CN114614479B - 一种基于人工智能的多能流液控压缩空气储能控制系统及方法 - Google Patents
一种基于人工智能的多能流液控压缩空气储能控制系统及方法 Download PDFInfo
- Publication number
- CN114614479B CN114614479B CN202210126509.5A CN202210126509A CN114614479B CN 114614479 B CN114614479 B CN 114614479B CN 202210126509 A CN202210126509 A CN 202210126509A CN 114614479 B CN114614479 B CN 114614479B
- Authority
- CN
- China
- Prior art keywords
- energy
- water
- data
- energy storage
- air
- 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
- 238000004146 energy storage Methods 0.000 title claims abstract description 167
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 35
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000005457 optimization Methods 0.000 claims abstract description 27
- 238000013135 deep learning Methods 0.000 claims abstract description 18
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 125
- 238000012544 monitoring process Methods 0.000 claims description 51
- 239000003990 capacitor Substances 0.000 claims description 16
- 230000005611 electricity Effects 0.000 claims description 16
- 238000005265 energy consumption Methods 0.000 claims description 15
- 238000010248 power generation Methods 0.000 claims description 14
- 238000013179 statistical model Methods 0.000 claims description 9
- 230000008859 change Effects 0.000 claims description 8
- 230000001932 seasonal effect Effects 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 6
- 230000007613 environmental effect Effects 0.000 claims description 5
- 238000007906 compression Methods 0.000 claims description 4
- 230000005674 electromagnetic induction Effects 0.000 claims description 4
- 239000002351 wastewater Substances 0.000 claims description 4
- 238000005338 heat storage Methods 0.000 claims description 3
- 238000005086 pumping Methods 0.000 claims description 3
- 230000005855 radiation Effects 0.000 claims description 3
- 239000007788 liquid Substances 0.000 claims description 2
- 239000000463 material Substances 0.000 claims description 2
- -1 motors Substances 0.000 claims description 2
- 238000009413 insulation Methods 0.000 claims 2
- 238000004321 preservation Methods 0.000 claims 2
- 238000003066 decision tree Methods 0.000 description 5
- 238000010438 heat treatment Methods 0.000 description 4
- 230000004044 response Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/28—Arrangements for balancing of the load in a network by storage of energy
