CN112395811B - 一种基于系统变工况特性的压缩空气储能系统优化设计方法 - Google Patents
一种基于系统变工况特性的压缩空气储能系统优化设计方法 Download PDFInfo
- Publication number
- CN112395811B CN112395811B CN202011333574.2A CN202011333574A CN112395811B CN 112395811 B CN112395811 B CN 112395811B CN 202011333574 A CN202011333574 A CN 202011333574A CN 112395811 B CN112395811 B CN 112395811B
- Authority
- CN
- China
- Prior art keywords
- working condition
- thermodynamic state
- parameters
- design
- parameter
- 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.)
- Active
Links
- 238000013461 design Methods 0.000 title claims abstract description 54
- 238000004146 energy storage Methods 0.000 title claims abstract description 48
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000005457 optimization Methods 0.000 title claims abstract description 35
- 238000004458 analytical method Methods 0.000 claims abstract description 25
- 238000011156 evaluation Methods 0.000 claims abstract description 7
- 230000006872 improvement Effects 0.000 claims abstract description 3
- 238000004364 calculation method Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 9
- 230000007613 environmental effect Effects 0.000 claims description 7
- 239000006185 dispersion Substances 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000011527 multiparameter analysis Methods 0.000 claims description 2
- 239000002245 particle Substances 0.000 claims description 2
- 108010075226 adenovirus factor PL Proteins 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 238000011161 development Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 2
- 229910052799 carbon Inorganic materials 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/28—Design optimisation, verification or simulation using fluid dynamics, e.g. using Navier-Stokes equations or computational fluid dynamics [CFD]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/08—Thermal analysis or thermal optimisation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Computer Hardware Design (AREA)
- Mathematical Optimization (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Analysis (AREA)
- Fluid Mechanics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Algebra (AREA)
