CN117252046A - 压缩空气储能系统动态仿真方法及装置 - Google Patents
压缩空气储能系统动态仿真方法及装置 Download PDFInfo
- Publication number
- CN117252046A CN117252046A CN202311540807.XA CN202311540807A CN117252046A CN 117252046 A CN117252046 A CN 117252046A CN 202311540807 A CN202311540807 A CN 202311540807A CN 117252046 A CN117252046 A CN 117252046A
- Authority
- CN
- China
- Prior art keywords
- model
- energy storage
- compressed air
- 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.)
- Granted
Links
- 238000004146 energy storage Methods 0.000 title claims abstract description 116
- 238000000034 method Methods 0.000 title claims abstract description 60
- 238000005094 computer simulation Methods 0.000 title claims abstract description 25
- 230000007246 mechanism Effects 0.000 claims abstract description 97
- 230000001419 dependent effect Effects 0.000 claims abstract description 40
- 230000008569 process Effects 0.000 claims abstract description 26
- 238000004088 simulation Methods 0.000 claims abstract description 25
- 230000004044 response Effects 0.000 claims abstract description 11
- 238000004590 computer program Methods 0.000 claims description 12
- 238000004806 packaging method and process Methods 0.000 claims description 11
- 238000010276 construction Methods 0.000 claims description 10
- 230000008859 change Effects 0.000 claims description 9
- 239000000758 substrate Substances 0.000 claims 2
- 238000004458 analytical method Methods 0.000 description 5
- 230000009471 action Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000005538 encapsulation Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000000712 assembly Effects 0.000 description 1
- 238000000429 assembly Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 238000005338 heat storage Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000011056 performance test Methods 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/08—Fluids
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种压缩空气储能系统动态仿真方法及装置，涉及储能系统技术领域，其中方法包括：确定组成所述压缩空气储能系统的多个设备；针对每一个设备分别构建对应的机理模型；机理模型包括自变量、因变量以及从自变量到因变量的过程方程；自变量至少包括时间项；针对每一个设备的机理模型封装为模型组件；根据多个设备在所述压缩空气储能系统中的物理逻辑关系，将多个设备一一对应的多个模型组件进行连接，得到压缩空气储能系统的模型拓扑；基于仿真需求对模型拓扑中各个模型组件进行参数配置，以利用所述模型拓扑对自变量的输入进行动态仿真，得到随时间变化的动态响应数据。本方案，能够实现对压缩空气储能系统的动态仿真。
Description
技术领域
本发明实施例涉及储能系统技术领域，特别涉及一种压缩空气储能系统动态仿真方法及装置。
