CN116522752A - 一种基于机理与数据融合的压缩空气储能系统仿真方法 - Google Patents
一种基于机理与数据融合的压缩空气储能系统仿真方法 Download PDFInfo
- Publication number
- CN116522752A CN116522752A CN202310297682.6A CN202310297682A CN116522752A CN 116522752 A CN116522752 A CN 116522752A CN 202310297682 A CN202310297682 A CN 202310297682A CN 116522752 A CN116522752 A CN 116522752A
- Authority
- CN
- China
- Prior art keywords
- model
- compressed air
- energy storage
- storage system
- air energy
- 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.)
- Pending
Links
- 238000004146 energy storage Methods 0.000 title claims abstract description 95
- 230000007246 mechanism Effects 0.000 title claims abstract description 78
- 238000000034 method Methods 0.000 title claims abstract description 74
- 238000004088 simulation Methods 0.000 title claims abstract description 60
- 230000004927 fusion Effects 0.000 title claims abstract description 32
- 238000012423 maintenance Methods 0.000 claims abstract description 8
- 238000012937 correction Methods 0.000 claims abstract description 6
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 5
- 238000013135 deep learning Methods 0.000 claims abstract description 5
- 238000004364 calculation method Methods 0.000 claims description 25
- 238000004590 computer program Methods 0.000 claims description 11
- 238000003860 storage Methods 0.000 claims description 9
- 238000011160 research Methods 0.000 claims description 8
- 238000013461 design Methods 0.000 claims description 5
- 238000005259 measurement Methods 0.000 claims description 5
- 238000002360 preparation method Methods 0.000 claims description 5
- 238000012821 model calculation Methods 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 230000000704 physical effect Effects 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 238000012546 transfer Methods 0.000 claims description 3
- 238000005094 computer simulation Methods 0.000 claims description 2
- 238000004458 analytical method Methods 0.000 abstract description 7
- 230000003068 static effect Effects 0.000 abstract description 6
- 230000008569 process Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000011010 flushing procedure Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000001105 regulatory effect Effects 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
-
- 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
- Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
- Y02E60/16—Mechanical energy storage, e.g. flywheels or pressurised fluids
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于机理与数据融合的压缩空气储能系统仿真方法包括:压缩空气储能系统建模,构建机理模型和数据驱动模型;基于辨识方法及深度学习算法完成压缩空气储能系统模型修正;模拟仿真,完成压缩空气储能系统模型的优化调度。本发明提供的基于机理与数据融合的压缩空气储能系统仿真方法通过机理模型与数据驱动模型的有机协同实现压缩空气储能系统的高性能数字仿真。利用该方法,可以建立复杂结构压缩空气储能系统的静动态模型,有效解决压缩空气储能系统某环节结构不明的问题,以及模型快速结算的问题,可为精确性、实时性要求较高的场合提供模型分析工具,实现系统特性分析,为系统结构及运维优化提供有效方法。
Description
技术领域
本发明涉及储能系统技术领域,具体为一种基于机理与数据融合的压缩空气储能系统仿真方法。
背景技术
随着风光等具有强不确定性可再生能源电力在电网中占比的不断提高,大规模储能技术被视为确保电网安全、提升电能品质、促进可再生能源消纳不可或缺的重要手段。压缩空气储能(Compressed Air Energy Storage,CAES)具有污染低、投资少、选址灵活、容量大等优点,在储能领域受到高度重视并得到快速发展,在电网削峰填谷、消纳新能源、构建独立电力系统、紧急备用电源、提供辅助服务等方面有着广泛的应用前景。然而,由于目前商业投运的CAES数量有限、投运时间较短,当前能直接有效指导CAES设计与运维的技术依然缺乏,大大制约了CAES的发展和推广应用。
数字仿真是压缩空气储能系统设计与运维分析的重要手段,如何提高压缩空气储能系统建模及仿真技术直接关乎整个系统的性能。
发明内容
本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊,而这种简化或省略不能用于限制本发明的范围。
鉴于上述存在的问题,提出了本发明。
因此,本发明解决的技术问题是:现有的压缩空气储能系统存在数量有限、投运时间较短、某环节结构不明,当前能直接有效指导压缩空气储能系统设计与运维的技术缺乏的问题,以及如何实现模型快速结算的优化问题,。
为解决上述技术问题,本发明提供如下技术方案:一种基于机理与数据融合的压缩空气储能系统仿真方法,包括:
压缩空气储能系统建模,构建机理模型和数据驱动模型;
基于辨识方法及深度学习算法完成压缩空气储能系统模型修正;
模拟仿真,完成压缩空气储能系统模型的优化调度。
作为本发明所述的基于机理与数据融合的压缩空气储能系统仿真方法的一种优选方案,其中:所述压缩空气储能系统建模包括建模准备阶段、机理建模阶段和数据驱动建模阶段。
作为本发明所述的基于机理与数据融合的压缩空气储能系统仿真方法的一种优选方案,其中:所述建模准备阶段步骤包括:确定压缩空气储能系统仿真用于设计、运行、维护或故障处理等目标;界定模型对象及范围,明确待研究对象的基本组成、待分析的工况区间等;以功能设备为基本单元,确定模型的输入输出参数集。
作为本发明所述的基于机理与数据融合的压缩空气储能系统仿真方法的一种优选方案,其中:所述机理建模阶段步骤包括:从研究目标出发,为了简化模型结构及降低计算的复杂度,需确定模型合理的简化假设;以CAES各功能设备为基本单元,基于相关理论,确定以质量、能量、动量方程为基础的守恒方程及工质的物性方程;确定压缩空气储能系统模型结构;确定压缩空气储能系统模型参数。
作为本发明所述的基于机理与数据融合的压缩空气储能系统仿真方法的一种优选方案,其中:所述数据驱动建模阶段步骤包括:以各功能设备为基本对象,基于研究的目标,确定表述对象输入输出映射关系的数据驱动模型结构;根据模型结构及数据特点,确定数据驱动模型学习方法;通过大量实际工况的运行数据,来学习数据驱动模型的相关参数。
作为本发明所述的基于机理与数据融合的压缩空气储能系统仿真方法的一种优选方案,其中:所述压缩空气储能系统模型修正的步骤为:
获取压缩空气储能系统运行数据;
判断机理模型误差是否大于所设阈值;
若误差大于所设阈值,进行机理模型参数在线辨识和机理模型更新;否则,返回获取压缩空气储能系统运行数据;
判断数据驱动模型误差是否大于所设阈值;
若误差大于所设阈值,进行数据驱动模型训练、更新;否则返回继续获取压缩空气储能系统运行数据。
作为本发明所述的基于机理与数据融合的压缩空气储能系统仿真方法的一种优选方案,其中:所述压缩空气储能系统运行数据包括:
全系统运行状态参数数据;
系统中各设备的能质传递及转换性能数据;
全系统的性能数据。
作为本发明所述的基于机理与数据融合的压缩空气储能系统仿真方法的一种优选方案,其中:所述压缩空气储能系统模型调度的步骤为:
确定压缩空气储能系统仿真任务;
在线测算基于数据驱动模型及机理模型进行的仿真任务对存储空间及算力的需求,并与当前可用计算资源对比,判断计算资源是否满足仿真任务的需要;通过现场实测数据与模型计算数据的比对,判定机理模型及数据驱动模型的精度;
判断数据驱动模型精度是否高于机理模型;
若是,则选择仿真数据驱动模型进行仿真;
若否,则判断算力是否满足机理模型计算需要;
若满足则选择机理模型进行仿真,若不满足则选择数据驱动模型进行仿真。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现如上所述的方法的步骤。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如上所述的方法的步骤。
本发明的有益效果:本发明提供的基于机理与数据融合的压缩空气储能系统仿真方法通过机理模型与数据驱动模型的有机协同实现压缩空气储能系统的高性能数字仿真。利用该方法,可以建立复杂结构压缩空气储能系统的静动态模型,有效解决压缩空气储能系统某环节结构不明的问题,以及模型快速结算的问题,可为精确性、实时性要求较高的场合提供模型分析工具,实现系统特性分析,为系统结构及运维优化提供有效方法。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅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性的前提下,还可以根据这些附图获得其它的附图。其中:
图1为本发明第一个实施例提供的一种基于机理与数据融合的压缩空气储能系统仿真方法的整体流程图;
图2为本发明第二个实施例提供的一种基于机理与数据融合的压缩空气储能系统仿真方法的建模过程示意图;
图3为本发明第二个实施例提供的一种基于机理与数据融合的压缩空气储能系统仿真方法的模型修正过程示意图;
图4为本发明第一个实施例提供的一种基于机理与数据融合的压缩空气储能系统仿真方法的模型调度过程示意图;
图5为本发明第一个实施例提供的一种基于机理与数据融合的压缩空气储能系统仿真方法的计算机设备中计算机设备的内部结构图;
图6为本发明第二个实施例提供的一种基于机理与数据融合的压缩空气储能系统仿真方法的冲转过程转速调节系统动态结构图;
图7为本发明第二个实施例提供的一种基于机理与数据融合的压缩空气储能系统仿真方法的转速响应过程曲线。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合说明书附图对本发明的具体实施方式做详细的说明,显然所描述的实施例是本发明的一部分实施例,而不是全部实施例。基于本发明中的实施例,本领域普通人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明的保护的范围。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是本发明还可以采用其他不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本发明内涵的情况下做类似推广,因此本发明不受下面公开的具体实施例的限制。
其次,此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例,也不是单独的或选择性的与其他实施例互相排斥的实施例。
本发明结合示意图进行详细描述,在详述本发明实施例时,为便于说明,表示器件结构的剖面图会不依一般比例作局部放大,而且所述示意图只是示例,其在此不应限制本发明保护的范围。此外,在实际制作中应包含长度、宽度及深度的三维空间尺寸。
同时在本发明的描述中,需要说明的是,术语中的“上、下、内和外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一、第二或第三”仅用于描述目的,而不能理解为指示或暗示相对重要性。
本发明中除非另有明确的规定和限定,术语“安装、相连、连接”应做广义理解,例如:可以是固定连接、可拆卸连接或一体式连接;同样可以是机械连接、电连接或直接连接,也可以通过中间媒介间接相连,也可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
实施例1
参照图1-5,为本发明的一个实施例,提供了一种基于机理与数据融合的压缩空气储能系统仿真方法,包括:
S1:压缩空气储能系统建模,构建机理模型和数据驱动模型。
更进一步的,基于模块化建模原则,以压缩空气储能系统功能设备为基本单元,以压缩空气储能系统为对象,基于质量、能量及动量守恒方程构建能反映对象静动态特性的机理模型;为对象运行的历史数据为基础,以对象状态参数为输出,以结构及典型激励参数为输入,结合机理模型的模型结果,构建系统的数据驱动模型。步骤包括:
S11:建模准备阶段。确定压缩空气储能系统仿真用于设计、运行、维护或故障处理等目标;界定模型对象及范围,明确待研究对象的基本组成、待分析的工况区间等;以功能设备为基本单元,确定模型的输入输出参数集。
S12:机理建模阶段。从研究目标出发,为了简化模型结构及降低计算的复杂度,需确定模型合理的简化假设;以CAES各功能设备为基本单元,基于相关理论,确定以质量、能量、动量方程为基础的守恒方程及工质的物性方程;确定压缩空气储能系统模型结构;确定压缩空气储能系统模型参数。
S13:数据驱动建模阶段。以各功能设备为基本对象,基于研究的目标,确定表述对象输入输出映射关系的数据驱动模型结构;根据模型结构及数据特点,确定数据驱动模型学习方法;通过大量实际工况的运行数据,来学习数据驱动模型的相关参数。
