钟前损失了多少热量，第9分钟前损失了多少热量……，这样通过上面的模型最终会得到当前轮机端的传热介质温度和轮机端的传热介质流量。
具体操作流程可如图4所示，首先进行模型选择和模型定阶步骤，然后基于历史观测数据对时间序列模型中的参数进行估计，得到初始预测模型。基于当前观测数据对初始预测模型进行验证，确定该模型是否可取，若是，则将该初始预测模型确定为最终预测模型，若否，则返回模型选择步骤。基于最终预测模型进行热量存储预测。
进一步的，传热介质具体可以为熔盐等。
本发明实施例的热量存储的预测方法，针对热量传输存储环节，根据塔端输出的传热介质温度，预测轮机端的传热介质温度和轮机端的传热介质流量，考虑到了热质传输需要的时间以及热量传输存储过程中的散热损耗问题，使得对光热发电系统存储的热量的预测更加准确，进而使得对光热发电系统的发电功率的预测更加准确。
实施例三
图5为本发明提供的热量存储的预测装置一个实施例的结构示意图。本发明实施例的热量存储的预测装置可用于执行上述实施例一或二所示的热量存储的预测方法。如图5所示，本发明实施例的热量存储的预测装置具体可包括：获取模块51和预测模块52。
获取模块51，用于获取塔端输出的传热介质温度。
预测模块52，用于根据塔端输出的传热介质温度，预测轮机端的传热介质温度和轮机端的传热介质流量。
进一步的，获取模块51可具体用于：获取塔端输出的传热介质温度的历史数据和塔端输出的传热介质温度的预测值。
进一步的，预测模块52具体可用于：根据塔端输出的传热介质温度，基于热量传输存储数值模型，预测轮机端的传热介质温度和轮机端的传热介质流量。
进一步的，预测模块52具体可包括：训练单元和预测单元。
训练单元，用于以塔端输出的传热介质温度的历史数据作为输入，以轮机端的传热介质温度的历史数据和轮机端的传热介质流量的历史数据作为输出，训练得到热量传输存储数值模型。
预测单元，用于以塔端输出的传热介质温度的预测值作为输入，基于热量传输存储数值模型，获取输出的轮机端的传热介质温度的预测值和轮机端的传热介质流量的预测值。
进一步的，训练单元训练得到热量传输存储数值模型时，作为输入的参数的历史数据还包括以下参数中的任意一种或多种的历史数据：存储罐温度、存储罐存储的传热介质的体积、存储罐输出的传热介质流量和存储罐输出的传热介质流速。
进一步的，预测单元基于热量传输存储数值模型进行预测时，作为输入的参数的预测值还包括以下参数中的任意一种或多种的预测值：存储罐温度、存储罐存储的传热介质的体积、存储罐输出的传热介质流量和存储罐输出的传热介质流速。
进一步的，热量传输存储数值模型具体可以为时间序列数值模型。
进一步的，时间序列数值模型可以采用时间序列算法训练得到，时间序列算法具体可包括但不限于以下算法中的任意一种或多种：时间序列移动平均模型MA、时间序列自回归模型AR和时间序列自回归移动平均模型ARMA等。
进一步的，传热介质具体可以为熔盐等。
具体的，本发明实施例的热量存储的预测装置中的各模块，实现其功能的具体过程可参见上述实施例一或二所示的热量存储的预测方法。
本发明实施例的热量存储的预测方法，针对热量传输存储环节，根据塔端输出的传热介质温度，预测轮机端的传热介质温度和轮机端的传热介质流量，考虑到了热质传输需要的时间以及热量传输存储过程中的散热损耗问题，使得对光热发电系统存储的热量的预测更加准确，进而使得对光热发电系统的发电功率的预测更加准确。
本领域普通技术人员可以理解：实现上述各方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成。前述的程序可以存储于一计算机可读取存储介质中。该程序在执行时，执行包括上述各方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (16)
1.一种热量存储的预测方法，其特征在于，包括：
获取塔端输出的传热介质温度；
根据所述塔端输出的传热介质温度，预测轮机端的传热介质温度和轮机端的传热介质流量。
2.根据权利要求1所述的预测方法，其特征在于，所述获取塔端输出的传热介质温度包括：
获取所述塔端输出的传热介质温度的历史数据和所述塔端输出的传热介质温度的预测值。
3.根据权利要求2所述的预测方法，其特征在于，所述根据所述塔端输出的传热介质温度，预测轮机端的传热介质温度和轮机端的传热介质流量，包括：
根据所述塔端输出的传热介质温度，基于热量传输存储数值模型，预测所述轮机端的传热介质温度和所述轮机端的传热介质流量。
4.根据权利要求3所述的预测方法，其特征在于，所述根据所述塔端输出的传热介质温度，基于热量传输存储数值模型，预测所述轮机端的传热介质温度和所述轮机端的传热介质流量，包括：
以所述塔端输出的传热介质温度的历史数据作为输入，以所述轮机端的传热介质温度的历史数据和所述轮机端的传热介质流量的历史数据作为输出，训练得到所述热量传输存储数值模型；
以所述塔端输出的传热介质温度的预测值作为输入，基于所述热量传输存储数值模型，获取输出的所述轮机端的传热介质温度的预测值和所述轮机端的传热介质流量的预测值。
5.根据权利要求4所述的预测方法，其特征在于，训练得到所述热量传输存储数值模型时，作为输入的参数的历史数据还包括以下参数中的任意一种或多种的历史数据：存储罐温度、存储罐存储的传热介质的体积、存储罐输出的传热介质流量和存储罐输出的传热介质流速；
基于所述热量传输存储数值模型进行预测时，作为输入的参数的预测值还包括以下参数中的任意一种或多种的预测值：存储罐温度、存储罐存储的传热介质的体积、存储罐输出的传热介质流量和存储罐输出的传热介质流速。
6.根据权利要求3-5任一项所述的预测方法，其特征在于，所述热量传输存储数值模型为时间序列数值模型。
7.根据权利要求6所述的预测方法，其特征在于，所述时间序列数值模型采用时间序列算法训练得到，所述时间序列算法包括以下算法中的任意一种或多种：时间序列移动平均模型MA、时间序列自回归模型AR和时间序列自回归移动平均模型ARMA。
8.根据权利要求1-5任一项所述的预测方法，其特征在于，所述传热介质具体为熔盐。
