CN113807015A - 压缩空气储能系统参数优化方法、装置、设备及存储介质 - Google Patents
压缩空气储能系统参数优化方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN113807015A CN113807015A CN202111094476.2A CN202111094476A CN113807015A CN 113807015 A CN113807015 A CN 113807015A CN 202111094476 A CN202111094476 A CN 202111094476A CN 113807015 A CN113807015 A CN 113807015A
- Authority
- CN
- China
- Prior art keywords
- energy storage
- compressed air
- air energy
- objective function
- storage system
- 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
- 238000004146 energy storage Methods 0.000 title claims abstract description 66
- 238000005457 optimization Methods 0.000 title claims abstract description 59
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000011156 evaluation Methods 0.000 claims abstract description 49
- 230000008569 process Effects 0.000 claims abstract description 14
- 230000002068 genetic effect Effects 0.000 claims abstract description 8
- 230000006870 function Effects 0.000 claims description 53
- 238000004590 computer program Methods 0.000 claims description 21
- 238000010248 power generation Methods 0.000 claims description 13
- 230000006835 compression Effects 0.000 claims description 9
- 238000007906 compression Methods 0.000 claims description 9
- 238000005516 engineering process Methods 0.000 description 4
- 230000035772 mutation Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 125000004122 cyclic group Chemical group 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000001172 regenerating effect Effects 0.000 description 2
- 206010064571 Gene mutation Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 210000000349 chromosome Anatomy 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000005338 heat storage Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 238000005086 pumping Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
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
- 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
- G06F2111/04—Constraint-based CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
-
- 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
Abstract
本发明公开一种压缩空气储能系统参数优化方法、装置、设备及存储介质，方法包括：获取与系统整体效率关联的参数数据；以系统整体效率为对象建立压缩空气储能系统的优化目标函数；建立优化目标函数的约束条件；根据遗传算法设置迭代步长和种群规模，并采用随机初始化生成第一代的系统参数；评估求解操作：根据系统参数进行适应度评估得到评估结果，求解优化目标函数，得到目标函数值；判断目标函数值是否满足预设阈值，若满足，则输出系统参数，若不满足，则执行系统参数迭代操作：在约束条件下模拟自然过程，通过选择、交叉、变异对系统参数迭代，以更新系统参数并返回评估求解操作。本方法能实现提高压缩空气储能系统参数优化的效率和适应度。