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
- H02J13/00001—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network characterised by the display of information or by user interaction, e.g. supervisory control and data acquisition systems [SCADA] or graphical user interfaces [GUI]
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
- H02J13/00002—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network characterised by monitoring
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
- H02J13/00032—Systems characterised by the controlled or operated power network elements or equipment, the power network elements or equipment not otherwise provided for
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J15/00—Systems for storing electric energy
- H02J15/006—Systems for storing electric energy in the form of pneumatic energy, e.g. compressed air energy storage [CAES]
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/10—Power transmission or distribution systems management focussing at grid-level, e.g. load flow analysis, node profile computation, meshed network optimisation, active network management or spinning reserve management
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Human Computer Interaction (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Feedback Control In General (AREA)
Abstract
本发明提供一种基于人工智能的多能流液控压缩空气储能控制系统及方法,所述系统包括清洁能源端、用户负荷端、储能端、供能端、数据反馈端、控制端、人工智能云端。本发明通过清洁能源端收集风能、太阳能的发电量数据信息;用户负荷端收集用户侧的电负荷和热负荷的需求;数据反馈端接收清洁能源端、用户负荷端的数据,并远程操控;储能端接受清洁能源端的电能并转化为压缩空气能;供能端根据用户负荷端的需求将压缩空气能转化为电能和热能输出;控制端接收储能端、供能端实时反馈的运行参数数据并远程操控;人工智能云端运用深度学习和多目标最优化算法,对液控压缩空气储能系统进行运行决策,经过不断迭代优化达到最优化控制。
Description
技术领域
本发明涉及储能和清洁能源利用技术领域,尤其涉及一种基于人工智能的多能流液控压缩空气储能控制系统及方法。
背景技术
人工智能是计算机科学的一个分支,它企图了解智能的实质,并生产出一种新的能以人类智能相似的方式做出反应的智能机器,该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。人工智能从诞生以来,理论和技术日益成熟,应用领域也不断扩大,可以设想,未来人工智能带来的科技产品,将会是人类智慧的“容器”。人工智能可以对各种信息系统的运行和控制过程进行模拟,在某种程度上也可能超过人的智能。
将可再生清洁能源,例如风能和太阳能等与压缩空气储能相结合,是提高清洁能源利用效率的一个重要途径。为提高我国能源综合利用能力,践行节能减排、力争完成战略目标具有重要的现实意义。但是风能和太阳能具有波动性和间歇性的特点,用户端的用能需求也存在较大的不确定性,在此变工况条件下液控压缩空气储能系统的运行控制的时变响应问题存在难点。
发明内容
本发明第一个目的在于,针对清洁能源来源端波动性问题、用户需求端变负荷特性问题所造成的变工况条件下液控压缩空气储能系统的运行控制的时变响应问题,提供一种基于人工智能的多能流液控压缩空气储能控制系统。
为此,本发明的上述目的通过如下技术方案实现:
一种基于人工智能的多能流液控压缩空气储能控制系统,其特征在于:所述基于人工智能的多能流液控压缩空气储能控制系统包括:清洁能源端、用户负荷端、储能端、供能端、数据反馈端、控制端、人工智能云端;
所述清洁能源端包含环境监测系统和发电监控系统,可对具有波动性的风能和周期性的太阳能的气候数据以及发电数据进行实时收集,并反馈数据给数据反馈端;所述清洁能源端也接受数据反馈端的控制向储能端供电;