9.一种热量存储的预测装置，其特征在于，包括：
获取模块，用于获取塔端输出的传热介质温度；
预测模块，用于根据所述塔端输出的传热介质温度，预测轮机端的传热介质温度和轮机端的传热介质流量。
10.根据权利要求9所述的预测装置，其特征在于，所述获取模块具体用于：
获取所述塔端输出的传热介质温度的历史数据和所述塔端输出的传热介质温度的预测值。
11.根据权利要求10所述的预测装置，其特征在于，所述预测模块具体用于：
根据所述塔端输出的传热介质温度，基于热量传输存储数值模型，预测所述轮机端的传热介质温度和所述轮机端的传热介质流量。
12.根据权利要求11所述的预测装置，其特征在于，所述预测模块具体包括：
训练单元，用于以所述塔端输出的传热介质温度的历史数据作为输入，以所述轮机端的传热介质温度的历史数据和所述轮机端的传热介质流量的历史数据作为输出，训练得到所述热量传输存储数值模型；
预测单元，用于以所述塔端输出的传热介质温度的预测值作为输入，基于所述热量传输存储数值模型，获取输出的所述轮机端的传热介质温度的预测值和所述轮机端的传热介质流量的预测值。
13.根据权利要求12所述的预测装置，其特征在于，所述训练单元训练得到所述热量传输存储数值模型时，作为输入的参数的历史数据还包括以下参数中的任意一种或多种的历史数据：存储罐温度、存储罐存储的传热介质的体积、存储罐输出的传热介质流量和存储罐输出的传热介质流速；
所述预测单元基于所述热量传输存储数值模型进行预测时，作为输入的参数的预测值还包括以下参数中的任意一种或多种的预测值：存储罐温度、存储罐存储的传热介质的体积、存储罐输出的传热介质流量和存储罐输出的传热介质流速。
14.根据权利要求11-13任一项所述的预测装置，其特征在于，所述热量传输存储数值模型为时间序列数值模型。
15.根据权利要求14所述的预测装置，其特征在于，所述时间序列数值模型采用时间序列算法训练得到，所述时间序列算法包括以下算法中的任意一种或多种：时间序列移动平均模型MA、时间序列自回归模型AR和时间序列自回归移动平均模型ARMA。
16.根据权利要求9-13任一项所述的预测装置，其特征在于，所述传热介质具体为熔盐。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711328437.8A CN108038573B (zh) | 2017-12-13 | 2017-12-13 | 热量存储的预测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711328437.8A CN108038573B (zh) | 2017-12-13 | 2017-12-13 | 热量存储的预测方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108038573A true CN108038573A (zh) | 2018-05-15 |
| CN108038573B CN108038573B (zh) | 2022-08-30 |
Family
ID=62102632
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711328437.8A Active CN108038573B (zh) | 2017-12-13 | 2017-12-13 | 热量存储的预测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108038573B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5661670A (en) * | 1995-05-25 | 1997-08-26 | Midwest Research Institute | Method and system for simulating heat and mass transfer in cooling towers |
| US20110276269A1 (en) * | 2010-05-07 | 2011-11-10 | Hummel Steven G | Systems and methods for forecasting solar power |
| CN103927601A (zh) * | 2014-04-22 | 2014-07-16 | 国家电网公司 | 基于自回归滑动平均模型的光伏发电功率超短期预测方法 |
| CN105404937A (zh) * | 2015-11-26 | 2016-03-16 | 北京国电通网络技术有限公司 | 一种光伏电站短期功率预测方法和系统 |
| CN107220723A (zh) * | 2017-04-20 | 2017-09-29 | 华北电力大学 | 一种光伏电站功率预测方法 |
-
2017
- 2017-12-13 CN CN201711328437.8A patent/CN108038573B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5661670A (en) * | 1995-05-25 | 1997-08-26 | Midwest Research Institute | Method and system for simulating heat and mass transfer in cooling towers |
| US20110276269A1 (en) * | 2010-05-07 | 2011-11-10 | Hummel Steven G | Systems and methods for forecasting solar power |
| CN103927601A (zh) * | 2014-04-22 | 2014-07-16 | 国家电网公司 | 基于自回归滑动平均模型的光伏发电功率超短期预测方法 |