背景技术
随着新能源装机比例逐渐增大，电网波动较大，为了构建新型稳定的电力系统，储能系统的重要性也逐渐攀升。其中，压缩空气储能系统(Compressed-Air Energy Storage,CAES)是一种使用压缩的空气即时储存能量并在需要时将其释放出来的技术,也是一种能够实现大容量和长时间电能存储的电力储能系统。压缩空气储能系统的设计优化需要投入大量人力、物力和财力，若因系统设计考虑不周全，可能会系统无法正常运行。因此，有必要对压缩空气储能系统进行仿真。
然而，现有技术中均是对稳态运行的系统状态点的仿真。但是，压缩空气储能系统的实际工作过程并不是稳态运行的，如何对压缩空气储能系统进行动态仿真是亟需解决的技术问题。
发明内容
本发明实施例提供了一种压缩空气储能系统动态仿真方法及装置，能够实现对压缩空气储能系统的动态仿真。
第一方面，本发明实施例提供了一种压缩空气储能系统动态仿真方法，包括：
确定组成所述压缩空气储能系统的多个设备；
针对每一个设备分别构建对应的机理模型；所述机理模型包括自变量、因变量以及从自变量到因变量的过程方程；所述自变量至少包括时间项；
针对每一个设备的机理模型，均执行：将该机理模型的自变量作为模型组件的输入接口，将该机理模型的因变量作为模型组件的输出接口，利用编程语言将该机理模型中从自变量到因变量的过程方程固化在模型组件内部，得到对该设备进行封装的模型组件；
根据所述多个设备在所述压缩空气储能系统中的物理逻辑关系，将所述多个设备一一对应的多个模型组件进行连接，得到所述压缩空气储能系统的模型拓扑；
基于仿真需求对所述模型拓扑中各个模型组件进行参数配置，以利用所述模型拓扑对自变量的输入进行动态仿真，得到随时间变化的动态响应数据。
第二方面，本发明实施例还提供了一种压缩空气储能系统动态仿真装置，包括：
确定单元，用于确定组成所述压缩空气储能系统的多个设备；
模型构建单元，用于针对每一个设备分别构建对应的机理模型；所述机理模型包括自变量、因变量以及从自变量到因变量的过程方程；所述自变量至少包括时间项；
封装单元，用于针对每一个设备的机理模型，均执行：将该机理模型的自变量作为模型组件的输入接口，将该机理模型的因变量作为模型组件的输出接口，利用编程语言将该机理模型中从自变量到因变量的过程方程固化在模型组件内部，得到对该设备进行封装的模型组件；
拓扑搭建单元，用于根据所述多个设备在所述压缩空气储能系统中的物理逻辑关系，将所述多个设备一一对应的多个模型组件进行连接，得到所述压缩空气储能系统的模型拓扑；
仿真单元，用于基于仿真需求对所述模型拓扑中各个模型组件进行参数配置，以利用所述模型拓扑对自变量的输入进行动态仿真，得到随时间变化的动态响应数据。
第三方面，本发明实施例还提供了一种电子设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器执行所述计算机程序时，实现本说明书任一实施例所述的方法。
第四方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，当所述计算机程序在计算机中执行时，令计算机执行本说明书任一实施例所述的方法。
本发明实施例提供了一种压缩空气储能系统动态仿真方法及装置，由于组成压缩空气储能系统的多个设备中每一个设备可能均对应不同的机理，因此，针对每一个设备分别进行机理分析，能够更容易的构建出设备对应的机理模型，由于压缩空气储能系统是一种区别于稳态的非稳态系统，因此，针对设备构建出的机理模型中的自变量至少包括时间项，由此使得设备仿真更加准确，通过对设备的机理模型进行封装得到模型组件，进而利用多个设备在压缩空气储能系统中的物理逻辑关系，将多个模型组件进行连接，得到压缩空气储能系统的模型拓扑，该模型拓扑能够实现对压缩空气储能系统的动态仿真。
附图说明
为了更清楚地说明本发明实施例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是本发明一实施例提供的一种压缩空气储能系统动态仿真方法流程图；
图2是本发明一实施例提供的一种电子设备的硬件架构图；
图3是本发明一实施例提供的一种压缩空气储能系统动态仿真装置结构图。
具体实施方式
为使本发明实施例的目的、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做出创造性劳动的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。
请参考图1，本发明实施例提供了一种压缩空气储能系统动态仿真方法，该方法包括：
步骤100，确定组成所述压缩空气储能系统的多个设备；
步骤102，针对每一个设备分别构建对应的机理模型；所述机理模型包括自变量、因变量以及从自变量到因变量的过程方程；所述自变量至少包括时间项；
步骤104，针对每一个设备的机理模型，均执行：将该机理模型的自变量作为模型组件的输入接口，将该机理模型的因变量作为模型组件的输出接口，利用编程语言将该机理模型中从自变量到因变量的过程方程固化在模型组件内部，得到对该设备进行封装的模型组件；
步骤106，根据所述多个设备在所述压缩空气储能系统中的物理逻辑关系，将所述多个设备一一对应的多个模型组件进行连接，得到所述压缩空气储能系统的模型拓扑；