Description
技术领域
本发明涉及压缩空气储能技术领域，尤其涉及一种压缩空气储能系统参数优化方法、装置、设备及存储介质。
背景技术
目前，可再生新能源电力技术在全球范围内快速发展，我国的可再生能源总装机规模位居世界前列。但是，可再生能源发电带来的频繁波动、反调峰给电网造成了较大的削峰填谷和保障运行压力。其中，压缩空气储能发电技术可利用电能驱动压缩机将空气压缩，以内能的形式储存能量，在膨胀环节经膨胀机驱动发电机释放空气内能，相较于抽水储能等储能技术，其容量范围大小可调、储能周期及使用寿命长、经济性好且无污染。
压缩空气储能发电系统为热-气-电耦合的复杂系统，系统中的参数优化根据系统特性来看，是一个多变量、多约束过程。系统能耗、效率受空气流量以及间冷器、再热器中换热介质的进口压力和温度等多种参数影响，压缩膨胀换热等主要环节前后联系紧密、多输入多输出互相影响。现有技术中关于压缩空气储能发电系统效率分析与优化设计的研究均需经过大量依靠经验的参数修改与调试，通过不断进行系统数值模拟得到结论，工作量大。因此，需要对压缩空气储能系统的参数优化方法进行改进。
发明内容
本发明提供了一种压缩空气储能系统参数优化方法、装置、设备及存储介质，以实现提高压缩空气储能系统参数优化的效率和适应度。
第一方面，本发明提供了一种压缩空气储能系统参数优化方法，包括：
获取压缩空气储能系统中各环节与系统整体效率关联的参数数据；
根据所述参数数据，以系统整体效率为对象建立压缩空气储能系统的优化目标函数；
在变工况运行的条件下，建立所述优化目标函数的约束条件；
根据遗传算法设置迭代步长和种群规模，并采用随机初始化生成第一代的系统参数；
评估求解操作：根据所述系统参数进行适应度评估得到评估结果，并根据所述评估结果求解所述优化目标函数，得到目标函数值；
判断所述目标函数值是否满足预设阈值，若满足，则输出所述系统参数作为压缩空气储能系统参数的优化结果，若不满足，则执行系统参数迭代操作；
系统参数迭代操作：在所述约束条件下模拟自然过程，通过选择、交叉、变异对所述系统参数迭代，以更新所述系统参数并返回至评估求解操作。
优选地，所述建立所述优化目标函数的约束条件包括：建立系统中各级间冷器中介质初始温度的约束条件、各级再热器中介质初始温度的约束条件、各级压缩机输出温度约束条件、各级膨胀机输出温度约束条件、压缩压比和膨胀压比约束条件、压缩机功率约束条件以及膨胀机功率约束条件。
优选地，所述系统参数包括空气质量流量、压缩膨胀压比、间冷器中介质初始温度以及两个再热器中介质初始温度。
优选地，所述根据所述系统参数进行适应度评估得到评估结果，包括：
对压缩机消耗功、膨胀机做功、间冷器补充的额外冷量功率以及再热器补燃的额外热量功率进行评估计算，得到评估结果。
优选地，所述优化目标函数为：
式中：η为多级间冷器再热器的带热利用压缩空气储能系统整体效率；nc、ne分别为压缩机、膨胀机总级数；wc_i为第i级压缩机压缩单位质量气体的耗功，单位kW；we_i为第i级膨胀机释能发电功，单位kW；qcool,i为第i级间冷器补充冷量的消耗功率，单位kJ/s；qheat,i为第i级再热器补燃热量的消耗功率，kJ/s。
第二方面，本发明提供了一种压缩空气储能系统参数优化装置，包括：
数据获取模块，用于获取压缩空气储能系统中各环节与系统整体效率关联的参数数据；
目标函数建立模块，用于根据所述参数数据，以系统整体效率为对象建立压缩空气储能系统的优化目标函数；
约束条件建立模块，用于在变工况运行的条件下，建立所述优化目标函数的约束条件；
初始系统参数生成模块，用于根据遗传算法设置迭代步长和种群规模，并采用随机初始化生成第一代的系统参数；
评估求解模块，用于执行评估求解操作：根据所述系统参数进行适应度评估得到评估结果，并根据所述评估结果求解所述优化目标函数，得到目标函数值；
判断模块，用于判断所述目标函数值是否满足预设阈值，若满足，则输出所述系统参数作为压缩空气储能系统参数的优化结果，若不满足，则执行系统参数迭代操作；
系统参数迭代模块，用于执行系统参数迭代操作：在所述约束条件下模拟自然过程，通过选择、交叉、变异对所述系统参数迭代，以更新所述系统参数并返回至评估求解操作。
优选地，所述约束条件建立模块用于建立系统中各级间冷器中介质初始温度的约束条件、各级再热器中介质初始温度的约束条件、各级压缩机输出温度约束条件、各级膨胀机输出温度约束条件、压缩压比和膨胀压比约束条件、压缩机功率约束条件以及膨胀机功率约束条件。
优选地，所述评估求解模块用于对压缩机消耗功、膨胀机做功、间冷器补充的额外冷量功率以及再热器补燃的额外热量功率进行评估计算，得到评估结果。
第三方面，本发明还提供了一种终端设备，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现上述中任意一项所述的压缩空气储能系统参数优化方法。
第四方面，本发明还提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行上述中任意一项所述的压缩空气储能系统参数优化方法。
相比于现有技术，本发明具有如下有益效果：
本发明可以在储能-释能过程循环连续的变工况条件下，对带回热利用的多级压缩空气储能系统进行参数自主寻优，在尽量短的时间内产生效率最优的参数，以提高清洁能源接入电网的安全稳定性能。同时，本发明的优化结果相较于传统依靠经验调节参数的系统，本发明的优化结果适应度更高，优化时间更短。
附图说明
图1是本发明第一实施例提供的压缩空气储能系统参数优化方法流程示意图；
图2是本发明第二实施例提供的压缩空气储能系统参数优化装置结构示意图。
