CN117254528A - 多能互补发电调峰系统及调峰方法 - Google Patents

多能互补发电调峰系统及调峰方法 Download PDF

Info

Publication number
CN117254528A
CN117254528A CN202311167409.8A CN202311167409A CN117254528A CN 117254528 A CN117254528 A CN 117254528A CN 202311167409 A CN202311167409 A CN 202311167409A CN 117254528 A CN117254528 A CN 117254528A
Authority
CN
China
Prior art keywords
power generation
tank
energy
hydrogen production
heat
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
Application number
CN202311167409.8A
Other languages
English (en)
Other versions
CN117254528B (zh
Inventor
宋�莹
孙荣岳
韩宇
彭玉
陶成飞
马敏阳
梁绍华
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.)
Nanjing Institute of Technology
Original Assignee
Nanjing Institute of Technology
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 Nanjing Institute of Technology filed Critical Nanjing Institute of Technology
Priority to CN202311167409.8A priority Critical patent/CN117254528B/zh
Publication of CN117254528A publication Critical patent/CN117254528A/zh
Application granted granted Critical
Publication of CN117254528B publication Critical patent/CN117254528B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
    • H02J3/46—Controlling of the sharing of output between the generators, converters, or transformers
    • H02J3/466—Scheduling the operation of the generators, e.g. connecting or disconnecting generators to meet a given demand
    • C—CHEMISTRY; METALLURGY
    • C01—INORGANIC CHEMISTRY
    • C01B—NON-METALLIC ELEMENTS; COMPOUNDS THEREOF; METALLOIDS OR COMPOUNDS THEREOF NOT COVERED BY SUBCLASS C01C
    • C01B3/00—Hydrogen; Gaseous mixtures containing hydrogen; Separation of hydrogen from mixtures containing it; Purification of hydrogen
    • C01B3/02—Production of hydrogen or of gaseous mixtures containing a substantial proportion of hydrogen
    • C01B3/04—Production of hydrogen or of gaseous mixtures containing a substantial proportion of hydrogen by decomposition of inorganic compounds, e.g. ammonia
    • C01B3/042—Decomposition of water
    • C—CHEMISTRY; METALLURGY
    • C25—ELECTROLYTIC OR ELECTROPHORETIC PROCESSES; APPARATUS THEREFOR
    • C25B—ELECTROLYTIC OR ELECTROPHORETIC PROCESSES FOR THE PRODUCTION OF COMPOUNDS OR NON-METALS; APPARATUS THEREFOR
    • C25B1/00—Electrolytic production of inorganic compounds or non-metals
    • C25B1/01—Products
    • C25B1/02—Hydrogen or oxygen
    • C25B1/04—Hydrogen or oxygen by electrolysis of water
    • C—CHEMISTRY; METALLURGY
    • C25—ELECTROLYTIC OR ELECTROPHORETIC PROCESSES; APPARATUS THEREFOR
    • C25B—ELECTROLYTIC OR ELECTROPHORETIC PROCESSES FOR THE PRODUCTION OF COMPOUNDS OR NON-METALS; APPARATUS THEREFOR
    • C25B15/00—Operating or servicing cells
    • C25B15/02—Process control or regulation
    • C—CHEMISTRY; METALLURGY
    • C25—ELECTROLYTIC OR ELECTROPHORETIC PROCESSES; APPARATUS THEREFOR
    • C25B—ELECTROLYTIC OR ELECTROPHORETIC PROCESSES FOR THE PRODUCTION OF COMPOUNDS OR NON-METALS; APPARATUS THEREFOR
    • C25B9/00—Cells or assemblies of cells; Constructional parts of cells; Assemblies of constructional parts, e.g. electrode-diaphragm assemblies; Process-related cell features
    • C25B9/60—Constructional parts of cells
    • C25B9/65—Means for supplying current; Electrode connections; Electric inter-cell connections
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F03—MACHINES OR ENGINES FOR LIQUIDS; WIND, SPRING, OR WEIGHT MOTORS; PRODUCING MECHANICAL POWER OR A REACTIVE PROPULSIVE THRUST, NOT OTHERWISE PROVIDED FOR
    • F03D—WIND MOTORS
    • F03D9/00—Adaptations of wind motors for special use; Combinations of wind motors with apparatus driven thereby; Wind motors specially adapted for installation in particular locations
    • F03D9/007—Adaptations of wind motors for special use; Combinations of wind motors with apparatus driven thereby; Wind motors specially adapted for installation in particular locations the wind motor being combined with means for converting solar radiation into useful energy
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F03—MACHINES OR ENGINES FOR LIQUIDS; WIND, SPRING, OR WEIGHT MOTORS; PRODUCING MECHANICAL POWER OR A REACTIVE PROPULSIVE THRUST, NOT OTHERWISE PROVIDED FOR
    • F03D—WIND MOTORS
    • F03D9/00—Adaptations of wind motors for special use; Combinations of wind motors with apparatus driven thereby; Wind motors specially adapted for installation in particular locations
    • F03D9/10—Combinations of wind motors with apparatus storing energy
    • F03D9/19—Combinations of wind motors with apparatus storing energy storing chemical energy, e.g. using electrolysis
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F03—MACHINES OR ENGINES FOR LIQUIDS; WIND, SPRING, OR WEIGHT MOTORS; PRODUCING MECHANICAL POWER OR A REACTIVE PROPULSIVE THRUST, NOT OTHERWISE PROVIDED FOR
    • F03G—SPRING, WEIGHT, INERTIA OR LIKE MOTORS; MECHANICAL-POWER PRODUCING DEVICES OR MECHANISMS, NOT OTHERWISE PROVIDED FOR OR USING ENERGY SOURCES NOT OTHERWISE PROVIDED FOR
    • F03G4/00—Devices for producing mechanical power from geothermal energy
    • F03G4/037—Devices for producing mechanical power from geothermal energy having other power cycles, e.g. Stirling, transcritical or supercritical cycles; combined with other power sources, e.g. wind, gas or nuclear
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F03—MACHINES OR ENGINES FOR LIQUIDS; WIND, SPRING, OR WEIGHT MOTORS; PRODUCING MECHANICAL POWER OR A REACTIVE PROPULSIVE THRUST, NOT OTHERWISE PROVIDED FOR
    • F03G—SPRING, WEIGHT, INERTIA OR LIKE MOTORS; MECHANICAL-POWER PRODUCING DEVICES OR MECHANISMS, NOT OTHERWISE PROVIDED FOR OR USING ENERGY SOURCES NOT OTHERWISE PROVIDED FOR
    • F03G6/00—Devices for producing mechanical power from solar energy
    • F03G6/06—Devices for producing mechanical power from solar energy with solar energy concentrating means
    • F03G6/068—Devices for producing mechanical power from solar energy with solar energy concentrating means having other power cycles, e.g. Stirling or transcritical, supercritical cycles; combined with other power sources, e.g. wind, gas or nuclear
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24S—SOLAR HEAT COLLECTORS; SOLAR HEAT SYSTEMS
    • F24S20/00—Solar heat collectors specially adapted for particular uses or environments
    • F24S20/20—Solar heat collectors for receiving concentrated solar energy, e.g. receivers for solar power plants
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24S—SOLAR HEAT COLLECTORS; SOLAR HEAT SYSTEMS
    • F24S23/00—Arrangements for concentrating solar-rays for solar heat collectors
    • F24S23/70—Arrangements for concentrating solar-rays for solar heat collectors with reflectors
    • F24S23/74—Arrangements for concentrating solar-rays for solar heat collectors with reflectors with trough-shaped or cylindro-parabolic reflective surfaces
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • H02J15/50—
    • 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
    • H02J3/003—Load forecast, e.g. methods or systems for forecasting future load demand
    • 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
    • H02J3/004—Generation forecast, e.g. methods or systems for forecasting future energy generation
    • 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
    • H02J2101/24—
    • H02J2101/28—
    • H02J2103/30—