步骤108，基于仿真需求对所述模型拓扑中各个模型组件进行参数配置，以利用所述模型拓扑对自变量的输入进行动态仿真，得到随时间变化的动态响应数据。
本发明实施例中，由于组成压缩空气储能系统的多个设备中每一个设备可能均对应不同的机理，因此，针对每一个设备分别进行机理分析，能够更容易的构建出设备对应的机理模型，由于压缩空气储能系统是一种区别于稳态的非稳态系统，因此，针对设备构建出的机理模型中的自变量至少包括时间项，由此使得设备仿真更加准确，通过对设备的机理模型进行封装得到模型组件，进而利用多个设备在压缩空气储能系统中的物理逻辑关系，将多个模型组件进行连接，得到压缩空气储能系统的模型拓扑，该模型拓扑能够实现对压缩空气储能系统的动态仿真。
下面描述图1所示的各个步骤的执行方式。
首先，针对步骤100，确定组成所述压缩空气储能系统的多个设备。
压缩空气储能系统是一个由多个设备组成的系统，且多个设备中每一个设备的机理也不同，若直接对压缩空气储能系统进行模型构建，较难构建出能够准确表征压缩空气储能系统的模型。本发明实施例中，可以考虑针对每一个设备分别进行模型构建。因此，需要确定组成压缩空气储能系统的多个设备。
在确定组成压缩空气储能系统的多个设备时，该设备的细分粒度并不是越细越好，本发明实施例中，设备细分粒度可以细分到一个独立设备即可。具体地，可以通过如下方式（A1-A3）确定组成压缩空气储能系统的多个设备：
A1：将所述压缩空气储能系统按照结构特性进行拆分，得到多个子系统；
A2：针对每一个子系统，确定组成该子系统的若干个独立设备；
A3：将多个子系统的多个独立设备确定为组成所述压缩空气储能系统的多个设备。
举例来说，可以将压缩空气储能系统按照结构特性进行拆分后可以得到如下子系统：热力系统、储气系统、储热系统、气动系统、节流冷凝系统和发电系统。以热力系统为例，针对热力系统可以拆分为如下独立设备：换热器、水泵、压力表、温度计、管道、阀门等。
在拆分完成后得到的多个独立设备为组成压缩空气储能系统的多个设备。
然后，针对步骤102、步骤104和步骤106同时进行说明。
本发明实施例中，考虑到相同设备在不同系统中的工作机理是不同的，在对设备构建机理模型时，需要研究该设备在压缩空气储能系统中的工作机理，以针对该设备构建可满足压缩空气储能系统仿真需求的机理模型。可见，机理模型是根据该设备在压缩空气储能系统中的工作机理构建得到的。
在研究设备在压缩空气储能系统中的工作机理时，若设备特性复杂，比如无法直接针对该设备整体确定出适配的机理模型，则可以采用降阶模型技术完成机理模型的构建。具体地可以将设备进一步拆分为部件，部件拆分方式可以按照结构特性或能量损失特性等方式进行拆分。比如，对于空气透平机可以拆分为进气部件、中间部件和排气部件、轴封部件。针对该设备的每一个部件进行机理研究以构建得到部件的机理模型，通过将各个部件的机理模型组合，得到该设备的机理模型。该方式得到的机理模型其计算精度远远高于经验模型，且不需要占用大量计算资源，能够更好的满足系统仿真需求。
其中，机理研究的方式可以包括CFD（计算流体动力学）、FEA（有限元分析）等分析，还可以进行性能测试试验，以获得仿真数据或试验数据，进一步通过人工智能、机器学习等方法训练为可满足压缩空气储能系统仿真需求的机理模型。
本发明实施例中，针对设备构建的机理模型为低维数学模型，该机理模型包括自变量、因变量以及从自变量到因变量的过程方程。由于压缩空气储能系统为非稳态系统，因此，机理模型中的自变量至少包括时间项。
在本发明实施例中，多个设备中包括稳态设备和非稳态设备。其中，非稳态设备的机理模型中的因变量随时间的变化而变化；稳态设备的机理模型中的因变量的变化与时间的变化不相关。
对于稳态设备其机理模型的构建方式比较简单，可以获取不同模式下稳态设备的稳定状态点，由此可以得出能够表征不同模式下稳态设备稳定状态点的机理模型。
对于非稳态设备，由于其在一个模式下的状态是不稳定的，需要研究非稳态设备在不同模式下与时间项的关联关系，进而得到可以表征该非稳态设备工作状态的机理模型。
以储气库为例，储气库与压缩机、空气透平机之间的物质流动和能量流动关系属于非稳态的热力学开口系统问题。根据质量守恒定理和能量守恒定理可得：
其中，、/>分别为储气库充气时的空气质量流量、放气时的空气质量流量，m为储气库内的空气质量，t为时间，/>为空气的内能，/>、/>分别为充气时空气的焓值、放气时空气的焓值，T为储气库内空气平均温度，/>为环境温度，/>为储气库内空气与环境的换热系数，/>为储气库的换热表面积。
进一步结合理想气体微分方程关系式：
可得，储气库内部空气平均温度、压力随时间变化的微分方程式：
其中，P为储气库内部空气压力，、/>分别为工质定压比热容、工质定容比热容，/>为储气库充气时的空气温度，R为空气气体常数，V为储气库的容积。
上述储气库内部空气温度、压力随时间变化的微分方程式即为储气库的机理模型。
可见，对于非稳态设备的机理模型，其过程方程中包括时间项的微分方程或积分方程，因变量会随着时间的变化而变化。也就是说，在对压缩空气储能系统进行仿真时，压缩空气储能系统的响应数据是随着时间的变化而变化的。
需要说明的是，对于稳态设备的机理模型中自变量也可以包括时间项，只是其过程方程中代入时间项后，因变量并不会随着时间的变化而变化，或者，因变量随着时间的变化其变化量较小。
还需要说明的是，每一个机理模型中的时间项所对应的时序均是对应自身的时序，不同机理模型的时序可以是不同的。