- Pure & Applied Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Feedback Control In General (AREA)
Abstract
本发明提供了一种考虑系统变工况特性的压缩空气储能系统优化设计方法,包括:以系统设计点效率等为优化目标,采用优化方法得到系统的优化点参数;针对系统的设计点参数和工作的变工况环境,得到该环境下一定时间内系统的变工况特性;对变工况结果进行离散,每一离散点包含热力学状态及评价指标值;绘制工况分析曲线,给出关键设计参数的改进方向;改进设计点总体参数,综合考虑各个参数的调整方向和参数之间的约束关系,改变1个或某几个参数的设计点;将改进后的参数作为固定值,重复进行以上步骤,直至工况分析结果达到要求。本发明的优化设计方法可以在系统优化设计时考虑其应用环境及变工况特性,使系统设计更加高效、可靠。
Description
技术领域
本发明涉及压缩空气储能领域,涉及一种压缩空气储能系统优化设计方法,尤其涉及一种基于系统变工况特性的压缩空气储能系统优化设计方法。
背景技术
21世纪以来,全球电力需求继续增长,全球能源与环境问题日益恶化,人们更加关注能源的清洁、低碳、高效发展,可再生能源的发展越来越受到重视。但由于可再生能源固有的较强随机性、波动性和间歇性限制了其大规模应用和发展。储能可通过能量在不同时间之间的平移,解决可再生能源的随机性、间歇性和波动性问题,是实现可再生能源大规模利用的重要途径。各种储能技术中,压缩空气储能具有规模大、成本低、寿命长和环境优化等优点,压缩空气储能技术成为目前最具发展潜力的大规模电力储能技术。除此之外,压缩空气储能技术也是电网削峰填谷、分布式能源系统和智能电网的关键技术。
压缩空气储能系统接入可再生能源时,波动性和间歇性使系统长期处于变工况条件下运行,除此之外,以下因素也将引起压缩空气储能系统变工况运行:压缩空气储能系统用于微网、分布式能源系统等时,根据整体系统负荷平衡要求,需要经常调节压缩机负荷、膨胀机负荷;由于储气室压力不断升高导致压缩机处于变背压条件下运行;环境条件改变,如大气温度与压力波动等;长期运行后部件性能恶化等。可见可再生能源接入下,不仅可再生能源的随机性、波动性和间歇性引起压缩空气储能系统变工况运行,其他压缩空气储能系统自身特性及环境变化也会引起系统变工况运行。
由于压缩空气储能系统经常变工况运行,而以往的系统设计仅考虑其设计工况的热力性能和经济性能等,未能考虑其变工况特性,使系统的优化设计参数与实际运行参数产生较大偏差,使系统真实运行效率较低。因此亟需建立一种考虑系统变工况特性的压缩空气储能系统优化设计方法。
发明内容
针对现有技术的上述技术问题,本发明提供了一种考虑系统变工况特性的压缩空气储能系统优化设计方法,该方法基于系统的变工况特性,通过不断调整设计点参数,使系统高效运行区与实际运行区重合,实现系统在应用环境内的整体高效运行。本发明建立工况离散图和工况分析图用于系统设计点改进,最终建立考虑系统变工况特性的压缩空气储能系统优化设计方法,该方法综合考虑系统的应用环境及变工况特性,使系统设计更加高效、可靠。
本发明为实现其技术目的所采用的技术方案为:
一种考虑系统变工况特性的压缩空气储能系统优化设计方法,其特征在于,所述优化设计方法至少包括如下步骤:
步骤A:以压缩空气储能系统的成本、实际工程可实现性、和/或实际应用环境条件等为约束条件,以系统设计点评价指标为优化目标,采用优化方法得到系统设计点的优化参数;
步骤B:以步骤A得到的系统设计点优化参数,建立压缩空气储能系统的变工况运行模型;基于所述变工况运行模型,针对系统工作的变工况环境,计算压缩空气储能系统在该变工况环境条件下一定时间内系统的变工况特性,得出系统在每一时间点的性能指标值和热力学状态参数值;
步骤C:基于步骤B得到的系统变工况特性计算结果,首先,将每一热力学状态参数的变化范围划分为多个连续的子范围,并为每一子范围设定一参数代表值;其次,以时间为步长,对变工况特性计算结果进行离散,每一时间离散点即工况点对应一组热力学状态值及性能指标值,每一热力学状态值对应子范围的参数代表值;
步骤D:基于步骤C所得工况离散结果,针对每一热力学状态参数,计算其每一子范围参数代表值的概率-负荷因子PL,并以该热力学状态参数的子范围参数代表值为横坐标,以每一子范围参数代表值对应的PL因子及某一性能指标值为纵坐标,绘制该热力学状态参数的工况分析曲线,进行工况分析,给出该热力学状态参数的调整方向,所述调整方向为使得性能指标值最高点向PL因子最高点靠拢;
步骤E:改进设计点总体参数,具体步骤为,根据步骤D所得每一热力学状态参数的工况分析结果,综合考虑各热力学状态参数的调整方向以及各热力学状态参数之间的约束关系,改变其中某1个或几个热力学状态参数的设计点;
步骤F:将改进后的热力学状态参数作为固定值,进入步骤A,并重复进行以上步骤,直至工况分析结果达到要求。