具体实施方式
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清楚、完整地描述，显然，所描述的实施例仅仅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。
参照图1，本发明第一实施例提供了一种压缩空气储能系统参数优化方法，包括以下步骤：
S11，获取压缩空气储能系统中各环节与系统整体效率关联的参数数据；
S12，根据所述参数数据，以系统整体效率为对象建立压缩空气储能系统的优化目标函数；
S13，在变工况运行的条件下，建立所述优化目标函数的约束条件；
S14，根据遗传算法设置迭代步长和种群规模，并采用随机初始化生成第一代的系统参数；
S15，评估求解操作：根据所述系统参数进行适应度评估得到评估结果，并根据所述评估结果求解所述优化目标函数，得到目标函数值；
S16，判断所述目标函数值是否满足预设阈值，若满足，则输出所述系统参数作为压缩空气储能系统参数的优化结果，若不满足，则执行系统参数迭代操作；
其中，系统参数迭代操作为：在所述约束条件下模拟自然过程，通过选择、交叉、变异对所述系统参数迭代，以更新所述系统参数并返回至评估求解操作。
在步骤S11中，需要说明的是，本实施例中的压缩空气储能系统为储能-释能过程连续循环进行的多级压缩空气储能系统，系统中各环节包括多级压缩机、多级膨胀机和换热器。
在步骤S12中，以系统整体效率为对象建立压缩空气储能系统的优化目标函数。具体地，优化目标函数为：
式中：η为多级间冷器再热器的带热利用压缩空气储能系统整体效率；nc、ne分别为压缩机、膨胀机总级数；wc_i为第i级压缩机压缩单位质量气体的耗功，单位kW；we_i为第i级膨胀机释能发电功，单位kW；qcool,i为第i级间冷器补充冷量的消耗功率，单位kJ/s；qheat,i为第i级再热器补燃热量的消耗功率，kJ/s。
在步骤S13中，在变工况运行的条件下，建立所述优化目标函数的约束条件。具体地，约束条件包括：
(1)各级间冷器中介质初始温度的约束条件：
Tin,cool_i,min≤Tin,cool_i≤Tin,cool_i,max
式中：Tin,cool_i为第i级间冷器中介质起始温度，Tin,cool_i,max、Tin,cool_i,min分别为第i级间冷器中介质起始温度极大值、极小值，单位K。
(2)各级再热器中介质初始温度的约束条件：
Tin,heat_i,min≤Tin,heat_i≤Tin,heat_i,max
式中：Tin,heat_i,max、Tin,heat_i,min分别为第i级再热器中介质初始温度极大值、极小值，单位K。
(3)各级压缩机输出温度约束条件：
Tin,c_i+wc_i/(Cpmc)<Tout,c_i,max
式中：Tin,c_i为第i级压缩机输入温度，单位K；wc,i为第i级压缩机压缩单位质量气体的耗功，单位kw；Cp为定压比热容，单位kJ/(kg·K)；mc为流入压缩机的空气质量流量，单位kg/s；Tout,co_i,max为第i级压缩机输出温度上限，单位K。
(4)各级膨胀机输出温度约束条件：
Tin,e_i-we_i/(Cpme)<Tout,e_i,min
式中：Tin,e_i为第i级膨胀机输入温度，单位K；we,i为第i级膨胀机释能发电产生的功，单位kw；Cp为定压比热容，单位kJ/(kg·K)；me为流入膨胀机的空气质量流量，单位kg/s；Tout,e_i,min为膨胀机输出温度下限，单位K。
(5)压缩压比、膨胀压比约束条件：
式中：πc_i,为第i级压缩机压比，πc_i,max、πc_i,min分别为第i级压缩机压比极大值、极小值；πe_i,为第i级膨胀机压比，πe_i,max、πe_i,min分别为第i级膨胀机压比极大值、极小值。
进一步地，设置压缩总压比始终大于膨胀总压比的约束条件：
式中：nc、ne分别为压缩机、膨胀机总级数；πc_i,为第i级压缩机压比，πe_i,为第i级膨胀机压比。
(6)变工况条件下压缩机功率约束条件：
wc_i,minvc≤wc_i≤wc_i,maxvc
式中：wc_i为第i级压缩机耗功，wc_i,max、wc_i,min分别为压缩机最大耗功、最小耗功，单位kW；vc为表征压缩工况的二进制变量，当处于压缩工况时，vc＝1，反之，vc＝0；
ηc为所采用压缩机的绝热效率；mc为流入压缩机的空气质量流量，单位kg/s；k为比热容；Rg为气体常数，单位kJ/(kgK)；nc为压缩机总级数；πc_i为第i级压缩机压比；
(7)变工况条件下膨胀机功率约束条件：
we_i,minve≤we_i≤we_i,maxve
式中：we_i为第i级膨胀机发电功，we_i,max、we_i,min分别为膨胀机最大发电功、最小发电功，单位kW；ve为表征膨胀工况的二进制变量，当处于膨胀工况时，ve＝1，反之，ve＝0；
ηe为所采用膨胀机的绝热效率；me为流入膨胀机的空气质量流量，单位kg/s；k为比热容；Rg为气体常数，单位kJ/(kgK)；πe_i为第i级膨胀机膨胀比；nc、ne分别为压缩机、膨胀机总级数；
Tin,e_i为第i级膨胀机输入温度，Tin,e_i-1为第i-1级膨胀机输入温度，单位K；we_i-1为第i-1级膨胀机发电功，
为第nc级压缩机输入温度，
为第nc级压缩机耗功，Cp为定压比热容，单位kJ/(kg·K)，mc为流入压缩机的空气质量流量，单位kg/s；me为流入膨胀机的空气质量流量，单位kg/s。
在步骤S14中，根据遗传算法设置迭代步长和种群规模，并采用随机初始化生成第一代的系统参数。其中，所述系统参数包括空气质量流量、压缩膨胀压比、间冷器中介质初始温度以及两个再热器中介质初始温度。