本发明实施例中，压缩空气储能系统中的非稳态设备至少包括：储气库、压缩机、空气透平机、换热器或储热库。
在得到各个设备的机理模型后，为了能够利用这些机理模型实现对设备的仿真，需要将机理模型进行封装。具体地，是将该机理模型的自变量作为模型组件的输入接口，将该机理模型的因变量作为模型组件的输出接口，利用编程语言将该机理模型中从自变量到因变量的过程方程固化在模型组件内部，得到对该设备进行封装的模型组件。其中，一个机理模型的自变量和因变量均可以包括至少一个。那么模型组件的输入接口和输出接口均可以包括至少一个。
本发明实施例中，该编程语言可以包括但不限于Fortran、C++、Python。
本发明实施例中，针对封装得到的模型组件，在输入接口中输入自变量之后，通过运行模型组件，可以从输出接口中输出相应的因变量结果。将机理模型封装后，得到的模型组件能够灵活复用，通过将多个设备的模型组件连接、组合，可以搭建出复杂的压缩空气储能系统的模型拓扑。
进一步地，为了能够实现模型组件的灵活复用，可以构建组件库，将每一个独立设备的模型组件存储至组件库中，以便使用时直接从组件库中获取。
更进一步地，由于将多个模型组件进行连接时需要耗费一定时长，为了提高建模速度，可以预先针对每一个子系统，将组成该子系统的若干个独立设备的模型组件进行连接，得到每一个子系统的系统模型组件，将每一个子系统的系统模型组件存储至组件库中。由此可以直接对子系统的系统模型组件进行调用，提高建模速度。
另外，考虑到压缩空气储能系统中的多个设备中会存在相同设备，比如管道、阀门等，为了降低机理模型的构建成本以及提高构建效率，无需重复对相同设备进行模型构建。本发明一个实施例中，可以在所述构建对应的机理模型之前，还包括：对所述多个独立设备进行去重，以针对去重后剩余的独立设备执行所述分别构建对应的机理模型。
那么，将所述多个设备一一对应的多个模型组件进行连接，得到所述压缩空气储能系统的模型拓扑，具体包括：将去重前的多个独立设备一一对应的多个模型组件进行连接，得到所述压缩空气储能系统的模型拓扑。
在得到各个设备的模型组件之后，为了能够实现对压缩空气储能系统的仿真，需要确定多个设备在压缩空气储能系统中的物理逻辑关系，然后根据该物理逻辑关系将多个设备一一对应的多个模型组件进行连接，得到该压缩空气储能系统的模型拓扑。
举例来说，设备1的模型组件1包括输入接口11、输入接口12、输出接口11和输出接口12，设备2的模型组件2包括输入接口21、输入接口22和输出接口21，设备3的模型组件3包括输入接口31、输入接口32和输出接口31；根据设备1、设备2和设备3在压缩空气储能系统中的物理逻辑关系，将模型组件1的输出接口11与模型组件2的输入接口21连接，模型组件1的输出接口12与模型组件3的输入接口31连接。可以理解，模型组件1输出接口11输出的结果作为模型组件2输入接口21的输入，模型组件1的输出接口12输出的结果作为模型组件3输入接口31的输入。假设设备1是非稳态设备，那么模型组件1的输出是随着时间变化而变化的，即使设备2或设备3是稳态设备，那么模型组件2或模型组件3的输出也是随着时间变化而变化的。也就是说，对于整个模型拓扑，由于非稳态设备的存在，在利用模型拓扑对压缩空气储能系统进行仿真时，其输出是随着时间变化的动态响应数据。
最后针对步骤108，基于仿真需求对所述模型拓扑中各个模型组件进行参数配置，以利用所述模型拓扑对自变量的输入进行动态仿真，得到随时间变化的动态响应数据。
本发明实施例中，仿真需求不同，对模型组件的参数配置也不同，以及对自变量的输入也不同，因此可以根据仿真需求时序对模型拓扑中各个模型组件进行参数配置，并进行自变量的输入，启动模型拓扑中各个模型组件的运行，进而能够实现对压缩空气储能系统的动态仿真，得到随时间变化的动态响应数据。由于模型拓扑是由多个模型组件连接组合起来的，因此，在仿真过程中还可以获取到压缩空气储能系统在各个环节下的性能参数，实现压缩空气储能系统的全流程仿真分析。
其中，参数配置是对模型组件所对应机理模型的过程方程中除自变量和因变量以外的参数配置，以及对模型组件运行边界条件的配置。
本发明实施例中，根据仿真需求，若需要改变压缩空气储能系统的运行模式，可以通过重新进行参数配置的方式来实现，以获取压缩空气储能系统在不同运行模式下的性能特性。
在对储能系统进行设计时，可能需要改变压缩空气储能系统中某个设备的选型，基于此，当需要对所述压缩空气储能系统中的目标设备进行设备类型更换时，获取更换后设备的模型组件，将更换后设备的模型组件对所述模型拓扑中更换前设备的模型组件进行替换，得到所述压缩空气储能系统新的模型拓扑。
可见，本发明实施例通过构建设备的机理模型，将机理模型封装为模型组件，不仅能够对模型组件进行复用，还可以实现模型组件的灵活更换，在更换时仅仅是更换模型组件，而无需更换实体设备，并且在更换过程中能够快速实现系统模型拓扑的搭建。
在设计压缩空气储能系统时，可以根据需求为压缩空气储能系统进行各个组成设备的选型，而现实中可能尚未有这些型号的设备组成的压缩空气储能系统，本发明实施例中，无论现实中是否存在这些型号设备组成的压缩空气储能系统，均可以利用机理模型的构建及连接得到整个压缩空气储能系统的模型拓扑，该模型拓扑的建立不需要实际运行数据，能够对压缩空气储能系统实现动态仿真，确定压缩空气储能系统的设计是否满足需求。