| CN105404937A (zh) * | 2015-11-26 | 2016-03-16 | 北京国电通网络技术有限公司 | 一种光伏电站短期功率预测方法和系统 |
| CN107220723A (zh) * | 2017-04-20 | 2017-09-29 | 华北电力大学 | 一种光伏电站功率预测方法 |
Non-Patent Citations (3)
| Title |
|---|
| 段小容等: "基于神经网络的冷却塔性能预测与评估", 《全国暖通空调制冷2010年学术年会》 * |
| 潘楚芸等: "塔式太阳能聚热发电换热系统过热蒸汽温度多模型预测控制", 《中国科技论文》 * |
| 钱丰: "太阳能热发电的研究", 《万方数据库》 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108038573B (zh) | 2022-08-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Boretti | Integration of solar thermal and photovoltaic, wind, and battery energy storage through AI in NEOM city | |
| CN104408534B (zh) | 基于联立方程模型的塔式太阳能热电系统运行优化方法 | |
| Mohammed et al. | Particle swarm optimization of a hybrid wind/tidal/PV/battery energy system. Application to a remote area in Bretagne, France | |
| Olivares et al. | A centralized optimal energy management system for microgrids | |
| CN105426956B (zh) | 一种超短期光伏预测方法 | |
| CN103473393B (zh) | 一种考虑随机概率的输电裕度控制模型建模方法 | |
| KR102143757B1 (ko) | 딥러닝을 포함한 인공지능을 적용시킨 풍력 발전장치 | |
| WO2011124720A2 (en) | Clouds managing system for a solar field, method for operating the clouds management system and solar field with the clouds managing system | |
| CN104037791B (zh) | 基于多智能体技术的风光储发电协调控制方法 | |
| CN103530473A (zh) | 一种含大规模光伏电站的电力系统随机生产模拟方法 | |
| CN103955768A (zh) | 基于bp神经网络模型的csp辐射与热能预测方法 | |
| Ayadi et al. | Techno-economic assessment of concentrating solar power and wind hybridization in Jordan | |
| CN114037337A (zh) | 一种基于模型预测控制的微能源网优化调度方法及系统 | |
| CN106100002A (zh) | 一种交直流混合微网的优化运行方法 | |
| Yin et al. | Towards complementary operations of offshore wind farm and photovoltaic array: A centralized reinforcement learning enabled control approach | |
| CN108171363B (zh) | 光热发电功率的预测方法及装置 | |
| CN103187736A (zh) | 含风电场有功调度系统 | |
| CN102709926A (zh) | 智能电网建设中基于相关向量机的旋转热备用的调度方法 | |
| CN108038573A (zh) | 热量存储的预测方法及装置 | |
| CN204244139U (zh) | 一种风光互补发电系统 | |
| Kannaiyan et al. | Dynamic modeling and simulation of a hybrid solar thermal power plant | |
| Zhao et al. | Research on reliability evaluation of power generation system with solar thermal power | |
| MOLU et al. | Solar Irradiance Forecasting Based on Deep Learning for Sustainable Electrical Energy in Cameroon | |
| Shetaya et al. | Model predictive control based power system operation planning of grid connected high share renewable energy | |
| Oukili et al. | Evaluation of the Moroccan power grid adequacy with introduction of concentrating solar power (CSP) using solar tower and parabolic trough mirrors technology |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |