CN113420397B - 储能电站动态运行调控方法 - Google Patents

储能电站动态运行调控方法 Download PDF

Info

Publication number
CN113420397B
CN113420397B CN202110641971.4A CN202110641971A CN113420397B CN 113420397 B CN113420397 B CN 113420397B CN 202110641971 A CN202110641971 A CN 202110641971A CN 113420397 B CN113420397 B CN 113420397B
Authority
CN
China
Prior art keywords
energy storage
power station
storage power
heat transfer
optimization
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
Application number
CN202110641971.4A
Other languages
English (en)
Other versions
CN113420397A (zh
Inventor
季伟
范啸宇
高诏诏
陈六彪
崔晨
郭嘉
王俊杰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Technical Institute of Physics and Chemistry of CAS
Original Assignee
Technical Institute of Physics and Chemistry of CAS
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Technical Institute of Physics and Chemistry of CAS filed Critical Technical Institute of Physics and Chemistry of CAS
Priority to CN202110641971.4A priority Critical patent/CN113420397B/zh
Publication of CN113420397A publication Critical patent/CN113420397A/zh
Application granted granted Critical
Publication of CN113420397B publication Critical patent/CN113420397B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/18—Network design, e.g. design based on topological or interconnect aspects of utility systems, piping, heating ventilation air conditioning [HVAC] or cabling
    • 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
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/02—CAD in a network environment, e.g. collaborative CAD or distributed simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/04—Power grid distribution networks
    • 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
    • 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
    • G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Geometry (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computing Systems (AREA)
  • Evolutionary Biology (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Hardware Design (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Genetics & Genomics (AREA)
  • Physiology (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明提供了一种储能电站动态运行调控方法，包括：S1、设定优化问题；S2、基于优化问题对储能电站的各个子单元进行建模；S3、将步骤S2中的子单元的模型进行耦合得到储能电站模型；S4、利用储能电站模型，输入初始参数，储能电站模型自动运行。通过本发明构建的模型，在液态空气储能系统运行环境发生变化时，可以利用该调控方法快速求取最优的工作条件，使系统快速适应工作环境，保持最优效率运行。

Description

储能电站动态运行调控方法
技术领域
本发明涉及储能优化技术领域，尤其涉及一种储能电站动态运行调控方法。
背景技术
目前，我国的电力来源主要以火力发电厂为主，煤炭的燃烧造成了大量的温室气体排放。随着我国“碳中和”目标的不断推进，可再生能源如风能、太阳能将在未来得到越来越多的利用。但是可再生能源存在间歇性与波动性的特点，其发电量会受天气条件及昼夜循环的影响。储能被视为整合可再生能源的一种潜在方式，不仅如此，储能系统可以实现电网负荷调峰、负载转移及推进智能电网的建设。目前，化学储能比如液流电池、钠硫电池投资成本高、对工作环境有着严格的限制，这限制了化学储能的大规模推广和应用。物理储能如抽水蓄能和压缩空气储能都对地理条件有着严格的限制，且需要较高的投资成本。液态空气储能技术作为一种大规模储能技术，具有储能密度高、无地理条件限制、安全系数高等优点，是一种非常适合推广的储能技术。
液态空气储能系统主要包括四个子单元，分别为压缩单元、膨胀单元、蓄冷单元与储热单元。在充电阶段，压缩单元将空气压缩为高压状态并将压缩热储存在储热单元中，蓄冷单元将高压空气降温液化储存于液态空气储罐中。在放电阶段，蓄冷单元首先将空气复温，在接受到储热单元的热量后，空气在膨胀单元中高温膨胀，输出电能。在液态空气储能系统的运行过程中，运行条件如环境温度发生变化，会使液态空气储能系统偏离最佳设计条件，造成运行效率的降低。因此，如何调节液态空气储能系统的工作条件，使系统一直保持高效率运行极其必要。
液态空气储能系统中流程众多，各种运行环境的变化都将引起系统效率的变化，使系统运行偏离最佳条件。已有的对液态空气储能系统的研究多是利用不同的软件进行建模，且对于蓄冷单元，需要进行手动调节才能满足换热器小温差传热。这不仅消耗了大量的时间与人力，还难以确定最佳的工作参数。因此，实现液态空气储能系统模型的自动化运行并实现运行参数的优化非常重要，但目前尚未有研究涉及。
发明内容
本发明提供一种储能电站动态运行调控方法，用以解决现有技术中环境温度等运行条件变化会导致运行效率的降低的缺陷，调节液态空气储能系统的工作条件，实现系统一直保持高效率运行。
本发明提供一种储能电站动态运行调控方法，包括：
S1、设定优化问题；
S2、基于所述优化问题对储能电站的各个子单元进行建模；
S3、将步骤S2中的所述子单元的模型进行耦合得到储能电站模型；
S4、利用所述储能电站模型，输入初始参数，所述储能电站模型自动运行。
根据本发明提供的储能电站动态运行调控方法，所述S1中所述优化问题包括：设定储能电站的优化目标，确定储能电站的优化参数，设定储能电站的优化参数的取值范围。
根据本发明提供的储能电站动态运行调控方法，所述S2包括：设定初始条件，设定边界条件，以及对压缩单元、膨胀单元、蓄冷单元和储热单元分别进行热力学建模。
根据本发明提供的储能电站动态运行调控方法，对所述蓄冷单元进行热力学建模包括对所述蓄冷单元内部的换热器进行热力学建模，其为根据所述换热器的能量平衡关系，采用分段迭代计算的方法对所述换热器进行建模，其包括：
S211、划分传热区间，并确定未知温度参数的变化范围；
S212、根据每段内的热量平衡关系求取每个节点上的传热温差，并筛选最小传热温差；
S213、通过试值法求取在设定最小传热温差下的所述换热器的未知温度参数，并获得所述换热器的传热曲线。
根据本发明提供的储能电站动态运行调控方法，对所述蓄冷单元进行热力学建模为根据所述蓄冷单元内的热量平衡关系及换热器小温差传热原则，基于粒子群算法对所述蓄冷单元进行建模，其包括：
S221、以所述蓄冷单元内的未知温度参数为变量，所述换热器的传热温差与设定的最小传热温差的差值之和为适应度函数；
S222、通过迭代计算进行温度参数的优化。
根据本发明提供的储能电站动态运行调控方法，所述适应度函数公式为：
Figure BDA0003108271170000031
fitness1为适应度函数，T1,T2分别为蓄冷单元未知温度参数，ΔTi为第i个换热器的最小传热温差，ΔTset为蓄冷单元内换热器设定的传热温差，n为蓄冷单元内换热器个数。
根据本发明提供的储能电站动态运行调控方法，所述S2还包括：根据迭代试值方法，使得储热介质在所述膨胀单元中的每级膨胀过程中平均分配。
根据本发明提供的储能电站动态运行调控方法，还包括：采用智能算法对所述储能电站进行热力学优化。
根据本发明提供的储能电站动态运行调控方法，采用智能算法对所述储能电站进行热力学优化，具体包括：