上述对本发明特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
如图2、图3所示，本发明实施例提供了一种压缩空气储能系统动态仿真装置。装置实施例可以通过软件实现，也可以通过硬件或者软硬件结合的方式实现。从硬件层面而言，如图2所示，为本发明实施例提供的一种压缩空气储能系统动态仿真装置所在电子设备的一种硬件架构图，除了图2所示的处理器、内存、网络接口、以及非易失性存储器之外，实施例中装置所在的电子设备通常还可以包括其他硬件，如负责处理报文的转发芯片等等。以软件实现为例，如图3所示，作为一个逻辑意义上的装置，是通过其所在电子设备的CPU将非易失性存储器中对应的计算机程序读取到内存中运行形成的。本实施例提供的一种压缩空气储能系统动态仿真装置，包括：
确定单元301，用于确定组成所述压缩空气储能系统的多个设备；
模型构建单元302，用于针对每一个设备分别构建对应的机理模型；所述机理模型包括自变量、因变量以及从自变量到因变量的过程方程；所述自变量至少包括时间项；
封装单元303，用于针对每一个设备的机理模型，均执行：将该机理模型的自变量作为模型组件的输入接口，将该机理模型的因变量作为模型组件的输出接口，利用编程语言将该机理模型中从自变量到因变量的过程方程固化在模型组件内部，得到对该设备进行封装的模型组件；
拓扑搭建单元304，用于根据所述多个设备在所述压缩空气储能系统中的物理逻辑关系，将所述多个设备一一对应的多个模型组件进行连接，得到所述压缩空气储能系统的模型拓扑；
仿真单元305，用于基于仿真需求对所述模型拓扑中各个模型组件进行参数配置，以利用所述模型拓扑对自变量的输入进行动态仿真，得到随时间变化的动态响应数据。
在本发明一个实施例中，所述确定单元，具体用于：将所述压缩空气储能系统按照结构特性进行拆分，得到多个子系统；针对每一个子系统，确定组成该子系统的若干个独立设备；将多个子系统的多个独立设备确定为组成所述压缩空气储能系统的多个设备。
在本发明一个实施例中，还包括：去重单元，用于对所述多个独立设备进行去重，以触发模型构建单元针对去重后剩余的独立设备执行所述分别构建对应的机理模型；
所述拓扑搭建单元具体用于将去重前的多个独立设备一一对应的多个模型组件进行连接，得到所述压缩空气储能系统的模型拓扑。
在本发明一个实施例中，还包括：存储单元用于将每一个独立设备的模型组件存储至组件库中；和/或，
组件搭建单元，用于针对每一个子系统，将组成该子系统的若干个独立设备的模型组件进行连接，得到每一个子系统的系统模型组件，将每一个子系统的系统模型组件存储至组件库中。
在本发明一个实施例中，所述多个设备包括：稳态设备和非稳态设备；
所述非稳态设备的机理模型中的因变量随时间的变化而变化；
所述稳态设备的机理模型中的因变量的变化与时间的变化不相关。
在本发明一个实施例中，所述非稳态设备至少包括：储气库、压缩机、空气透平机、换热器或储热库。
在本发明一个实施例中，拓扑搭建单元还用于当需要对所述压缩空气储能系统中的目标设备进行设备类型更换时，获取更换后设备的模型组件，将更换后设备的模型组件对所述模型拓扑中更换前设备的模型组件进行替换，得到所述压缩空气储能系统新的模型拓扑。
可以理解的是，本发明实施例示意的结构并不构成对一种压缩空气储能系统动态仿真装置的具体限定。在本发明的另一些实施例中，一种压缩空气储能系统动态仿真装置可以包括比图示更多或者更少的部件，或者组合某些部件，或者拆分某些部件，或者不同的部件布置。图示的部件可以以硬件、软件或者软件和硬件的组合来实现。
上述装置内的各模块之间的信息交互、执行过程等内容，由于与本发明方法实施例基于同一构思，具体内容可参见本发明方法实施例中的叙述，此处不再赘述。
本发明实施例还提供了一种电子设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器执行所述计算机程序时，实现本发明任一实施例中的一种压缩空气储能系统动态仿真方法。
本发明实施例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上存储有计算机程序，所述计算机程序在被处理器执行时，使所述处理器执行本发明任一实施例中的一种压缩空气储能系统动态仿真方法。
具体地，可以提供配有存储介质的系统或者装置，在该存储介质上存储着实现上述实施例中任一实施例的功能的软件程序代码，且使该系统或者装置的计算机（或CPU或MPU）读出并执行存储在存储介质中的程序代码。
在这种情况下，从存储介质读取的程序代码本身可实现上述实施例中任何一项实施例的功能，因此程序代码和存储程序代码的存储介质构成了本发明的一部分。
用于提供程序代码的存储介质实施例包括软盘、硬盘、磁光盘、光盘（如CD-ROM、CD-R、CD-RW、DVD-ROM、DVD-RAM、DVD-RW、DVD+RW）、磁带、非易失性存储卡和ROM。可选择地，可以由通信网络从服务器计算机上下载程序代码。
此外，应该清楚的是，不仅可以通过执行计算机所读出的程序代码，而且可以通过基于程序代码的指令使计算机上操作的操作系统等来完成部分或者全部的实际操作，从而实现上述实施例中任意一项实施例的功能。
此外，可以理解的是，将由存储介质读出的程序代码写到插入计算机内的扩展板中所设置的存储器中或者写到与计算机相连接的扩展模块中设置的存储器中，随后基于程序代码的指令使安装在扩展板或者扩展模块上的CPU等来执行部分和全部实际操作，从而实现上述实施例中任一实施例的功能。