所述用户负荷端包含温湿度监测系统和用能监控系统,可对用户侧的环境温湿度实时监测收集,对具有峰谷周期的用电能和具有季节周期性的热能需求数据进行实时收集,并反馈数据给数据反馈端;所述用户负荷端也接受数据反馈端的控制来接收供能端供应的电能和热能;
所述储能端包含液控压缩空气储能系统,可以接收清洁能源端的供电,并转化成压缩空气将能量进行存储;储能端的液控压缩空气储能系统向控制端实时反馈数据,并接受控制端的操控;
所述供能端包含液控压缩空气储能系统,可以将储能端的压缩空气能转化成电能和热能,并供能给用户负荷端;供能端的液控压缩空气储能系统向控制端实时反馈数据,并接受控制端的操控;
所述数据反馈端包含数据监控系统以及反馈输出系统,数据监控系统可以收集并存储清洁能源端和用户负荷端实时收集的数据资料;反馈输出系统向人工智能云端实时反馈清洁能源端的风能、太阳能的变化和发电量数据信息,并向人工智能云端实时反馈用户负荷端的电和热负荷的需求数据;所述数据反馈端的反馈输出系统也接收人工智能云端传来的指令,通过数据监控系统控制清洁能源端向储能端供电,并通过数据监控系统控制用户负荷端来接收供能端供应的电能和热能;
所述人工智能云端包含主机、判断系统、云计算服务器集群,主机接收来自数据反馈端的清洁能源供能和用户电、热负荷的需求数据,同时主机也接收控制端反馈的储能端和供能端各装置运行数据;判断系统根据反馈的数据进行判断,针对分析所需计算量灵活分配云计算服务器集群节点资源;运用深度学习的方法,利用云计算服务器集群并根据统计模型和参数,采用多目标最优化算法对液控压缩空气储能系统进行运行决策与控制,例如但不局限于决策树、贝叶斯学习算法等;最终实现精准匹配用户负荷端的用能需求;
所述控制端包含数据采集系统、远程操控系统以及结果输出系统,可以启动并监控液控压缩空气储能系统在储能端和供能端的运行出力情况,并将运行结果反馈给人工智能云端;同时,所述控制端还会接收人工智能云端传来的指令,对储能端和供能端的各装置进行针对性操控;
操控后的液控压缩空气储能系统在储能端和供能端的实时运行结果,会接着反馈至人工智能云端;人工智能云端利用深度学习方法进行不断地判断与优化修正,最终实现多目标最优的储能端的液控压缩空气储能系统的运行控制。
在采用上述技术方案的同时,本发明还可以采用或者组合采用如下技术方案:
作为本发明的优选技术方案:所述清洁能源端的环境监测系统包含风速风向检测仪、太阳辐射计。
作为本发明的优选技术方案:所述清洁能源端的发电监控系统包含精密电流表,所述精密电流表用于高精度实时收集风能、太阳能的变化和清洁能源发电量等数据信息。
作为本发明的优选技术方案:所述用户负荷端的温湿度监测系统包含温湿度传感器,所述温湿度传感器用于对用户侧的温湿度环境实时监测收集。
作为本发明的优选技术方案:所述用户负荷端的用能监控系统包含精密电流表,所述精密电流表用于对具有峰谷周期的用电能和具有季节周期性的热能需求数据进行实时收集。
作为本发明的优选技术方案:所述储能端的液控压缩空气储能系统包含多个超级电容器、电动机、蓄水罐、水泵、水气共容罐、储气罐、水阀和气阀装置,以通过远程控制超级电容器的输出电流、远程控制采用的并联的电动机、蓄水罐、水泵、水气共容罐、储气罐的数目,远程控制水阀和气阀的流量,从而控制压缩空气储能容量。
作为本发明的优选技术方案:所述供能端的液控压缩空气储能系统包含多个储气罐、水气共容罐、水轮机、发电机、蓄水罐、气阀、水阀和回水阀,以通过远程控制采用的并联的储气罐、水气共容罐、水轮机、发电机、蓄水罐的数目,远程控制气阀、水阀和回水阀的流量,从而满足用户负荷端的电能和热能需求。
本发明还有一个目的在于,针对现有技术中存在的不足,提供一种基于人工智能的多能流液控压缩空气储能控制系统的控制方法。
为此,本发明的上述目的通过如下技术方案实现:
首先,清洁能源端的风速、风向和太阳能辐射量数据被环境监测系统实时监测和收集,风能、太阳能等可再生能源产生的波动、不稳定电流的数据被发电监控系统实时收集,这些数据都被传输给数据反馈端。与此同时,用户负荷端的温湿度监测系统对用户侧的环境温度和湿度实时监测收集,并通过用能监控系统对具有峰谷周期的用电能和具有季节周期性的热能需求数据进行实时收集,并反馈数据给数据反馈端。
接着,数据反馈端的反馈输出系统向人工智能云端实时反馈清洁能源端的风能、太阳能的变化和发电量数据信息,并向人工智能云端实时反馈用户负荷端的电和热负荷的需求数据。人工智能云端的主机接收来自数据反馈端的清洁能源供能和用户电、热负荷的需求数据,判断系统根据反馈的数据进行判断。如果清洁能源端的供能大于用户负荷端的需求,则通过主机向数据反馈端发送指令,数据反馈端的反馈输出系统接收人工智能云端传来的指令,通过数据监控系统控制清洁能源端向储能端供电,同时主机向控制端发送指令,启动并监控储能端的各装置;如果清洁能源端的供能小于用户负荷端的需求,则通过主机向数据反馈端发送指令,数据反馈端的反馈输出系统接收人工智能云端传来的指令,通过数据监控系统控制用户负荷端来接收供能端供应的电能和热能,同时主机向控制端发送指令,启动并监控供能端的各装置;如果清洁能源端的供能等于用户负荷端的需求,则继续接收实时数据反馈,不发送指令。