在步骤S15中，首先，根据所述系统参数进行适应度评估，具体包括：
(1)第i级压缩机消耗功：
式中：wc_i为压缩机耗功，ηc为所采用压缩机的绝热效率；mc为流入压缩机的空气质量流量，单位kg/s；k为比热容；Rg为气体常数，单位kJ/(kgK)；nc为压缩机总级数；πc_i为第i级压缩机压比；Tin,c_i为第i级压缩机输入温度，单位K；T0为环境温度，Tin,c_i-1为第i-1级压缩机输入温度，wc_i-1为第i-1级压缩机耗功，Cp为定压比热容，单位kJ/(kg·K)。
(2)第i级膨胀机做功：
式中：we_i为第i级膨胀机发电功，ηe为所采用膨胀机的绝热效率；me为流入膨胀机的空气质量流量，单位kg/s；k为比热容；Rg为气体常数，单位kJ/(kgK)；πe_i为第i级膨胀机膨胀比；nc、ne分别为压缩机、膨胀机总级数；
Tin,e_i为第i级膨胀机输入温度，Tin,e_i-1为第i-1级膨胀机输入温度，单位K；we_i-1为第i-1级膨胀机发电功，
为第nc级压缩机输入温度，
为第nc级压缩机耗功，Cp为定压比热容，单位kJ/(kg·K)，mc为流入压缩机的空气质量流量，单位kg/s；me为流入膨胀机的空气质量流量，单位kg/s。
(3)第i级间冷器补充的额外冷量功率：
式中：qcool,i为第i级间冷器补充冷量的消耗功率，单位kJ/s；Cp为定压比热容，单位kJ/(kg·K)；mc为流入压缩机的空气质量流量，单位kg/s；Tin,cool_i为第i级间冷器换热介质输入时的温度，单位K；T0为环境温度，单位K。
(4)第i级再热器补燃的额外热量功率：
Tout_i＝ε(Tin,c_i+wc_i/(Cpmc))+(1-ε)Tin,cool_i
式中：qheat,i为第i级再热器补燃热量的消耗功率，kJ/s；Cp为定压比热容，单位kJ/(kg·K)；me为流入膨胀机的空气质量流量，单位kg/s；Tin,heat_i为第i级再热器换热介质输入时的温度，K；Thot_i为第i级储热介质温度，K；Tout_i为第i级间冷器换热介质输出时的温度，K；ε为间冷器、再热器额定换热效能；Tin,c_i为第i级压缩机输入温度，单位K；wc,i为第i级压缩机压缩单位质量气体的耗功，单位kw；Cp为定压比热容，单位kJ/(kg·K)；mc为流入压缩机的空气质量流量，单位kg/s；Tin,cool_i为第i级间冷器中介质起始温度。
然后，将上述公式(1)-(4)计算得到的wc_i、we_i、qcool,i、qheat,i值代入步骤S12中的优化目标函数，求解得到目标函数值。
在步骤S16中，判断所述目标函数值是否满足预设阈值，若满足，则输出所述系统参数作为压缩空气储能系统参数的优化结果，若不满足，则执行系统参数迭代操作。
需要说明的是，阈值的选取与用户对系统优化的要求有关，用户可根据所需的精度、优化效率等要求来综合考虑设置阈值。
在本实施例中，系统参数迭代操作为：在所述约束条件下模拟自然过程，通过选择、交叉、变异对所述系统参数迭代，以更新所述系统参数并返回至评估求解操作。
示例性地，在所述约束条件下模拟自然过程，通过选择、交叉、变异对所述系统参数迭代，具体方法如下：
(1)选择：轮盘赌选择(天择)配合精英保留机制，根据优胜劣汰的原则，按照适应度高低选择个体，并将性能优良的个体直接传入下一代。
(2)交叉：多点交叉，设父代系统参数染色体为：P1＝[a b c d e]；P2＝[A B C DE]，通过随机生成一个元素取值为0或1的同维交叉向量，产生子代时，将交叉向量中取值为1的元素所在位置对应的基因进行交换。
(3)变异：自适应变异，随机选取参数种群中的一个个体，模拟基因突变引入变异算子改变数据串的一个值。
本发明提供的优化方法，可以在储能-释能过程循环连续的变工况条件下，对带回热利用的多级压缩空气储能系统进行参数自主寻优，在尽量短的时间内产生效率最优的参数，以提高清洁能源接入电网的安全稳定性能。同时，本发明的优化结果相较于传统依靠经验调节参数的系统，本发明的优化结果适应度更高，优化时间更短。
参照图2，本发明第二实施例提供了一种压缩空气储能系统参数优化装置，包括：
数据获取模块，用于获取压缩空气储能系统中各环节与系统整体效率关联的参数数据；
目标函数建立模块，用于根据所述参数数据，以系统整体效率为对象建立压缩空气储能系统的优化目标函数；
约束条件建立模块，用于在变工况运行的条件下，建立所述优化目标函数的约束条件；
初始系统参数生成模块，用于根据遗传算法设置迭代步长和种群规模，并采用随机初始化生成第一代的系统参数；
评估求解模块，用于执行评估求解操作：根据所述系统参数进行适应度评估得到评估结果，并根据所述评估结果求解所述优化目标函数，得到目标函数值；
判断模块，用于判断所述目标函数值是否满足预设阈值，若满足，则输出所述系统参数作为压缩空气储能系统参数的优化结果，若不满足，则执行系统参数迭代操作；
系统参数迭代模块，用于执行系统参数迭代操作：在所述约束条件下模拟自然过程，通过选择、交叉、变异对所述系统参数迭代，以更新所述系统参数并返回至评估求解操作。
优选地，所述约束条件建立模块用于建立系统中各级间冷器中介质初始温度的约束条件、各级再热器中介质初始温度的约束条件、各级压缩机输出温度约束条件、各级膨胀机输出温度约束条件、压缩压比和膨胀压比约束条件、压缩机功率约束条件以及膨胀机功率约束条件。
优选地，所述评估求解模块用于对压缩机消耗功、膨胀机做功、间冷器补充的额外冷量功率以及再热器补燃的额外热量功率进行评估计算，得到评估结果。