根据所述储能电站模型，基于粒子群算法对储能电站进行热力学优化，以工作条件为优化变量，以性能指标为优化目标，通过迭代计算对比筛选，以获得当前工作环境下的最优工作条件。
根据本发明提供的储能电站动态运行调控方法，所述工作条件包括压缩压力和膨胀压力，所述性能指标包括往返效率与
Figure BDA0003108271170000041
效率。
本发明提供的一种储能电站动态运行调控方法，设定储能电站需要优化的问题，基于该优化问题对储能电站的各个子单元进行建模，将各个模型进行耦合得到储能电站模型，利用储能电站模型，输入初始参数，储能电站模型自动运行；通过本发明构建的模型，在液态空气储能系统运行环境发生变化时，可以利用该调控方法快速求取最优的工作条件，使系统快速适应工作环境，保持最优效率运行。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明提供的储能电站动态运行调控方法的流程示意图；
图2是本发明提供的对换热器进行建模及自动求解的流程示意图；
图3是本发明提供的对蓄冷单元进行建模及自动求解的流程示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，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。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。
下面结合图1-图3描述本发明的一种储能电站动态运行调控方法，包括：
S1、设定优化问题；
S2、基于优化问题对储能电站(储能电站可以为液态空气储能电站、压缩空气储能或其他发电、供热、制冷等系统耦合的多种类型的联合储能、发电系统)的各个子单元进行建模；
S3、将步骤S2中的子单元的模型进行耦合得到储能电站模型；
S4、利用储能电站模型，输入初始参数，储能电站模型自动运行。
具体地，步骤S1中优化问题包括：设定储能电站的优化目标，确定储能电站的优化参数(优化参数可以为温度、压缩级数、膨胀级数等多种液态空气储能系统的运行参数)，设定储能电站的优化参数的取值范围。
具体地，储能电站包括压缩单元、膨胀单元、蓄冷单元和储热单元等单元。对应地，步骤S2中建模包括：设定初始条件，设定边界条件，以及对压缩单元、膨胀单元、蓄冷单元和储热单元分别进行热力学建模并验证，得到压缩单元热力学模型、膨胀单元热力学模型、蓄冷单元热力学模型和储热单元热力学模型。
在其中一个实施例中，对蓄冷单元进行热力学建模包括对蓄冷单元内部的换热器进行热力学建模，其为根据换热器的能量平衡关系，采用分段迭代计算的方法对换热器进行建模，其包括：
S211、划分传热区间，并确定未知温度参数的变化范围；
S212、根据每段内的热量平衡关系求取每个节点上的传热温差，并筛选最小传热温差；
S213、通过试值法求取在设定最小传热温差下的换热器的未知温度参数，并获得换热器的传热曲线。
依据换热曲线合并的方法及上述方法，对三股流换热器进行建模，在设定的最小传热温差下对换热器进行未知参数的求取，并获得换热器的换热曲线。
在其中一个实施例中，对蓄冷单元进行热力学建模为根据蓄冷单元内的热量平衡关系及换热器小温差传热原则，基于粒子群算法、遗传算法或其他智能算法对蓄冷单元进行建模及优化，其包括：
S221、以蓄冷单元内的未知温度参数为变量，换热器的传热温差与设定的最小传热温差的差值之和为适应度函数；
S222、通过迭代计算进行温度参数的优化，直至满足要求。
其中，适应度函数公式为：
Figure BDA0003108271170000061
fitness1为适应度函数，T1,T2分别为蓄冷单元未知温度参数，ΔTi为第i个换热器的最小传热温差，ΔTset为蓄冷单元内换热器设定的传热温差，n为蓄冷单元内换热器个数。
在其中一个实施例中，步骤S2还包括：根据迭代试值方法，使得储热介质在膨胀单元中的每级膨胀过程中平均分配，以保证空气在每级膨胀机入口前达到相同的温度。进一步地，液态空气储能系统中，储热介质经过膨胀单元后剩余一部分热量，对该部分热量进行充分利用，通过换热器对用户实现供热。
根据以上步骤进行耦合，可以构建液态空气储能系统的热力学模型，输入初始参数，可以使模型实现自动运行，即步骤S4。