S2:基于辨识方法及深度学习算法完成压缩空气储能系统模型修正;
更进一步的,在线或离线获取表征对象工作状态的运行参数集,并用以判定机理模型及数据驱动模型的计算精度,当模型误差超过既定阈值(根据研究目标,针对数据精确性要求而制定)时,基于辨识方法及人工神经网络深度学习算法完成模型的及时修正。步骤包括:
获取压缩空气储能系统运行数据;
判断机理模型误差是否大于所设阈值;
若误差大于所设阈值,进行机理模型参数在线辨识和机理模型更新;否则,返回获取压缩空气储能系统运行数据;
判断数据驱动模型误差是否大于所设阈值;
若误差大于所设阈值,进行数据驱动模型训练、更新;否则返回继续获取压缩空气储能系统运行数据。
基于压缩空气储能系统的实际运行数据完成机理模型及数据驱动模型的修正,可确保模型能精确刻画对象的静动态特性。
更进一步的,所述压缩空气储能系统运行数据包括:
全系统运行状态参数数据;
系统中各设备的能质传递及转换性能数据;
全系统的性能数据。
S3:模拟仿真,完成压缩空气储能系统模型的优化调度。
更进一步的,根据模拟任务即时评估模型的时间及空间复杂度,并即时评估当前算力的情况,结合机理模型与数据驱动模型当前的计算精度,即时完成模型的优化调度,以充分节省压缩空气储能系统仿真分析的成本、提高其分析的精确性与快速性。
更进一步的,压缩空气储能系统模型调度的步骤为:
确定压缩空气储能系统仿真任务;
在线测算基于数据驱动模型及机理模型进行的仿真任务对存储空间及算力的需求,并与当前可用计算资源对比,判断计算资源是否满足仿真任务的需要;通过现场实测数据与模型计算数据的比对,判定机理模型及数据驱动模型的精度;
判断数据驱动模型精度是否高于机理模型;
若是,则选择仿真数据驱动模型进行仿真;
若否,则判断算力是否满足机理模型计算需要,若满足则选择机理模型进行仿真,若不满足则选择数据驱动模型进行仿真。
在线评估模型的计算精度、模型计算的复杂度,以及当前所布置的算力情况,实现机理模型与数据驱动模型的在线优化调度,可提高数字仿真的性能。
计算机设备可以是服务器,其内部结构图可以如图4所示。该计算机设备包括处理器、存储器、输入/输出接口(Input/Output,简称I/O)和通信接口。其中,处理器、存储器和输入/输出接口通过系统总线连接,通信接口通过输入/输出接口连接到系统总线。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储压缩空气储能系统的数据集群数据。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于机理与数据融合的压缩空气储能系统仿真方法。
实施例2
如图5和6,为本发明的一个实施例,提供了一种基于机理与数据融合的压缩空气储能系统仿真方法,为了验证本发明的有益效果,通过仿真对比试验进行科学论证。
首先,针对上述实施例方法,将该方法应用于控制系统参数优化中与传统机理模型进行对比。
分析CAES变负荷工况下控制系统的性能,进而优化控制系统参数、提供控制系统的性能。
S1:根据研究目标,根据实测运行数据,并以之为目标设定模型初始状态参数值;
典型实测数据如表1所示。
表1实测数据
S2:设定控制系统参数(包括控制器的比例、积分、微分、前馈等系数)的变化范围及变化机制,为控制系统参数的优化提供驱动;冲转过程转速调节系统动态结构图如图6所示,参数设置如下表所示:
表2膨胀机转速调节器参数设置
S3:运行模型,直到达到稳定运行状态,即所有状态变量对时间的导数值的绝对值均小于既定阈值(如1.0E-5);
表3模型计算的稳态数据
S4:待模型达到稳态之后,确保待优化控制系统的正常投运,通过典型扰动(阶跃或斜坡扰动),打破该平衡状态,并记录系统整个过程状态参数值随时间的变化,直到达到新的平衡工况;响应曲线如图7所示。
S5:根据调控过程中对应被控参数值变化过程的分析,测算对应的控制效果(如超调量、调节时间、稳态精度);
S6:如果控制效果不满足要求则根据S2设定的控制参数的变化机制在既定的范围之内调整参数的大小,并返回S3继续试验,指导满足要求为止。
在本实施例中,经过重复运行模型多次调试后,确定了最佳调速方案,关键参数Kp、K、Ti分别设置为0.01、0.1、100s。此时膨胀发电机转速上升最稳定,冲转时间最短。
最终得到的仿真实验结果:
由于机理模型与数据驱动模型的协同,较大程度缓解了模型复杂度与计算量之间的矛盾,同时模型自演进方法有效确保了模型持续精确刻画对象的能力。传统机理模型方法结果相比,计算精确性提高10%以上,并大大节省了计算量。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是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非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory,ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory,MRAM)、铁电存储器(Ferroelectric Random Access Memory,FRAM)、相变存储器(Phase Change Memory,PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器等。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory,DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等,不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等,不限于此。