本发明实施例还提供了一种终端设备。该终端设备包括：处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，例如压缩空气储能系统参数优化程序。所述处理器执行所述计算机程序时实现上述各个压缩空气储能系统参数优化方法实施例中的步骤，例如图1所示的步骤S11。或者，所述处理器执行所述计算机程序时实现上述各装置实施例中各模块/单元的功能，例如系统参数迭代模块。
示例性的，所述计算机程序可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器中，并由所述处理器执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序在所述终端设备中的执行过程。
所述终端设备可以是桌上型计算机、笔记本、掌上电脑及智能平板等计算设备。所述终端设备可包括，但不仅限于，处理器、存储器。本领域技术人员可以理解，上述部件仅仅是终端设备的示例，并不构成对终端设备的限定，可以包括比上述更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述终端设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器是所述终端设备的控制中心，利用各种接口和线路连接整个终端设备的各个部分。
所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述终端设备的各种功能。所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
其中，所述终端设备集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
需说明的是，以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。另外，本发明提供的装置实施例附图中，模块之间的连接关系表示它们之间具有通信连接，具体可以实现为一条或多条通信总线或信号线。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步的详细说明，应当理解，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围。特别指出，对于本领域技术人员来说，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种压缩空气储能系统参数优化方法，其特征在于，包括：
获取压缩空气储能系统中各环节与系统整体效率关联的参数数据；
根据所述参数数据，以系统整体效率为对象建立压缩空气储能系统的优化目标函数；
在变工况运行的条件下，建立所述优化目标函数的约束条件；
根据遗传算法设置迭代步长和种群规模，并采用随机初始化生成第一代的系统参数；
评估求解操作：根据所述系统参数进行适应度评估得到评估结果，并根据所述评估结果求解所述优化目标函数，得到目标函数值；
判断所述目标函数值是否满足预设阈值，若满足，则输出所述系统参数作为压缩空气储能系统参数的优化结果，若不满足，则执行系统参数迭代操作；
系统参数迭代操作：在所述约束条件下模拟自然过程，通过选择、交叉、变异对所述系统参数迭代，以更新所述系统参数并返回至评估求解操作。
2.根据权利要求1所述的压缩空气储能系统参数优化方法，其特征在于，所述建立所述优化目标函数的约束条件包括：建立系统中各级间冷器中介质初始温度的约束条件、各级再热器中介质初始温度的约束条件、各级压缩机输出温度约束条件、各级膨胀机输出温度约束条件、压缩压比和膨胀压比约束条件、压缩机功率约束条件以及膨胀机功率约束条件。
3.根据权利要求1所述的压缩空气储能系统参数优化方法，其特征在于，所述系统参数包括空气质量流量、压缩膨胀压比、间冷器中介质初始温度以及两个再热器中介质初始温度。
4.根据权利要求1所述的压缩空气储能系统参数优化方法，其特征在于，所述根据所述系统参数进行适应度评估得到评估结果，包括：
对压缩机消耗功、膨胀机做功、间冷器补充的额外冷量功率以及再热器补燃的额外热量功率进行评估计算，得到评估结果。
5.根据权利要求1所述的压缩空气储能系统参数优化方法，其特征在于，所述优化目标函数为：
式中：η为多级间冷器再热器的带热利用压缩空气储能系统整体效率；nc、ne分别为压缩机、膨胀机总级数；wc_i为第i级压缩机压缩单位质量气体的耗功，单位kW；we_i为第i级膨胀机释能发电功，单位kW；qcool,i为第i级间冷器补充冷量的消耗功率，单位kJ/s；qheat,i为第i级再热器补燃热量的消耗功率，kJ/s。
6.一种压缩空气储能系统参数优化装置，其特征在于，包括：
数据获取模块，用于获取压缩空气储能系统中各环节与系统整体效率关联的参数数据；
目标函数建立模块，用于根据所述参数数据，以系统整体效率为对象建立压缩空气储能系统的优化目标函数；
约束条件建立模块，用于在变工况运行的条件下，建立所述优化目标函数的约束条件；
初始系统参数生成模块，用于根据遗传算法设置迭代步长和种群规模，并采用随机初始化生成第一代的系统参数；
评估求解模块，用于执行评估求解操作：根据所述系统参数进行适应度评估得到评估结果，并根据所述评估结果求解所述优化目标函数，得到目标函数值；
判断模块，用于判断所述目标函数值是否满足预设阈值，若满足，则输出所述系统参数作为压缩空气储能系统参数的优化结果，若不满足，则执行系统参数迭代操作；
系统参数迭代模块，用于执行系统参数迭代操作：在所述约束条件下模拟自然过程，通过选择、交叉、变异对所述系统参数迭代，以更新所述系统参数并返回至评估求解操作。