需要说明的是，在本文中，诸如第一和第二之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个…”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同因素。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储在计算机可读取的存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质中。
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 (10)
1.一种压缩空气储能系统动态仿真方法，其特征在于，包括：
确定组成所述压缩空气储能系统的多个设备；
针对每一个设备分别构建对应的机理模型；所述机理模型包括自变量、因变量以及从自变量到因变量的过程方程；所述自变量至少包括时间项；
针对每一个设备的机理模型，均执行：将该机理模型的自变量作为模型组件的输入接口，将该机理模型的因变量作为模型组件的输出接口，利用编程语言将该机理模型中从自变量到因变量的过程方程固化在模型组件内部，得到对该设备进行封装的模型组件；
根据所述多个设备在所述压缩空气储能系统中的物理逻辑关系，将所述多个设备一一对应的多个模型组件进行连接，得到所述压缩空气储能系统的模型拓扑；
基于仿真需求对所述模型拓扑中各个模型组件进行参数配置，以利用所述模型拓扑对自变量的输入进行动态仿真，得到随时间变化的动态响应数据。
2.根据权利要求1所述的方法，其特征在于，所述确定组成所述压缩空气储能系统的多个设备，包括：
将所述压缩空气储能系统按照结构特性进行拆分，得到多个子系统；
针对每一个子系统，确定组成该子系统的若干个独立设备；
将多个子系统的多个独立设备确定为组成所述压缩空气储能系统的多个设备。
3.根据权利要求2所述的方法，其特征在于，
在所述构建对应的机理模型之前，还包括：对所述多个独立设备进行去重，以针对去重后剩余的独立设备执行所述分别构建对应的机理模型；
所述将所述多个设备一一对应的多个模型组件进行连接，得到所述压缩空气储能系统的模型拓扑，包括：将去重前的多个独立设备一一对应的多个模型组件进行连接，得到所述压缩空气储能系统的模型拓扑。
4.根据权利要求2所述的方法，其特征在于，
还包括：将每一个独立设备的模型组件存储至组件库中；和/或，
还包括：针对每一个子系统，将组成该子系统的若干个独立设备的模型组件进行连接，得到每一个子系统的系统模型组件，将每一个子系统的系统模型组件存储至组件库中。
5.根据权利要求1所述的方法，其特征在于，所述多个设备包括：稳态设备和非稳态设备；
所述非稳态设备的机理模型中的因变量随时间的变化而变化；
所述稳态设备的机理模型中的因变量的变化与时间的变化不相关。
6.根据权利要求5所述的方法，其特征在于，所述非稳态设备至少包括：储气库、压缩机、空气透平机、换热器或储热库。
7.根据权利要求1-6中任一所述的方法，其特征在于，还包括：
当需要对所述压缩空气储能系统中的目标设备进行设备类型更换时，获取更换后设备的模型组件，将更换后设备的模型组件对所述模型拓扑中更换前设备的模型组件进行替换，得到所述压缩空气储能系统新的模型拓扑。
8.一种压缩空气储能系统动态仿真装置，其特征在于，包括：
确定单元，用于确定组成所述压缩空气储能系统的多个设备；
模型构建单元，用于针对每一个设备分别构建对应的机理模型；所述机理模型包括自变量、因变量以及从自变量到因变量的过程方程；所述自变量至少包括时间项；
封装单元，用于针对每一个设备的机理模型，均执行：将该机理模型的自变量作为模型组件的输入接口，将该机理模型的因变量作为模型组件的输出接口，利用编程语言将该机理模型中从自变量到因变量的过程方程固化在模型组件内部，得到对该设备进行封装的模型组件；
拓扑搭建单元，用于根据所述多个设备在所述压缩空气储能系统中的物理逻辑关系，将所述多个设备一一对应的多个模型组件进行连接，得到所述压缩空气储能系统的模型拓扑；
仿真单元，用于基于仿真需求对所述模型拓扑中各个模型组件进行参数配置，以利用所述模型拓扑对自变量的输入进行动态仿真，得到随时间变化的动态响应数据。
9.一种电子设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器执行所述计算机程序时，实现如权利要求1-7中任一项所述的方法。
10.一种计算机可读存储介质，其上存储有计算机程序，当所述计算机程序在计算机中执行时，令计算机执行权利要求1-7中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311540807.XA CN117252046B (zh) | 2023-11-20 | 2023-11-20 | 压缩空气储能系统动态仿真方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311540807.XA CN117252046B (zh) | 2023-11-20 | 2023-11-20 | 压缩空气储能系统动态仿真方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117252046A true CN117252046A (zh) | 2023-12-19 |