优选地,所述的步骤A中,所述实际应用环境条件至少包括实际应用环境的负荷需求、环境温度、和/或环境压力等;所述系统设计点评价指标为系统设计点效率、能量密度、和/或其他评价指标;所述优化方法可为数学规划方法,也可为神经网络优化算法、粒子群优化算法等其他优化算法,其目的在于根据约束条件和目标函数得出系统的优化点参数,所述优化点参数至少包括系统结构和参数的最佳配置。
优选地,所述的步骤B中,系统工作的变工况环境条件,包括系统实际工作的负荷和/或环境温度、压力特征;所述计算压缩空气储能系统在该变工况环境下一定时间内的系统的变工况特性为,计算一段时间或多段典型时间段(天,季节,全年等)的变工况特性,得出每一时间点的性能指标值和热力学状态参数值,所述性能指标为效率、系统负荷或其他考虑环境、生态等因素的评价指标,所述热力学状态参数至少包括流量、总压比、总膨胀比等参数,这些热力学状态参数将用于系统设计点的进一步改进。
优选地,所述的步骤C具体包括:
步骤C1:根据于步骤B得到的系统变工况特性计算结果,获取每一热力学状态参数的变化范围,并将每一热力学状态参数的变化范围划分为N个连续的子范围,N为不小于2的整数,每个子范围均对应设定一个参数代表值,该参数代表值可为该子范围边界值也可为中间某一值;
步骤C2:以时间为步长,将整个变工况过程离散为M个过程,M为不小于2的整数,每个时间离散点均对应一组热力学状态参数值及性能指标值,每个热力学状态参数值均会落在步骤C1中一对应的子范围中,用子范围参数代表值代替实际的热力学状态参数值,这样对于每一个热力学状态参数,M个时间离散点中共有N个子范围参数代表值。
优选地,所述的步骤D具体包括:
步骤D1:基于步骤C所得工况离散结果,针对每一热力学状态参数,逐一计算其N个子范围参数代表值的概率-负荷因子PL,具体步骤为:对于离散的M个工况点,对于某一个热力学状态参数,其N个子范围参数代表值中的每一个参数代表值对应一个平均效率、平均负荷和其出现的概率,其中,M个工况点中该参数值出现的数量和M的比例,即为该范围内所有工况点的概率,平均/>效率和平均负荷的计算可取算术平均也可以为其他形式平均;定义概率-负荷因子(即PL因子),其综合反映某一个工况点的重要性(负荷和出现的概率),PL因子可为概率和负荷的乘积形式;
步骤D2:绘制各热力学状态参数的工况分析曲线,该工况分析曲线的横坐标为某一热力学状态参数(如负荷、流量、总压比、总膨胀比等)的N个子范围参数代表值,纵坐标为平均效率和PL因子;
步骤D3:为使系统整体运行效率较高,应使负荷较大且出现概率高的工况具有较高的效率,因此观测效率最高点和PL最高点对应热力学状态点是否相同,如果相差较大,该热力学参数的设计值的调整方向应为最大PL因子处。
进一步地,所述步骤D中,PL因子不仅可为平均负荷乘以概率的形式,也可以为其他反应某一工况点重要性的其他形式。
进一步地,所述步骤D中,工况分析曲线不仅限于一个横坐标的单参数分析曲线,也可以为多个横坐标的多参数分析曲线。
优选地,所述步骤E中,设计点总体参数可为总压比、总膨胀比、流量等参数,参数之间的约束关系指热力学约束关系等其他工程方面的约束条件。
优选地,所述步骤F中,涉及的分析结果达到要求,指下一次循环计算的系统整个过程效率未出现明显上升,并且工况分析图中的最高效率点与最大PL因子对应的热力学参数值近似相等。
同现有技术相比,本发明所述的考虑系统变工况特性的压缩空气储能系统优化设计方法,基于系统的变工况特性,通过不断调整设计点参数,使系统高效运行区与实际运行区重合,实现系统在应用环境内的整体高效运行。本发明建立工况离散图和工况分析图用于系统设计点改进,最终建立考虑系统变工况特性的压缩空气储能系统优化设计方法,该方法综合考虑系统的应用环境及变工况特性,使系统设计更加高效、可靠。该方法的适用场合不仅为压缩空气储能独立储能,当压缩空气储能是混合储能系统的一部分时,本方法也可对压缩空气储能系统进行设计优化。
附图说明
图1为本发明的考虑系统变工况特性的压缩空气储能系统优化设计方法中的工况离散过程示意图;
图2为本发明的考虑系统变工况特性的压缩空气储能系统优化设计方法中的工况分析曲线图。
具体实施方式
为使本发明实施的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行更加详细的描述。在附图中,自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。所描述的实施例是本发明一部分实施例,而不是全部的实施例。下面通过参考附图描述的实施例是示例性的,旨在用于解释本发明,而不能理解为对本发明的限制。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。下面结合附图对本发明的结构、技术方案作进一步的具体描述,给出本发明的一个实施例。
本发明提供了一种考虑系统变工况特性的压缩空气储能系统优化设计方法,包括如下步骤:
步骤A:以成本、实际工程可实现性、应用环境(负荷需求、环境温度等)为约束条件,以系统设计点效率为优化目标,采用神经网络优化方法得到系统结构和参数的最佳配置。
步骤B:以上述得到系统设计点为基础,建立压缩空气储能系统的变工况模型,根据某地的工作环境,在一年12个月中各选一天,计算其变工况特性,得出每一时间点的效率。