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限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的精神和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (10)
1.一种基于机理与数据融合的压缩空气储能系统仿真方法,其特征在于,包括:
压缩空气储能系统建模,构建机理模型和数据驱动模型;
基于辨识方法及深度学习算法完成压缩空气储能系统模型修正;
模拟仿真,完成压缩空气储能系统模型的优化调度。
2.如权利要求1所述的基于机理与数据融合的压缩空气储能系统仿真方法,其特征在于:所述压缩空气储能系统建模包括建模准备阶段、机理建模阶段和数据驱动建模阶段。
3.如权利要求2所述的基于机理与数据融合的压缩空气储能系统仿真方法,其特征在于:所述建模准备阶段步骤包括:确定压缩空气储能系统仿真用于设计、运行、维护或故障处理等目标;界定模型对象及范围,明确待研究对象的基本组成、待分析的工况区间等;以功能设备为基本单元,确定模型的输入输出参数集。
4.如权利要求1-3任一所述的基于机理与数据融合的压缩空气储能系统仿真方法,其特征在于:所述机理建模阶段步骤包括:从研究目标出发,为了简化模型结构及降低计算的复杂度,需确定模型合理的简化假设;以CAES各功能设备为基本单元,基于相关理论,确定以质量、能量、动量方程为基础的守恒方程及工质的物性方程;确定压缩空气储能系统模型结构;确定压缩空气储能系统模型参数。
5.如权利要求1-3任一所述所述的基于机理与数据融合的压缩空气储能系统仿真方法,其特征在于:所述数据驱动建模阶段步骤包括:以各功能设备为基本对象,基于研究的目标,确定表述对象输入输出映射关系的数据驱动模型结构;根据模型结构及数据特点,确定数据驱动模型学习方法;通过大量实际工况的运行数据,来学习数据驱动模型的相关参数。
6.如权利要求1所述的基于机理与数据融合的压缩空气储能系统仿真方法,其特征在于:所述压缩空气储能系统模型修正的步骤为:
获取压缩空气储能系统运行数据;
判断机理模型误差是否大于所设阈值;
若误差大于所设阈值,进行机理模型参数在线辨识和机理模型更新;否则,返回获取压缩空气储能系统运行数据;
判断数据驱动模型误差是否大于所设阈值;
若误差大于所设阈值,进行数据驱动模型训练、更新;否则返回继续获取压缩空气储能系统运行数据。
7.如权利要求6所述的基于机理与数据融合的压缩空气储能系统仿真方法,其特征在于:所述压缩空气储能系统运行数据包括:
全系统运行状态参数数据;
系统中各设备的能质传递及转换性能数据;
全系统的性能数据。
8.如权利要求1所述的基于机理与数据融合的压缩空气储能系统仿真方法,其特征在于:所述压缩空气储能系统模型调度的步骤为:
确定压缩空气储能系统仿真任务;
在线测算基于数据驱动模型及机理模型进行的仿真任务对存储空间及算力的需求,并与当前可用计算资源对比,判断计算资源是否满足仿真任务的需要;通过现场实测数据与模型计算数据的比对,判定机理模型及数据驱动模型的精度;
判断数据驱动模型精度是否高于机理模型;
若是,则选择仿真数据驱动模型进行仿真;
若否,则判断算力是否满足机理模型计算需要;
若满足则选择机理模型进行仿真,若不满足则选择数据驱动模型进行仿真。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至8中任一项所述的方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至8中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310297682.6A CN116522752A (zh) | 2023-03-24 | 2023-03-24 | 一种基于机理与数据融合的压缩空气储能系统仿真方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310297682.6A CN116522752A (zh) | 2023-03-24 | 2023-03-24 | 一种基于机理与数据融合的压缩空气储能系统仿真方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116522752A true CN116522752A (zh) | 2023-08-01 |
Family
ID=87394762