在其中一个实施例中，步骤S3中依据储能电站模型采用智能算法对储能电站进行热力学优化，具体包括：根据储能电站模型，基于粒子群算法对储能电站进行热力学优化，以工作条件为优化变量，以性能指标为优化目标，通过迭代计算对比筛选，以获得当前工作环境下的最优工作条件。进一步地，上述的工作条件包括压缩压力和膨胀压力，性能指标包括往返效率与
Figure BDA0003108271170000071
效率，即上述步骤为：根据储能电站模型，基于粒子群算法对储能电站进行热力学优化，以压缩压力和膨胀压力为变量，往返效率与
Figure BDA0003108271170000074
效率为目标函数，通过自动迭代求取实现最大效率时的最优压缩压力与膨胀压力。
其中，往返效率、
Figure BDA0003108271170000075
效率、目标函数具体公式如下：
RTE＝(WATB-WLAP)/(WCOM-WAE)
ηex＝(WATB-WLAP+Exh)/(WCOM-WAE)
fitness2＝f(Pc,Pe)
RTE-往返效率，WATB-膨胀机输出功率，WLAP-低温泵输入功率，WCOM-压缩机输入功率，WAE-低温膨胀机输出功率，ηex-
Figure BDA0003108271170000072
效率，Exh-热水供应的输出
Figure BDA0003108271170000073
，fitness2-适应度函数，Pc-压缩压力，Pe-膨胀压力。
本发明实施例提供一种自动求取换热器在设定最小传热温差下未知参数的方法，如图2所示，以两股流换热器中冷流体出口温度未知为例，首先对换热区间进行分段，假设为50段。然后根据其他已知参数确定冷流体出口温度的变化范围，假设一个该范围内的温度，通常是取温度区间的中间值，即可求取所有未知的流体参数。在每段的传热区间内，根据能量平衡计算每个节点上的温度值，即可得到每个节点上的传热温差，通过筛选即可得到换热器的最小传热温差。将得到的最小传热温差与设定值进行对比，若不符合条件，则重新调整冷流体出口温度的变化范围，重复上述步骤，直至换热器的最小传热温差满足设定值，即可输出假设的未知参数。
本发明实施例提供一种自动求取蓄冷单元内未知温度参数的方法，如图3所示。基于粒子群算法，蓄冷单元内未知的温度参数为优化参数，各个换热器的最小传热温差与设定值的差值之和为优化目标，即保证各个换热器的最小传热温差更加接近设定值。首先确定各个温度参数的变化范围，生成表示不同温度组合的粒子种群，根据粒子群算法，计算个体最优与全局最优，并进行迭代对比，若优化目标不符合设定值，则根据粒子群算法的迭代公式不断更新温度组合，直到优化目标小于设定值，即可输出各温度参数的值。
依据以上两个实施例，根据对换热器与蓄冷单元的求解方法及其他组件的热力学模型进行热力学建模，通过调用物性软件包实现模型内流体物性参数的获取与计算，通过迭代试值的方法实现储热介质的合理分配使各级膨胀机入口空气温度相同。通过上述步骤，确定了液态空气储能系统的工作环境，即可得到效率等表征工作性能或经济性等表征经济指标的关键参数。
综上，本发明提供的一种储能电站动态运行调控方法，设定储能电站需要优化的问题，基于该优化问题对储能电站的各个子单元进行建模，将各个模型进行耦合得到储能电站模型，利用储能电站模型，输入初始参数，储能电站模型自动运行；通过本发明构建的模型，在液态空气储能系统运行环境发生变化时，可以利用该调控方法快速求取最优的工作条件，使系统快速适应工作环境，保持最优效率运行，以达到最好的经济指标与经济性指标，实现液态空气储能电站的动态运行优化调控；该储能电站动态运行调控方法还包括以下有益效果：
液态空气储能系统中的换热器建模方法是基于换热曲线分段，在每段求取未知的进出口参数，即可得到每个节点上的换热温差，从而筛选最小传热温差。此外，通过试值的方法对换热器最小传热温差进行计算，得到设定最小传热温差下的换热器进出口未知参数；
液态空气储能系统中蓄冷单元的建模方法是基于粒子群算法，以未知温度参数为变量，换热器最小传热温差与设定的偏差值为目标函数，通过自动迭代求取最优的温度参数；
液态空气储能系统中的储热单元建模方法是基于试值，通过试值不断调整，使空气进入每级压缩机的入口温度相等；
液态空气储能系统的整体建模方法是基于压缩单元、膨胀单元、蓄冷单元与储热单元的结合，采用试值、迭代等方法实现系统模型的自动化运行；
液态空气储能系统的优化方法是基于粒子群算法，以工作环境为变量，效率为目标函数，通过自动迭代求取最优的工作条件。
最后应说明的是：以上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精神和范围。