| CN117252046B CN117252046B (zh) | 2024-02-27 |
Family
ID=89137267
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311540807.XA Active CN117252046B (zh) | 2023-11-20 | 2023-11-20 | 压缩空气储能系统动态仿真方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117252046B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180080346A1 (en) * | 2014-06-30 | 2018-03-22 | Tsinghua University | Method and System of Efficiency Evaluation of RCAES System |
| CN107862160A (zh) * | 2017-12-06 | 2018-03-30 | 清华大学 | 压缩空气储能系统的未来电网演化模型的生成方法及装置 |
| CN110084465A (zh) * | 2019-03-11 | 2019-08-02 | 杭州电子科技大学 | 基于储能的风力发电系统成本/供电可靠性评估方法 |
| CN114154390A (zh) * | 2021-09-03 | 2022-03-08 | 国网冀北电力有限公司检修分公司 | 一种参数平均化模型建模方法及装置 |
| CN116522752A (zh) * | 2023-03-24 | 2023-08-01 | 贵州电网有限责任公司 | 一种基于机理与数据融合的压缩空气储能系统仿真方法 |
-
2023
- 2023-11-20 CN CN202311540807.XA patent/CN117252046B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180080346A1 (en) * | 2014-06-30 | 2018-03-22 | Tsinghua University | Method and System of Efficiency Evaluation of RCAES System |
| CN107862160A (zh) * | 2017-12-06 | 2018-03-30 | 清华大学 | 压缩空气储能系统的未来电网演化模型的生成方法及装置 |
| CN110084465A (zh) * | 2019-03-11 | 2019-08-02 | 杭州电子科技大学 | 基于储能的风力发电系统成本/供电可靠性评估方法 |
| CN114154390A (zh) * | 2021-09-03 | 2022-03-08 | 国网冀北电力有限公司检修分公司 | 一种参数平均化模型建模方法及装置 |
| CN116522752A (zh) * | 2023-03-24 | 2023-08-01 | 贵州电网有限责任公司 | 一种基于机理与数据融合的压缩空气储能系统仿真方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117252046B (zh) | 2024-02-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Yu et al. | Neural-network based analysis and prediction of a compressor’s characteristic performance map | |
| Herber et al. | Architecture generation and performance evaluation of aircraft thermal management systems through graph-based techniques | |
| CN109190327B (zh) | 有机朗肯循环系统分析优化方法、装置及设备 | |
| EP3282375A1 (en) | Computer implemented methods, apparatus, computer programs and non-transitory computer readable storage mediums for automatically designing a secondary air system for a gas turbine engine | |
| CN117252046B (zh) | 压缩空气储能系统动态仿真方法及装置 | |
| Tong et al. | Accumulated and transient exergy analyses of pneumatic systems with isochoric and isobaric compressed air storage tanks | |