当清洁能源端向储能端供电时,控制端的远程操控系统接收人工智能云端传来的指令,启动储能端的液控压缩空气储能系统。风能、太阳能等可再生能源产生的多余的波动、不稳定电流流入超级电容器,超级电容器对电流进行调频,输出固定倍率的稳定的电流给电动机供电。电动机带动水泵从蓄水罐中抽水并通过水阀流入水气共容罐中,水气共容罐中的水逐渐增多并通过气阀将空气压缩并存入储气罐中,空气在压缩过程中温度升高在储气罐中被高温高压绝热保存。储能端的液控压缩空气储能系统在储能过程中超级电容器的输出电流、电动机的转速和功率、水泵的抽水量和功率、水阀的流量、气阀的流量、储气罐的温度和压力等数据被实时反馈给控制端。控制端的数据采集系统接收储能端的数据,并通过结果输出系统反馈至人工智能云端。人工智能云端的主机接收控制端反馈的储能端各装置的运行数据,人工智能云端的云计算服务器集群计算储能端液控压缩空气储能系统的储能效率和运行经济性,通过判断系统判断液控压缩空气储能系统是否达到储能效率最大和运行经济性最优。如果没有达到多目标最优,则判断系统根据分析所需计算量灵活分配云计算服务器集群节点资源;云计算服务器集群运用深度学习的方法,并根据统计模型和参数,采用多目标最优化算法对储能端的液控压缩空气储能系统进行运行决策,例如但不局限于决策树、贝叶斯学习算法等;将人工智能算法推演得到的最优决策以指令的形式传递给控制端的远程操控系统,接着远程操控系统对储能端的液控压缩空气储能系统的超级电容器的输出电流、并联电动机的台数、并联水泵的台数、并联水气共容罐的台数、水阀的流量、气阀的流量、并联储气罐的台数等进行控制;接着将运行结果反馈给人工智能云端,人工智能云端利用深度学习方法进行不断地判断与优化修正,最终实现多目标最优的储能端的液控压缩空气储能系统的运行控制。如果达到多目标最优,则人工智能云端对控制端不下达指令。
当用户负荷端接收供能端供应的电能和热能时,控制端的远程操控系统接收人工智能云端传来的指令,启动供能端的液控压缩空气储能系统。储气罐中被压缩的高温空气通过气阀流入水气共容罐,在水气共容罐内的空气会推动水从水气共容罐中流出。同时储气罐中被压缩的高温空气在水气共容罐中跟水接触会进行热交换,使水气共容罐中流出的水的温度升高。水气共容罐中流出的高温水通过水阀流入水轮机,带动水轮机转动并通过电磁感应带动发动机发电并向外供电。水轮机流出的高温废水通过回水阀流入蓄水罐中进行储存,并向外供热。供能端的液控压缩空气储能系统在供能过程中储气罐的温度和压力、气阀的流量、水阀的流量、水轮机的转速和功率、发电机的发电量、回水阀的流量、蓄水罐的储热量等数据被实时反馈给控制端。控制端的数据采集系统接收供能端的数据,并通过结果输出系统反馈至人工智能云端。人工智能云端的主机接收控制端反馈的供能端各装置的运行数据,人工智能云端的云计算服务器集群计算供能端液控压缩空气储能系统的发电效率、供热效率和运行经济性,通过判断系统判断液控压缩空气储能系统是否达到发电效率最大、供热效率最高和运行经济性最优。如果没有达到多目标最优,则判断系统根据分析所需计算量灵活分配云计算服务器集群节点资源;云计算服务器集群运用深度学习的方法,并根据统计模型和参数,采用多目标最优化算法对供能端的液控压缩空气储能系统进行运行决策,例如但不局限于决策树、贝叶斯学习算法等;将人工智能算法推演得到的最优决策以指令的形式传递给控制端的远程操控系统,接着远程操控系统对供能端的液控压缩空气储能系统的并联储气罐的台数、并联水气共容罐的台数、水阀的流量、气阀的流量、并联发电机的台数、回水阀的流量等进行控制;接着将运行结果反馈给人工智能云端,人工智能云端利用深度学习方法进行不断地判断与优化修正,最终实现多目标最优的供能端的液控压缩空气储能系统的运行控制。如果达到多目标最优,则人工智能云端对控制端不下达指令。
本发明提供一种基于人工智能的多能流液控压缩空气储能控制系统及方法,所述多能流液控压缩空气储能控制系统包括清洁能源端、用户负荷端、储能端、供能端、数据反馈端、控制端、人工智能云端。本发明通过清洁能源端收集风能、太阳能的发电量数据信息;用户负荷端收集用户侧的电负荷和热负荷的需求;数据反馈端接收清洁能源端、用户负荷端的数据,并远程操控;储能端接受清洁能源端的电能并转化为压缩空气能;供能端根据用户负荷端的需求将压缩空气能转化为电能和热能输出;控制端接收储能端、供能端实时反馈的运行参数数据并远程操控;人工智能云端运用深度学习和多目标最优化算法,根据统计模型和参数,对液控压缩空气储能系统进行运行决策,经过不断迭代优化达到最优化控制。
与现有技术相比,本发明所提供的基于人工智能的多能流液控压缩空气储能控制系统及方法具有如下的有益效果:
(1)、无需输入参数,所有人工智能云端需要分析的数据均由监测装置测试获得,可以实时测试液控压缩空气储能系统的运行状况,得到精确的运行参数;
(2)、引入清洁能源端的波动性和不稳定性,考虑了用户负荷端的用能需求变化情况,可以针对各种变工况条件进行快速的响应控制;
(3)、利用人工智能的手段对结合清洁能源的液控压缩空气储能系统进行多目标多能流的优化控制,可以同时实现储能效率最大、发电效率最大、供热效率最高和运行经济性最优;
(4)、将人工智能与实时监控设备相结合,避免了繁琐、复杂以及滞后的人工运维,节省了人工与时间成本,更加灵活、高效;
(5)、本发明所提供的基于人工智能的多能流液控压缩空气储能控制系统具有良好扩展性与适用性,可以基于此应用于其他储能控制系统的进行多目标优化控制。
附图说明
图1为一种基于人工智能的多能流液控压缩空气储能控制系统及方法的流程图。
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,下面将结合附图对本发明实施方式作进一步详细地说明。
如图1所示,本发明提供一种基于人工智能的多能流液控压缩空气储能控制系统,包括清洁能源端、用户负荷端、储能端、供能端、数据反馈端、控制端、人工智能云端。
首先,清洁能源端的风速、风向和太阳能辐射量数据被环境监测系统实时监测和收集,风能、太阳能等可再生能源产生的波动、不稳定电流的数据被发电监控系统实时收集,这些数据都被传输给数据反馈端。与此同时,用户负荷端的温湿度监测系统对用户侧的环境温度和湿度实时监测收集,并通过用能监控系统对具有峰谷周期的用电能和具有季节周期性的热能需求数据进行实时收集,并反馈数据给数据反馈端。