步骤C:如图1所示纵坐标的处理方式,根据变工况计算结果,获取热力学状态参数:流量、总压比的变化范围,并将以上范围分别划分为连续的N个子范围,每个子范围均有一个参数代表值(取中间值)对应。即流量和总压比均有N个子范围和子范围参数代表值。同时,如图1横坐标的处理方式,以时间为步长,将整个变工况过程离散为M个过程,每个时间点均对应一组热力学参数值(取中间值),其中流量和总压比的实际值分别用其子范围参数值代替,这样对于流量(或总压比),M个时间离散点中有N个参数值。
步骤D:计算N个流量和总压比值的概率-负荷因子,具体步骤为:对于离散的M个工况点,对于流量或总压比,N个参数值中的其中一个参数值对应一个平均效率(取算术平均)、平均负荷(取算术平均)和其出现的概率(M个工况点中该参数值出现的数量和M的比例,即为该范围内所有工况点的概率)。定义概率-负荷因子(PL因子),PL因子为概率和平均负荷的乘积形式。分别绘制流量和总压比的工况分析图,工况分析图如图2所示,该分析图横坐标为总压比或流量的N个参数值,纵坐标为平均/>效率和PL因子。观测效率最高点和PL最高点对应热力学状态点是否相同,该热力学参数的设计值的调整方向应为最大PL因子处。
步骤E:改进设计点总体参数(总压比、流量),具体步骤为,每个参数对应一个工况分析图,综合考虑各个参数的调整方向,改变总压比和流量的设计点。
步骤F:将改进后的参数作为固定值,进入步骤A,重复进行以上步骤,直至工况分析结果达到要求,即下一次循环计算的整个过程系统效率未出现明显上升,并且工况分析图中的最高效率点与最大PL因子对应的热力学参数值近似相等。
上述过程即完成了对总压比和流量的优化,当优化参数更多时,优化过程类似,仅需做更多的工况分析图。
与现有技术相比,本发明在现有压缩空气储能系统优化设计方法的基础上,通过变工况计算,对工况进行离散,绘制工况分析图,工况分析后不断调整设计点参数,使系统高效运行区与实际运行区重合,实现系统在应用环境内的整体高效运行,本发明使压缩空气储能系统设计时综合考虑了系统变工况特性,使系统设计更加高效、可靠。
通过上述实施例,完全有效地实现了本发明的目的。该领域的技术人员可以理解本发明包括但不限于附图和以上具体实施方式中描述的内容。虽然本发明已就目前认为最为实用且优选的实施例进行说明,但应知道,本发明并不限于所公开的实施例,任何不偏离本发明的功能和结构原理的修改都将包括在权利要求书的范围中。
Claims (7)
1.一种考虑系统变工况特性的压缩空气储能系统优化设计方法,其特征在于,所述优化设计方法至少包括如下步骤:
步骤A:以压缩空气储能系统的成本、实际工程可实现性、和/或实际应用环境条件为约束条件,以系统设计点评价指标为优化目标,采用优化方法得到系统设计点的优化参数;
步骤B:以步骤A得到的系统设计点优化参数,建立压缩空气储能系统的变工况运行模型;基于所述变工况运行模型,针对系统工作的变工况环境,计算压缩空气储能系统在变工况环境条件下一定时间内系统的变工况特性,得出系统在每一时间点的性能指标值和热力学状态参数值;
步骤C:基于步骤B得到的系统变工况特性计算结果,首先,将每一热力学状态参数的变化范围划分为多个连续的子范围,并为每一子范围设定一参数代表值;其次,以时间为步长,对变工况特性计算结果进行离散,每一时间离散点即工况点对应一组热力学状态值及性能指标值,每一热力学状态值对应子范围的参数代表值;
步骤D:基于步骤C所得工况离散结果,针对每一热力学状态参数,计算其每一子范围参数代表值的概率-负荷因子PL,并以该热力学状态参数的子范围参数代表值为横坐标,以每一子范围参数代表值对应的PL因子及某一性能指标值为纵坐标,绘制该热力学状态参数的工况分析曲线,进行工况分析,给出该热力学状态参数的调整方向,所述调整方向为使得性能指标值最高点向PL因子最高点靠拢;
步骤E:改进设计点总体参数,具体步骤为,根据步骤D所得每一热力学状态参数的工况分析结果,综合考虑各热力学状态参数的调整方向以及各热力学状态参数之间的约束关系,改变其中某1个或几个热力学状态参数的设计点;
步骤F:将改进后的热力学状态参数作为固定值,进入步骤A,并重复进行以上步骤,直至工况分析结果达到要求;
并且其中,所述的步骤C具体包括:
步骤C1:根据步骤B得到的系统变工况特性计算结果,获取每一热力学状态参数的变化范围,并将每一热力学状态参数的变化范围划分为N个连续的子范围,N为不小于2的整数,每个子范围均对应设定一个参数代表值,该参数代表值为该子范围的边界值或中间某一值;
步骤C2:以时间为步长,将整个变工况过程离散为M个过程,M为不小于2的整数,每个时间离散点均对应一组热力学状态参数值及性能指标值,每个热力学状态参数值均落在步骤C1中一对应的子范围中,用子范围参数代表值代替实际的热力学状态参数值,这样对于每一个热力学状态参数,M个时间离散点中共有N个子范围参数代表值。
2.根据权利要求1所述的考虑系统变工况特性的压缩空气储能系统优化设计方法,其特征在于,所述的步骤A中,所述实际应用环境条件至少包括实际应用环境的负荷需求、环境温度、和/或环境压力;所述系统设计点评价指标为系统设计点效率和/或能量密度;所述优化方法为数学规划方法、神经网络优化算法或粒子群优化算法,其目的在于根据约束条件和目标函数得出系统的优化点参数,所述优化点参数至少包括系统结构和参数的最佳配置。