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310297682.6A Pending CN116522752A (zh) | 2023-03-24 | 2023-03-24 | 一种基于机理与数据融合的压缩空气储能系统仿真方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116522752A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117252046A (zh) * | 2023-11-20 | 2023-12-19 | 中国电力工程顾问集团有限公司 | 压缩空气储能系统动态仿真方法及装置 |
-
2023
- 2023-03-24 CN CN202310297682.6A patent/CN116522752A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117252046A (zh) * | 2023-11-20 | 2023-12-19 | 中国电力工程顾问集团有限公司 | 压缩空气储能系统动态仿真方法及装置 |
CN117252046B (zh) * | 2023-11-20 | 2024-02-27 | 中国电力工程顾问集团有限公司 | 压缩空气储能系统动态仿真方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Liu et al. | Evaluation of reinforcement learning for optimal control of building active and passive thermal storage inventory | |
CN113285490B (zh) | 电力系统调度方法、装置、计算机设备和存储介质 | |
CN103065202A (zh) | 一种基于组合核函数的风电场超短期风速预测方法 | |
CN112508246B (zh) | 一种基于相似日的光伏发电功率预测方法 | |
CN116522752A (zh) | 一种基于机理与数据融合的压缩空气储能系统仿真方法 | |
CN116796644A (zh) | 基于多智能体sac深度强化学习的风电场参数辨识方法 | |
CN111723982A (zh) | 基于灰色-马尔可夫链的中长期电力负荷组合预测方法 | |
CN116757057A (zh) | 基于pso-ga-lstm模型的空气质量预测方法 | |
CN113890017A (zh) | 基于关键量测的配电网电压自适应控制方法 | |
CN115313422B (zh) | 主动支撑主网频率的电-气综合能源系统运行控制方法 | |
CN115713029A (zh) | 一种考虑迟延的风电场随机模型预测优化控制方法 | |
CN114609926A (zh) | 一种基于火电仿真平台的火电厂动态在线仿真方法 | |
CN115544856A (zh) | 一种电热综合能源系统日前优化调度方法 | |
CN113591224A (zh) | 一种城市电网连锁故障风险评估方法及系统 | |
Bouzem et al. | Probabilistic and Reliability Analysis of an Intelligent Power Control for a Doubly Fed Induction Generator-Based Wind Turbine System | |
CN111612255A (zh) | 一种基于支持向量回归的风电场功率曲线建模方法 | |
CN113449909A (zh) | 一种基于改进长短期记忆网络的蓄冷空调冷负荷预测方法 | |
CN116700049B (zh) | 基于数据驱动的多能源网络数字孪生实时仿真系统及方法 | |
Qinqin et al. | Study on mid-long term forecasting method of power supply based on grey model and Markov forecasting model | |
Liu | Distribution Network Optimization Planning Based on Genetic Algorithms | |
CN112651604B (zh) | 储能参数的配置方法、装置、电子设备及存储介质 | |
Liu et al. | Real-time scheduling of renewable power systems through planning-based reinforcement learning | |
CN117930776A (zh) | 一种基于模型预测的白酒生产精准供汽预调控方法及系统 | |
Zheng et al. | Long Term Electricity Consumption Forecast Based on STL-IDBO-LSSVM | |
Tang et al. | A novel self-adaptive nonlinear discrete grey model based on non-homogeneous index sequence and its application |
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 |