接着,数据反馈端的反馈输出系统向人工智能云端实时反馈清洁能源端的风能、太阳能的变化和发电量数据信息,并向人工智能云端实时反馈用户负荷端的电和热负荷的需求数据。人工智能云端的主机接收来自数据反馈端的清洁能源供能和用户电、热负荷的需求数据,判断系统根据反馈的数据进行判断。如果清洁能源端的供能大于用户负荷端的需求,则通过主机向数据反馈端发送指令,数据反馈端的反馈输出系统接收人工智能云端传来的指令,通过数据监控系统控制清洁能源端向储能端供电,同时主机向控制端发送指令,启动并监控储能端的各装置;如果清洁能源端的供能小于用户负荷端的需求,则通过主机向数据反馈端发送指令,数据反馈端的反馈输出系统接收人工智能云端传来的指令,通过数据监控系统控制用户负荷端来接收供能端供应的电能和热能,同时主机向控制端发送指令,启动并监控供能端的各装置;如果清洁能源端的供能等于用户负荷端的需求,则继续接收实时数据反馈,不发送指令。
当清洁能源端向储能端供电时,控制端的远程操控系统接收人工智能云端传来的指令,启动储能端的液控压缩空气储能系统。风能、太阳能等可再生能源产生的多余的波动、不稳定电流流入超级电容器,超级电容器对电流进行调频,输出固定倍率的稳定的电流给电动机供电。电动机带动水泵从蓄水罐中抽水并通过水阀流入水气共容罐中,水气共容罐中的水逐渐增多并通过气阀将空气压缩并存入储气罐中,空气在压缩过程中温度升高在储气罐中被高温高压绝热保存。储能端的液控压缩空气储能系统在储能过程中超级电容器的输出电流、电动机的转速和功率、水泵的抽水量和功率、水阀的流量、气阀的流量、储气罐的温度和压力等数据被实时反馈给控制端。控制端的数据采集系统接收储能端的数据,并通过结果输出系统反馈至人工智能云端。人工智能云端的主机接收控制端反馈的储能端各装置的运行数据,人工智能云端的云计算服务器集群计算储能端液控压缩空气储能系统的储能效率和运行经济性,通过判断系统判断液控压缩空气储能系统是否达到储能效率最大和运行经济性最优。如果没有达到多目标最优,则判断系统根据分析所需计算量灵活分配云计算服务器集群节点资源;云计算服务器集群运用深度学习的方法,并根据统计模型和参数,采用多目标最优化算法对储能端的液控压缩空气储能系统进行运行决策,例如但不局限于决策树、贝叶斯学习算法等;将人工智能算法推演得到的最优决策以指令的形式传递给控制端的远程操控系统,接着远程操控系统对储能端的液控压缩空气储能系统的超级电容器的输出电流、并联电动机的台数、并联水泵的台数、并联水气共容罐的台数、水阀的流量、气阀的流量、并联储气罐的台数等进行控制;接着将运行结果反馈给人工智能云端,人工智能云端利用深度学习方法进行不断地判断与优化修正,最终实现多目标最优的储能端的液控压缩空气储能系统的运行控制。如果达到多目标最优,则人工智能云端对控制端不下达指令。
当用户负荷端接收供能端供应的电能和热能时,控制端的远程操控系统接收人工智能云端传来的指令,启动供能端的液控压缩空气储能系统。储气罐中被压缩的高温空气通过气阀流入水气共容罐,在水气共容罐内的空气会推动水从水气共容罐中流出。同时储气罐中被压缩的高温空气在水气共容罐中跟水接触会进行热交换,使水气共容罐中流出的水的温度升高。水气共容罐中流出的高温水通过水阀流入水轮机,带动水轮机转动并通过电磁感应带动发动机发电并向外供电。水轮机流出的高温废水通过回水阀流入蓄水罐中进行储存,并向外供热。供能端的液控压缩空气储能系统在供能过程中储气罐的温度和压力、气阀的流量、水阀的流量、水轮机的转速和功率、发电机的发电量、回水阀的流量、蓄水罐的储热量等数据被实时反馈给控制端。控制端的数据采集系统接收供能端的数据,并通过结果输出系统反馈至人工智能云端。人工智能云端的主机接收控制端反馈的供能端各装置的运行数据,人工智能云端的云计算服务器集群计算供能端液控压缩空气储能系统的发电效率、供热效率和运行经济性,通过判断系统判断液控压缩空气储能系统是否达到发电效率最大、供热效率最高和运行经济性最优。如果没有达到多目标最优,则判断系统根据分析所需计算量灵活分配云计算服务器集群节点资源;云计算服务器集群运用深度学习的方法,并根据统计模型和参数,采用多目标最优化算法对供能端的液控压缩空气储能系统进行运行决策,例如但不局限于决策树、贝叶斯学习算法等;将人工智能算法推演得到的最优决策以指令的形式传递给控制端的远程操控系统,接着远程操控系统对供能端的液控压缩空气储能系统的并联储气罐的台数、并联水气共容罐的台数、水阀的流量、气阀的流量、并联发电机的台数、回水阀的流量等进行控制;接着将运行结果反馈给人工智能云端,人工智能云端利用深度学习方法进行不断地判断与优化修正,最终实现多目标最优的供能端的液控压缩空气储能系统的运行控制。如果达到多目标最优,则人工智能云端对控制端不下达指令。
本领域技术人员可以理解附图只是一个优选实施例的示意图,上述实施例序号仅仅用于描述,不代表实施例的优劣。上述实施例仅为本发明的较佳实施例,但本发明的实施方式并不受上述实施例的限制,其他任何在本发明的精神和原则之内,所作的修改、替代、组合、简化、改进等,都包含在本发明的保护范围之内。
Claims (6)
1.一种基于人工智能的多能流液控压缩空气储能控制系统,其特征在于:所述基于人工智能的多能流液控压缩空气储能控制系统包括:清洁能源端、用户负荷端、储能端、供能端、数据反馈端、控制端、人工智能云端;
所述清洁能源端包含环境监测系统和发电监控系统,可对具有波动性的风能和周期性的太阳能的气候数据以及发电数据进行实时收集,并反馈数据给数据反馈端;所述清洁能源端也接受数据反馈端的控制向储能端供电;
所述用户负荷端包含温湿度监测系统和用能监控系统,可对用户侧的环境温湿度实时监测收集,对具有峰谷周期的用电能和具有季节周期性的热能需求数据进行实时收集,并反馈数据给数据反馈端;所述用户负荷端也接受数据反馈端的控制来接收供能端供应的电能和热能;
所述储能端包含液控压缩空气储能系统,可以接收清洁能源端的供电,并转化成压缩空气将能量进行存储;储能端的液控压缩空气储能系统向控制端实时反馈数据,并接受控制端的操控;
所述供能端包含液控压缩空气储能系统,可以将储能端的压缩空气能转化成电能和热能,并供能给用户负荷端;供能端的液控压缩空气储能系统向控制端实时反馈数据,并接受控制端的操控;
所述数据反馈端包含数据监控系统以及反馈输出系统,数据监控系统可以收集并存储清洁能源端和用户负荷端实时收集的数据资料;反馈输出系统向人工智能云端实时反馈清洁能源端的风能、太阳能的变化和发电量数据信息,并向人工智能云端实时反馈用户负荷端的电和热负荷的需求数据;所述数据反馈端的反馈输出系统也接收人工智能云端传来的指令,通过数据监控系统控制清洁能源端向储能端供电,并通过数据监控系统控制用户负荷端来接收供能端供应的电能和热能;
所述人工智能云端包含主机、判断系统、云计算服务器集群,主机接收来自数据反馈端的清洁能源供能和用户电、热负荷的需求数据,同时主机也接收控制端反馈的储能端和供能端各装置运行数据;判断系统根据反馈的数据进行判断,针对分析所需计算量灵活分配云计算服务器集群节点资源;运用深度学习的方法,利用云计算服务器集群并根据统计模型和参数,采用多目标最优化算法对液控压缩空气储能系统进行运行决策与控制;最终实现精准匹配用户负荷端的用能需求;
所述控制端包含数据采集系统、远程操控系统以及结果输出系统,可以启动并监控液控压缩空气储能系统在储能端和供能端的运行出力情况,并将运行结果反馈给人工智能云端;同时,所述控制端还会接收人工智能云端传来的指令,对储能端和供能端的各装置进行针对性操控;
操控后的液控压缩空气储能系统在储能端和供能端的实时运行结果,会接着反馈至人工智能云端;人工智能云端利用深度学习方法进行不断地判断与优化修正,最终实现多目标最优的储能端的液控压缩空气储能系统的运行控制;
所述储能端的液控压缩空气储能系统包含多个超级电容器、电动机、蓄水罐、水泵、水气共容罐、储气罐、水阀和气阀装置,以通过远程控制超级电容器的输出电流、远程控制采用的并联的电动机、蓄水罐、水泵、水气共容罐、储气罐的数目,远程控制水阀和气阀的流量,从而控制压缩空气储能容量;
电动机带动水泵从蓄水罐中抽水并通过水阀流入水气共容罐中,水气共容罐中的水逐渐增多并通过气阀将空气压缩并存入储气罐中,空气在压缩过程中温度升高在储气罐中被高温高压绝热保存;
所述供能端的液控压缩空气储能系统包含多个储气罐、水气共容罐、水轮机、发电机、蓄水罐、气阀、水阀和回水阀,以通过远程控制采用的并联的储气罐、水气共容罐、水轮机、发电机、蓄水罐的数目,远程控制气阀、水阀和回水阀的流量,从而满足用户负荷端的电能和热能需求;
储气罐中被压缩的高温空气通过气阀流入水气共容罐,在水气共容罐内的空气会推动水从水气共容罐中流出;同时储气罐中被压缩的高温空气在水气共容罐中跟水接触会进行热交换,使水气共容罐中流出的水的温度升高;水气共容罐中流出的高温水通过水阀流入水轮机,带动水轮机转动并通过电磁感应带动发动机发电并向外供电;水轮机流出的高温废水通过回水阀流入蓄水罐中进行储存,并向外供热。
2.根据权利要求1所述的基于人工智能的多能流液控压缩空气储能控制系统,其特征在于:所述清洁能源端的环境监测系统包含风速风向检测仪、太阳辐射计。
3.根据权利要求1所述的基于人工智能的多能流液控压缩空气储能控制系统,其特征在于:所述清洁能源端的发电监控系统包含精密电流表,所述精密电流表用于高精度实时收集风能、太阳能的变化和清洁能源发电量的数据信息。
4.根据权利要求1所述的基于人工智能的多能流液控压缩空气储能控制系统,其特征在于:所述用户负荷端的温湿度监测系统包含温湿度传感器,所述温湿度传感器用于对用户侧的温湿度环境实时监测收集。
5.根据权利要求1所述的基于人工智能的多能流液控压缩空气储能控制系统,其特征在于:所述用户负荷端的用能监控系统包含精密电流表,所述精密电流表用于对具有峰谷周期的用电能和具有季节周期性的热能需求数据进行实时收集。
6.根据权利要求1所述的基于人工智能的多能流液控压缩空气储能控制系统的控制方法,其特征在于:所述控制方法包括如下步骤:
首先,清洁能源端的风速、风向和太阳能辐射量数据被环境监测系统实时监测和收集,风能、太阳能产生的波动、不稳定电流的数据被发电监控系统实时收集,这些数据都被传输给数据反馈端;与此同时,用户负荷端的温湿度监测系统对用户侧的环境温度和湿度实时监测收集,并通过用能监控系统对具有峰谷周期的用电能和具有季节周期性的热能需求数据进行实时收集,并反馈数据给数据反馈端;
接着,数据反馈端的反馈输出系统向人工智能云端实时反馈清洁能源端的风能、太阳能的变化和发电量数据信息,并向人工智能云端实时反馈用户负荷端的电和热负荷的需求数据;人工智能云端的主机接收来自数据反馈端的清洁能源供能和用户电、热负荷的需求数据,判断系统根据反馈的数据进行判断;如果清洁能源端的供能大于用户负荷端的需求,则通过主机向数据反馈端发送指令,数据反馈端的反馈输出系统接收人工智能云端传来的指令,通过数据监控系统控制清洁能源端向储能端供电,同时主机向控制端发送指令,启动并监控储能端的各装置;如果清洁能源端的供能小于用户负荷端的需求,则通过主机向数据反馈端发送指令,数据反馈端的反馈输出系统接收人工智能云端传来的指令,通过数据监控系统控制用户负荷端来接收供能端供应的电能和热能,同时主机向控制端发送指令,启动并监控供能端的各装置;如果清洁能源端的供能等于用户负荷端的需求,则继续接收实时数据反馈,不发送指令;