7.根据权利要求6所述的压缩空气储能系统参数优化装置，其特征在于，所述约束条件建立模块用于建立系统中各级间冷器中介质初始温度的约束条件、各级再热器中介质初始温度的约束条件、各级压缩机输出温度约束条件、各级膨胀机输出温度约束条件、压缩压比和膨胀压比约束条件、压缩机功率约束条件以及膨胀机功率约束条件。
8.根据权利要求6所述的压缩空气储能系统参数优化装置，其特征在于，所述评估求解模块用于对压缩机消耗功、膨胀机做功、间冷器补充的额外冷量功率以及再热器补燃的额外热量功率进行评估计算，得到评估结果。
9.一种终端设备，其特征在于，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至5中任意一项所述的压缩空气储能系统参数优化方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如权利要求1至5中任意一项所述的压缩空气储能系统参数优化方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111094476.2A CN113807015B (zh) | 2021-09-17 | 2021-09-17 | 压缩空气储能系统参数优化方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111094476.2A CN113807015B (zh) | 2021-09-17 | 2021-09-17 | 压缩空气储能系统参数优化方法、装置、设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113807015A true CN113807015A (zh) | 2021-12-17 |
| CN113807015B CN113807015B (zh) | 2023-12-26 |
Family
ID=78895771
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111094476.2A Active CN113807015B (zh) | 2021-09-17 | 2021-09-17 | 压缩空气储能系统参数优化方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113807015B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114370896A (zh) * | 2021-12-29 | 2022-04-19 | 贵州电网有限责任公司 | 一种膨胀发电系统蓄热罐加热发电能力监测方法 |
Citations (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| GB791096A (en) * | 1956-01-17 | 1958-02-26 | Edgar Phillips Peregrine | Plant for producing highly compressed air |
| CN104573820A (zh) * | 2014-12-31 | 2015-04-29 | 中国地质大学（武汉） | 一种用于带约束条件的工程优化问题的遗传算法 |
| CN104578135A (zh) * | 2013-10-22 | 2015-04-29 | 同济大学 | 一种基于异构储能系统的功率可预测性控制方法 |
| EP2902930A2 (en) * | 2014-02-04 | 2015-08-05 | Ingersoll-Rand Company | System and method for modeling, simulation, optimization, and/or quote creation |
| US20170016577A1 (en) * | 2014-03-12 | 2017-01-19 | Mada Energie Llc | Liquid Air Energy Storage Systems, Devices, and Methods |
| CN108268359A (zh) * | 2017-12-30 | 2018-07-10 | 浙江中睿低碳科技有限公司 | 基于深度学习的空压站的优化方法 |
| CN108625988A (zh) * | 2018-04-26 | 2018-10-09 | 山东大学 | 一种含压缩空气储能的cchp微网结构及其运行方法 |
| CN109062151A (zh) * | 2018-05-08 | 2018-12-21 | 国网山东省电力公司青岛供电公司 | 综合能源系统多目标集成设计与优化控制方法 |
| CN109783916A (zh) * | 2019-01-02 | 2019-05-21 | 大连理工大学 | 一种基于仿真技术的空气压缩机群组优化调度决策方法 |
| CN109858093A (zh) * | 2018-12-28 | 2019-06-07 | 浙江工业大学 | Svr神经网络辅助的非支配排序遗传算法的空气源热泵多目标优化设计方法 |
| CN109886448A (zh) * | 2019-03-14 | 2019-06-14 | 浙江工业大学 | 采用变学习率bp神经网络以及nsga-ii算法的热泵多目标优化控制方法 |
| CN110173958A (zh) * | 2019-05-31 | 2019-08-27 | 新奥数能科技有限公司 | 一种天然气液化制冷优化方法及装置 |