| CN109783882B (zh) | 一种联合matlab与flowmaster的燃气轮机燃油系统建模仿真方法 | |
| Ibrahem et al. | Neural Networks Modelling of Aero-derivative Gas Turbine Engine: A Comparison Study. | |
| Brown et al. | Surrogate modeling of manufacturing variation effects on unsteady interactions in a transonic turbine | |
| US12031497B2 (en) | System and method for a virtual turbocharger speed sensor using neural networks | |
| CN103245507A (zh) | 蒸汽涡轮性能测试 | |
| CN102967465A (zh) | 燃料室虚拟试验方法及系统 | |
| Smith et al. | Dynamical graph-based models of Brayton cycle systems | |
| CN113806854B (zh) | 涡轮叶片气膜孔孔内换热计算方法 | |
| Cerri et al. | General Method for the development of Gas Turbine based plant simulators: an IGCC application | |
| Krouse et al. | Implementation and comparison of model co-simulation methods in a turbofan model | |
| PARINI | Object oriented modeling and dynamic optimization of energy systems with application to combined cycle power plant start-up | |
| Ferrari et al. | Development of a Dynamic Model of a Two-Shaft Turbine for Control Tuning and Testing | |
| Shen et al. | Modeling and simulation of aero-derivative gas turbine for power generation | |
| Spindler et al. | EDA-based optimization of blow-off valve positions for centrifugal compressor systems | |
| Schuff | Towards Multi-Fidelity Simulations in the Context of the Virtual Engine | |
| Thorbergsson et al. | Integration of fluid thermodynamic and transport properties in conceptual turbomachinery design | |
| Lehtomäki | Digital twin model for a gas turbine | |
| Aulich et al. | Data-Driven AI Model for Turbomachinery Compressor Aerodynamics Enabling Rapid Approximation of 3D Flow Solutions | |
| WO2020262578A1 (ja) | 演算装置、プラント、演算方法及びプログラム |
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 | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20240306 Address after: 100120 No. 5, liupukang North Street, Xicheng District, Beijing Patentee after: CHINA POWER ENGINEERING CONSULTING (Group) Corp. Country or region after: China Patentee after: Zhongdian Smart Energy Storage Technology (Shanghai) Co.,Ltd. Address before: 100120 No. 5, liupukang North Street, Xicheng District, Beijing Patentee before: CHINA POWER ENGINEERING CONSULTING (Group) Corp. Country or region before: China |
|
| TR01 | Transfer of patent right |