当清洁能源端向储能端供电时,控制端的远程操控系统接收人工智能云端传来的指令,启动储能端的液控压缩空气储能系统;风能、太阳能产生的多余的波动、不稳定电流流入超级电容器,超级电容器对电流进行调频,输出固定倍率的稳定的电流给电动机供电;电动机带动水泵从蓄水罐中抽水并通过水阀流入水气共容罐中,水气共容罐中的水逐渐增多并通过气阀将空气压缩并存入储气罐中,空气在压缩过程中温度升高在储气罐中被高温高压绝热保存;储能端的液控压缩空气储能系统在储能过程中超级电容器的输出电流、电动机的转速和功率、水泵的抽水量和功率、水阀的流量、气阀的流量、储气罐的温度和压力的数据被实时反馈给控制端;控制端的数据采集系统接收储能端的数据,并通过结果输出系统反馈至人工智能云端;人工智能云端的主机接收控制端反馈的储能端各装置的运行数据,人工智能云端的云计算服务器集群计算储能端液控压缩空气储能系统的储能效率和运行经济性,通过判断系统判断液控压缩空气储能系统是否达到储能效率最大和运行经济性最优;如果没有达到多目标最优,则判断系统根据分析所需计算量灵活分配云计算服务器集群节点资源;云计算服务器集群运用深度学习的方法,并根据统计模型和参数,采用多目标最优化算法对储能端的液控压缩空气储能系统进行运行决策;将人工智能算法推演得到的最优决策以指令的形式传递给控制端的远程操控系统,接着远程操控系统对储能端的液控压缩空气储能系统的超级电容器的输出电流、并联电动机的台数、并联水泵的台数、并联水气共容罐的台数、水阀的流量、气阀的流量、并联储气罐的台数进行控制;接着将运行结果反馈给人工智能云端,人工智能云端利用深度学习方法进行不断地判断与优化修正,最终实现多目标最优的储能端的液控压缩空气储能系统的运行控制;如果达到多目标最优,则人工智能云端对控制端不下达指令;
当用户负荷端接收供能端供应的电能和热能时,控制端的远程操控系统接收人工智能云端传来的指令,启动供能端的液控压缩空气储能系统;储气罐中被压缩的高温空气通过气阀流入水气共容罐,在水气共容罐内的空气会推动水从水气共容罐中流出;同时储气罐中被压缩的高温空气在水气共容罐中跟水接触会进行热交换,使水气共容罐中流出的水的温度升高;水气共容罐中流出的高温水通过水阀流入水轮机,带动水轮机转动并通过电磁感应带动发动机发电并向外供电;水轮机流出的高温废水通过回水阀流入蓄水罐中进行储存,并向外供热;供能端的液控压缩空气储能系统在供能过程中储气罐的温度和压力、气阀的流量、水阀的流量、水轮机的转速和功率、发电机的发电量、回水阀的流量、蓄水罐的储热量的数据被实时反馈给控制端;控制端的数据采集系统接收供能端的数据,并通过结果输出系统反馈至人工智能云端;人工智能云端的主机接收控制端反馈的供能端各装置的运行数据,人工智能云端的云计算服务器集群计算供能端液控压缩空气储能系统的发电效率、供热效率和运行经济性,通过判断系统判断液控压缩空气储能系统是否达到发电效率最大、供热效率最高和运行经济性最优;如果没有达到多目标最优,则判断系统根据分析所需计算量灵活分配云计算服务器集群节点资源;云计算服务器集群运用深度学习的方法,并根据统计模型和参数,采用多目标最优化算法对供能端的液控压缩空气储能系统进行运行决策;将人工智能算法推演得到的最优决策以指令的形式传递给控制端的远程操控系统,接着远程操控系统对供能端的液控压缩空气储能系统的并联储气罐的台数、并联水气共容罐的台数、水阀的流量、气阀的流量、并联发电机的台数、回水阀的流量进行控制;接着将运行结果反馈给人工智能云端,人工智能云端利用深度学习方法进行不断地判断与优化修正,最终实现多目标最优的供能端的液控压缩空气储能系统的运行控制;如果达到多目标最优,则人工智能云端对控制端不下达指令。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210126509.5A CN114614479B (zh) | 2022-02-10 | 2022-02-10 | 一种基于人工智能的多能流液控压缩空气储能控制系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210126509.5A CN114614479B (zh) | 2022-02-10 | 2022-02-10 | 一种基于人工智能的多能流液控压缩空气储能控制系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114614479A CN114614479A (zh) | 2022-06-10 |
CN114614479B true CN114614479B (zh) | 2024-04-30 |
Family
ID=81858371
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210126509.5A Active CN114614479B (zh) | 2022-02-10 | 2022-02-10 | 一种基于人工智能的多能流液控压缩空气储能控制系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114614479B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109510247A (zh) * | 2018-11-16 | 2019-03-22 | 国网辽宁省电力有限公司葫芦岛供电公司 | 一种可控负荷与清洁能源发电技术协同优化控制方法 |