3.根据权利要求1所述的考虑系统变工况特性的压缩空气储能系统优化设计方法,其特征在于,所述的步骤B中,系统工作的变工况环境条件包括系统实际工作的负荷和/或环境温度、压力特征;所述计算压缩空气储能系统在该变工况环境下一定时间内的系统的变工况特性为计算一段时间或多段典型时间段的变工况特性,得出每一时间点的性能指标值和热力学状态参数值,所述典型时间段为天、季节或全年,所述性能指标为㶲效率或系统负荷,所述热力学状态参数至少包括流量、总压比、及总膨胀比,这些热力学状态参数将用于系统设计点的进一步改进。
4.根据权利要求1所述的考虑系统变工况特性的压缩空气储能系统优化设计方法,其特征在于,所述的步骤D具体包括:
步骤D1:基于步骤C所得工况离散结果,针对每一热力学状态参数,逐一计算其N个子范围参数代表值的概率-负荷因子PL,具体步骤为:对于离散的M个工况点,对于某一个热力学状态参数,其N个子范围参数代表值中的每一个参数代表值对应一个平均㶲效率、平均负荷和其出现的概率,其中,M个工况点中该参数值出现的数量和M的比例,即为该范围内所有工况点的概率,平均㶲效率和平均负荷的计算取算术平均;定义概率-负荷因子PL,其综合反映某一个工况点的负荷和出现的概率,PL因子为概率和负荷的乘积形式;
步骤D2:绘制各热力学状态参数的工况分析曲线,该工况分析曲线的横坐标为一热力学状态参数的N个子范围参数代表值,纵坐标为平均㶲效率和PL因子,所述热力学状态参数为负荷、流量、总压比或总膨胀比;
步骤D3:为使系统整体运行效率较高,应使负荷较大且出现概率高的工况具有较高的效率,因此观测效率最高点和PL最高点对应热力学状态点是否相同,如果相差较大,热力学状态参数的设计值的调整方向应为最大PL因子处。
5.根据权利要求4所述的考虑系统变工况特性的压缩空气储能系统优化设计方法,其特征在于,所述步骤D中,工况分析曲线为一个横坐标的单参数分析曲线,或多个横坐标的多参数分析曲线。
6.根据权利要求1所述的考虑系统变工况特性的压缩空气储能系统优化设计方法,其特征在于,所述步骤E中,设计点总体参数为总压比、总膨胀比或流量,参数之间的约束关系指热力学约束关系。
7.根据权利要求1所述的考虑系统变工况特性的压缩空气储能系统优化设计方法,其特征在于,所述步骤F中,涉及的分析结果达到要求,指下一次循环计算的系统整个过程效率未出现明显上升,并且工况分析图中的最高效率点与最大PL因子对应的热力学参数值近似相等。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011333574.2A CN112395811B (zh) | 2020-11-25 | 2020-11-25 | 一种基于系统变工况特性的压缩空气储能系统优化设计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011333574.2A CN112395811B (zh) | 2020-11-25 | 2020-11-25 | 一种基于系统变工况特性的压缩空气储能系统优化设计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112395811A CN112395811A (zh) | 2021-02-23 |
CN112395811B true CN112395811B (zh) | 2023-10-27 |
Family
ID=74606211
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011333574.2A Active CN112395811B (zh) | 2020-11-25 | 2020-11-25 | 一种基于系统变工况特性的压缩空气储能系统优化设计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112395811B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113807015B (zh) * | 2021-09-17 | 2023-12-26 | 南方电网科学研究院有限责任公司 | 压缩空气储能系统参数优化方法、装置、设备及存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102542109A (zh) * | 2011-12-29 | 2012-07-04 | 西安交通大学 | 一种考虑负荷特性的火电机组热力系统优化设计方法 |
CN110555217A (zh) * | 2018-05-31 | 2019-12-10 | 中国人民解放军陆军军事交通学院 | 离心压气机变海拔全工况通流设计优化方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102693344B (zh) * | 2012-05-31 | 2014-09-10 | 天津工业大学 | 纺织专用高效节能多相异步电动机稳健性设计方法 |