Claims (6)

1.一种储能电站动态运行调控方法，其特征在于，包括：
S1、设定优化问题；
S2、基于所述优化问题对储能电站的各个子单元进行建模，其包括设定初始条件，设定边界条件，以及对压缩单元、膨胀单元、蓄冷单元和储热单元分别进行热力学建模，其中：
对所述蓄冷单元进行热力学建模包括对所述蓄冷单元内部的换热器进行热力学建模，其为根据所述换热器的能量平衡关系，采用分段迭代计算的方法对所述换热器进行建模，其包括：
S211、划分传热区间，并确定未知温度参数的变化范围；
S212、根据每段内的热量平衡关系求取每个节点上的传热温差，并筛选最小传热温差；
S213、通过试值法求取在设定最小传热温差下的所述换热器的未知温度参数，并获得所述换热器的传热曲线；
对所述蓄冷单元进行热力学建模为根据所述蓄冷单元内的热量平衡关系及换热器小温差传热原则，基于粒子群算法对所述蓄冷单元进行建模，其包括：
S221、以所述蓄冷单元内的未知温度参数为变量，所述换热器的传热温差与设定的最小传热温差的差值之和为适应度函数；
S222、通过迭代计算进行温度参数的优化；
还包括：根据迭代试值方法，使得储热介质在所述膨胀单元中的每级膨胀过程中平均分配，以保证空气在每级膨胀机入口前达到相同的温度；
S3、将步骤S2中的所述子单元的模型进行耦合得到储能电站模型；
S4、利用所述储能电站模型，输入初始参数，所述储能电站模型自动运行。
2.根据权利要求1所述的储能电站动态运行调控方法，其特征在于，所述S1中所述优化问题包括：设定储能电站的优化目标，确定储能电站的优化参数，设定储能电站的优化参数的取值范围。
3.根据权利要求1所述的储能电站动态运行调控方法，其特征在于，所述适应度函数公式为：
Figure FDA0003507190520000021
fitness1为适应度函数，T1,T2分别为蓄冷单元未知温度参数，ΔTi为第i个换热器的最小传热温差，ΔTset为蓄冷单元内换热器设定的传热温差，n为蓄冷单元内换热器个数。
4.根据权利要求1所述的储能电站动态运行调控方法，其特征在于，还包括：采用智能算法对所述储能电站进行热力学优化。
5.根据权利要求4所述的储能电站动态运行调控方法，其特征在于，采用智能算法对所述储能电站进行热力学优化，具体包括：
根据所述储能电站模型，基于粒子群算法对储能电站进行热力学优化，以工作条件为优化变量，以性能指标为优化目标，通过迭代计算对比筛选，以获得当前工作环境下的最优工作条件。
6.根据权利要求5所述的储能电站动态运行调控方法，其特征在于，所述工作条件包括压缩压力和膨胀压力，所述性能指标包括往返效率与
Figure FDA0003507190520000022
效率。
CN202110641971.4A 2021-06-09 2021-06-09 储能电站动态运行调控方法 Active CN113420397B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110641971.4A CN113420397B (zh) 2021-06-09 2021-06-09 储能电站动态运行调控方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110641971.4A CN113420397B (zh) 2021-06-09 2021-06-09 储能电站动态运行调控方法

Publications (2)

Publication Number Publication Date
CN113420397A CN113420397A (zh) 2021-09-21
CN113420397B true CN113420397B (zh) 2022-04-22

Family

ID=77788130

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110641971.4A Active CN113420397B (zh) 2021-06-09 2021-06-09 储能电站动态运行调控方法

Country Status (1)