CN111550293A (zh) * | 2020-04-20 | 2020-08-18 | 西安交通大学 | 高效变工况压缩气体释能系统及方法 |
CN112242714A (zh) * | 2020-10-12 | 2021-01-19 | 国网江苏省电力有限公司镇江供电分公司 | 基于压缩空气储能的清洁能源路由器信息-物理耦合系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6815369B2 (ja) * | 2018-11-28 | 2021-01-20 | 株式会社神戸製鋼所 | 圧縮空気貯蔵発電装置および圧縮空気貯蔵発電方法 |
-
2022
- 2022-02-10 CN CN202210126509.5A patent/CN114614479B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109510247A (zh) * | 2018-11-16 | 2019-03-22 | 国网辽宁省电力有限公司葫芦岛供电公司 | 一种可控负荷与清洁能源发电技术协同优化控制方法 |
CN111550293A (zh) * | 2020-04-20 | 2020-08-18 | 西安交通大学 | 高效变工况压缩气体释能系统及方法 |
CN112242714A (zh) * | 2020-10-12 | 2021-01-19 | 国网江苏省电力有限公司镇江供电分公司 | 基于压缩空气储能的清洁能源路由器信息-物理耦合系统 |
Non-Patent Citations (1)
Title |
---|
人工智能在电力系统及综合能源系统中的应用综述;杨挺 等;《电力系统自动化》;第43卷(第01期);第2-14页 * |
Also Published As
Publication number | Publication date |
---|---|
CN114614479A (zh) | 2022-06-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103762589B (zh) | 一种电网中新能源容量配比分层优化方法 | |
EP2595267B1 (en) | System and method for determining potential power of inverters during curtailment mode | |
CN105375479A (zh) | 一种基于模型预测控制的分布式能源能量管理方法 | |
CN1866140A (zh) | 优化联合循环/联合生产设备的方法和装置 | |
CN109376426B (zh) | 一种风电并网功率调度方法及装置 | |
CN110348606A (zh) | 一种考虑系统不确定性的微能源网随机区间协同调度方法 | |
CN113708365A (zh) | 一种基于端边云架构的虚拟电厂能源管控优化方法及系统 | |
CN106762453B (zh) | 具有发电量预测及跟踪控制的风力发电智能网及控制方法 | |
CN107404118A (zh) | 基于随机响应面法的电气互联系统概率最优潮流计算方法 | |
CN209896707U (zh) | 一种用于风电场大规模储热时空平移装置 | |
CN114614479B (zh) | 一种基于人工智能的多能流液控压缩空气储能控制系统及方法 | |
Lei et al. | Flywheel energy storage controlled by model predictive control to achieve smooth short-term high-frequency wind power | |
EP3106936A1 (en) | Farm energy management | |
Zhang et al. | Intelligent control for large-scale variable speed variable pitch wind turbines | |
CN108321803A (zh) | 一种基于电网用电负荷数据的电网调峰控制系统与方法 | |
CN102289571B (zh) | 基于来能预测的海洋能发电系统的负载优化调度方法 | |
CN116499023A (zh) | 一种地热耦合太阳能供热站智能控制方法及系统 | |
CN116971926A (zh) | 一种基于多能量源的海洋网箱能源供给系统 | |
CN116979578A (zh) | 一种风光水火储的电气热三联产优化调度方法和系统 | |
CN204244139U (zh) | 一种风光互补发电系统 | |
CN110994698A (zh) | 一种太阳能光伏-光热联合发电系统优化运行方法 | |
CN116031899A (zh) | 绝热压缩空气储能辅助风电场调频的方法及相关组件 | |
CN114548491A (zh) | 一种综合能源系统的优化调度方法 | |
US11644210B1 (en) | Power shift system to store and distribute energy with direct compressor drive | |
CN117744894B (zh) | 一种综合能源系统的主动学习代理优化方法 |
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 |