| US20200089824A1 (en) * | 2014-02-04 | 2020-03-19 | Ingersoll-Rand Company | System and method for modeling, simulation, optimization, and/or quote creation |
| CN110929957A (zh) * | 2019-12-09 | 2020-03-27 | 新奥数能科技有限公司 | 一种用于综合能源系统的优化方法及装置 |
| CN111814400A (zh) * | 2020-07-09 | 2020-10-23 | 江苏科技大学 | 一种基于遗传算法的空气压缩机选型方法 |
| CN112395811A (zh) * | 2020-11-25 | 2021-02-23 | 中国科学院工程热物理研究所 | 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 |
| CN112560193A (zh) * | 2020-12-08 | 2021-03-26 | 宋印东 | 一种基于神经网络算法的压缩机组运行控制方法 |
-
2021
- 2021-09-17 CN CN202111094476.2A patent/CN113807015B/zh active Active
Patent Citations (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| GB791096A (en) * | 1956-01-17 | 1958-02-26 | Edgar Phillips Peregrine | Plant for producing highly compressed air |
| CN104578135A (zh) * | 2013-10-22 | 2015-04-29 | 同济大学 | 一种基于异构储能系统的功率可预测性控制方法 |
| US20200089824A1 (en) * | 2014-02-04 | 2020-03-19 | Ingersoll-Rand Company | System and method for modeling, simulation, optimization, and/or quote creation |
| EP2902930A2 (en) * | 2014-02-04 | 2015-08-05 | Ingersoll-Rand Company | System and method for modeling, simulation, optimization, and/or quote creation |
| US20170016577A1 (en) * | 2014-03-12 | 2017-01-19 | Mada Energie Llc | Liquid Air Energy Storage Systems, Devices, and Methods |
| CN104573820A (zh) * | 2014-12-31 | 2015-04-29 | 中国地质大学（武汉） | 一种用于带约束条件的工程优化问题的遗传算法 |
| CN108268359A (zh) * | 2017-12-30 | 2018-07-10 | 浙江中睿低碳科技有限公司 | 基于深度学习的空压站的优化方法 |
| CN108625988A (zh) * | 2018-04-26 | 2018-10-09 | 山东大学 | 一种含压缩空气储能的cchp微网结构及其运行方法 |
| CN109062151A (zh) * | 2018-05-08 | 2018-12-21 | 国网山东省电力公司青岛供电公司 | 综合能源系统多目标集成设计与优化控制方法 |
| CN109858093A (zh) * | 2018-12-28 | 2019-06-07 | 浙江工业大学 | Svr神经网络辅助的非支配排序遗传算法的空气源热泵多目标优化设计方法 |
| CN109783916A (zh) * | 2019-01-02 | 2019-05-21 | 大连理工大学 | 一种基于仿真技术的空气压缩机群组优化调度决策方法 |
| CN109886448A (zh) * | 2019-03-14 | 2019-06-14 | 浙江工业大学 | 采用变学习率bp神经网络以及nsga-ii算法的热泵多目标优化控制方法 |
| CN110173958A (zh) * | 2019-05-31 | 2019-08-27 | 新奥数能科技有限公司 | 一种天然气液化制冷优化方法及装置 |
| CN110929957A (zh) * | 2019-12-09 | 2020-03-27 | 新奥数能科技有限公司 | 一种用于综合能源系统的优化方法及装置 |
| CN111814400A (zh) * | 2020-07-09 | 2020-10-23 | 江苏科技大学 | 一种基于遗传算法的空气压缩机选型方法 |
| CN112395811A (zh) * | 2020-11-25 | 2021-02-23 | 中国科学院工程热物理研究所 | 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 |
| CN112560193A (zh) * | 2020-12-08 | 2021-03-26 | 宋印东 | 一种基于神经网络算法的压缩机组运行控制方法 |