Country Link
CN (1) CN113420397B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116149401B (zh) * 2023-04-19 2023-09-05 中能建数字科技集团有限公司 一种压缩空气储能电站换热器出口温度控制系统及方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104279012A (zh) * 2013-07-04 2015-01-14 中国科学院过程工程研究所 一种基于深冷储能的核电调峰系统
CN111159934A (zh) * 2019-12-13 2020-05-15 北京电子工程总体研究所 一种铝基复合材料动力学模拟方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105043147B (zh) * 2015-06-25 2017-01-25 中国科学院理化技术研究所 一种采用液态蓄冷工质的液化压缩空气储能系统
CN110598301B (zh) * 2019-09-05 2022-10-11 华北电力科学研究院有限责任公司 液化空气储能系统参数耦合设计方法
CN111159632B (zh) * 2020-01-10 2023-04-25 中国科学院广州能源研究所 一种数据中心冷却能效与经济性计算方法
CN111585295B (zh) * 2020-05-28 2021-12-21 杭州电子科技大学 一种基于laes-caes的储能配置方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104279012A (zh) * 2013-07-04 2015-01-14 中国科学院过程工程研究所 一种基于深冷储能的核电调峰系统
CN111159934A (zh) * 2019-12-13 2020-05-15 北京电子工程总体研究所 一种铝基复合材料动力学模拟方法

Also Published As

Publication number Publication date
CN113420397A (zh) 2021-09-21

Similar Documents

Publication Publication Date Title
Kim et al. Neural-network-based optimization for economic dispatch of combined heat and power systems
Jannelli et al. A small-scale CAES (compressed air energy storage) system for stand-alone renewable energy power plant for a radio base station: A sizing-design methodology
Han et al. Thermodynamic analyses and multi-objective optimization of operation mode of advanced adiabatic compressed air energy storage system
Salvini et al. Compression and air storage systems for small size CAES plants: design and off-design analysis
CN115409396A (zh) 基于双层滚动优化的综合能源系统多时间尺度调度方法
CN112736987B (zh) 一种基于非合作博弈的综合能源系统容量配置方法及系统
CN109583012B (zh) 先进绝热压缩空气储能与风电协同运行调度方法与装置
CN111950122A (zh) 园区综合能源系统运行优化方法
CN113420397B (zh) 储能电站动态运行调控方法
Guo et al. Multi-objective optimization of multi-energy heating systems based on solar, natural gas, and air-energy
CN114374231B (zh) 离网型多能源系统的配置、控制一体优化方法
CN113283077B (zh) 考虑相关性的电-热-氢综合能源系统区间能流计算方法
Li et al. Research on thermo-economic characteristics of a combined cooling, heating and power system based on advanced adiabatic compressed air energy storage
Hao et al. Off-design performance of 9F gas turbine based on gPROMs and BP neural network model
Turja et al. Multi-objective performance optimization & thermodynamic analysis of solar powered supercritical CO2 power cycles using machine learning methods & genetic algorithm
CN118149379A (zh) 计及空气源热泵动态特性的多热源集中供热系统调度方法
Zhang et al. Exploiting the operational flexibility of AA-CAES in energy and reserve optimization scheduling by a linear reserve model
CN114962222B (zh) 先进绝热压缩空气储能能量枢纽设备及其建模方法
Xiao et al. A novel constant power operation mode of constant volume expansion process for AA-CAES: Regulation strategy, dynamic simulation, and comparison
CN110716429A (zh) 冷热电联供系统的控制方法、装置、计算机及存储介质
CN115147014A (zh) 一种综合能源系统的多目标均衡分配方法
Budt et al. Modeling a low-temperature compressed air energy storage with modelica
CN213783243U (zh) 一种面向产业园区的综合能源系统运行优化装置
CN115034453A (zh) 考虑碳交易市场的综合能源系统灵活运行方法及计算平台
CN114676649A (zh) 用于先进绝热压缩空气储能能源站的动态调度方法及系统

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