-
2020
- 2020-11-25 CN CN202011333574.2A patent/CN112395811B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102542109A (zh) * | 2011-12-29 | 2012-07-04 | 西安交通大学 | 一种考虑负荷特性的火电机组热力系统优化设计方法 |
CN110555217A (zh) * | 2018-05-31 | 2019-12-10 | 中国人民解放军陆军军事交通学院 | 离心压气机变海拔全工况通流设计优化方法 |
Non-Patent Citations (1)
Title |
---|
考虑不确定汽电需求的蒸汽动力系统优化设计;李晖;孙力;贺高红;;化工学报(第01期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112395811A (zh) | 2021-02-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Park et al. | Predictive model for PV power generation using RNN (LSTM) | |
Welch et al. | Energy dispatch fuzzy controller for a grid-independent photovoltaic system | |
CN112395811B (zh) | 一种基于系统变工况特性的压缩空气储能系统优化设计方法 | |
CN112417651B (zh) | 一种基于后悔规避的用户级综合能源系统优化方法 | |
CN112241923B (zh) | 一种基于综合能源系统源荷等效外特性的配网电力平衡方法 | |
CN116307075B (zh) | 一种基于智能算法的度电燃煤成本优化方法及系统 | |
CN113991640B (zh) | 基于火电的多能互补能源基地能源配置规划方法 | |
CN114285086A (zh) | 基于改进蚁群算法的电化学储能电站能量调度方法及系统 | |
CN105552941B (zh) | 一种分布式电源调峰容量优化方法 | |
CN113420397B (zh) | 储能电站动态运行调控方法 | |
CN116596148A (zh) | 基于冷热电三联供的智慧电厂两阶段优化调度方法与系统 | |
CN213783243U (zh) | 一种面向产业园区的综合能源系统运行优化装置 | |
CN112785457B (zh) | 一种基于面板数据的分布式供能系统典型场景构建方法 | |
Kim et al. | On impact of randomly distributed PV systems on distribution networks | |
CN115049250A (zh) | 面向供需不确定性综合能源系统多目标规划方法及系统 | |
CN108629458B (zh) | 基于大数据的煤电机组优化运行方法 | |
Zatti et al. | The benefits of multi-energy systems optimization: The efficity project | |
Pihlap et al. | A control method for increasing the heat usage efficiency of nearly-zero-energy buildings with heat pumps. | |
CN112381670B (zh) | 一种综合能源系统的组件容量匹配全局寻优方法和系统 | |
Javaid et al. | Power flow management: Solvability condition for a system with controllable and fluctuating devices | |
CN116581815B (zh) | 一种基于大数据的源网荷协调配电控制系统 | |
CN115377963B (zh) | 一种异质性集群空调负荷新型温度设定值控制方法 | |
Ma et al. | Research on Wind-Photovoltaic Output Power Aggregation Method Considering Correlation | |
Kraemer et al. | Optimal positioning of renewable energy units | |
Hulak | Machine learning techniques for the energy generation analysis and prediction |
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 |