Non-Patent Citations (4)
| Title |
|---|
| "《敏感词》" * |
| ROBERT BAYER ET AL.: "Energy Harvesting Using Thermocouple and Compressed Air", 《SENSORS (BASEL) 》, vol. 21, no. 18, pages 6031 - 148 * |
| 何青等: "基于正交设计的压缩空气储能系统炯效率分析", 《动力工程学报》, vol. 36, no. 4, pages 313 - 319 * |
| 王焕然: "一种新型压缩空气储能系统的理论分析", 《南方能源建设》, vol. 2, no. 2, pages 15 - 19 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114370896A (zh) * | 2021-12-29 | 2022-04-19 | 贵州电网有限责任公司 | 一种膨胀发电系统蓄热罐加热发电能力监测方法 |
| CN114370896B (zh) * | 2021-12-29 | 2024-03-19 | 贵州电网有限责任公司 | 一种膨胀发电系统蓄热罐加热发电能力监测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113807015B (zh) | 2023-12-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109165788B (zh) | 一种冷热电联供系统的优化方法 | |
| CN112561728B (zh) | 基于注意力机制lstm的综合能耗费用优化方法、介质及设备 | |
| CN109615141B (zh) | 一种多能源系统并网优化调度方法及装置 | |
| CN112784484B (zh) | 一种区域综合能源系统多目标优化方法及优化系统 | |
| Aguilar et al. | Design and optimization of flexible utility systems subject to variable conditions: Part 2: Methodology and applications | |
| CN111245024B (zh) | 基于模型预测控制的综合能源系统鲁棒优化运行方法 | |
| Bertini et al. | Soft computing based optimization of combined cycled power plant start-up operation with fitness approximation methods | |
| CN113807015A (zh) | 压缩空气储能系统参数优化方法、装置、设备及存储介质 | |
| CN114154744A (zh) | 综合能源系统的扩容规划方法、装置及电子设备 | |
| CN112052570A (zh) | 一种基于灰狼算法的火电厂湿冷机组经济背压寻优方法 | |
| Chung et al. | Optimal generation expansion planning via improved genetic algorithm approach | |
| CN113268698B (zh) | 综合能源系统新能源消纳能力优化方法、装置及终端设备 | |
| Frangopoulos | Methods of energy systems optimization | |
| US20200320237A1 (en) | Apparatus and method for deriving boiler combustion model | |
| CN112001639A (zh) | 综合能源系统能源需求的可调能力评估方法及存储介质 | |
| CN112052987A (zh) | 一种计及风电的综合能源系统优化规划方法及系统 | |
| Bertini et al. | Start-up optimisation of a combined cycle power plant with multiobjective evolutionary algorithms | |
| CN115712976A (zh) | 基于多元供热机组的热能及电负荷优化方法及相关设备 | |
| CN113346489B (zh) | 一种新能源空间耦合性建模评估方法及系统 | |
| CN111488690B (zh) | 一种冲击式水轮发电机调速器空载调节参数优化方法 | |
| CN110768294B (zh) | 一种分布式电源随机调度方法和装置 | |
| Seyyedi et al. | A new iterative approach to the optimization of thermal energy systems: Application to the regenerative Brayton cycle | |
| CN110400050B (zh) | 一种综合能源系统的可替代自由度指标计算方法 | |
| CN113095545B (zh) | 空冷凝汽器冷却风机最优运行频率确定方法、装置及终端 | |
| CN109523167B (zh) | 汽轮机通流效率对机组出力影响的评估方法及终端设备 |
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 |