Landscapes

  • Engineering & Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Sustainable Energy (AREA)
  • Sustainable Development (AREA)
  • Mechanical Engineering (AREA)
  • Health & Medical Sciences (AREA)
  • Power Engineering (AREA)
  • Organic Chemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Electrochemistry (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • General Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biophysics (AREA)
  • Business, Economics & Management (AREA)
  • Metallurgy (AREA)
  • Materials Engineering (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Inorganic Chemistry (AREA)
  • Economics (AREA)
  • Thermal Sciences (AREA)
  • Water Supply & Treatment (AREA)
  • General Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • Strategic Management (AREA)
  • Public Health (AREA)

Abstract

本发明提供了一种多能互补发电调峰系统及调峰方法，涉及新能源多能互补发电技术领域。调峰系统基于改进的深度学习算法，根据用电量，预测各发电装置的发电匹配度、各级能量利用量，在保障多能互补机组高效发电的基础上，实现智能化调热调峰的目的。该调热调峰系统以信号分解技术、长短期神经网络（LSTM）、自注意力机制以及解决过拟合的方法为基础，分为MCEEBN大数据预处理模块、RAST‑LSTM发电量预测模块、RAST‑LSTM热量利用预测模块，其中MCEEBN大数据预处理模块能够提供三项功能：信号分解降噪功能、中间量计算功能以及归一化处理功能。本系统适用于所述多能互补发电系统的深度调峰，具有较高的精确度。

Description

多能互补发电调峰系统及调峰方法
技术领域
本发明涉及新能源多能互补发电技术领域，尤其涉及一种多能互补发电调峰系统及调峰方法。
背景技术
多能互补发电技术是一种将多种能源相结合，实现一体化发电的联合系统，是实现能源梯级利用的有效方式，同时提高各个新能源发电效率，降低二氧化碳排放，降低环境污染，提高新能源发电系统供电稳定性。余热利用和储能的共同实现提高了联合发电系统运行的可靠性、经济型与灵活性，确保多能互补发电系统长期满足供电需求。
现阶段多能互补发电技术多采用燃煤发电、抽水蓄能以及风力发电相结合，多用于负荷供需上的互补，减轻了新能源独立发电在负荷供给上的不稳定性；在一定程度上减少了煤炭这类化石燃料的消耗，但在解决减少二氧化碳排放，实现“双碳”的目标存在一定的差距，因此需开发消耗以布雷顿循环为基础的，以二氧化碳为工作介质的多能互补发电系统。
在调峰方面，由于新能源发电机组受气候等环境因素的影响较大，在多元因素影响下，其自适应调峰能力并不突出，甚至出现供电不稳，调峰滞后等现象。与此同时，新能源互补发电系统在余热利用以及供电稳定性方面有一定的弊端，因此，为实现碳中和，减少二氧化碳排放，提高整机效率，稳定供电，需要解决当前多能互补发电系统的以上不足。
发明内容
发明目的：提出一种多能互补发电调峰系统，并进一步提出一种利用上述系统实现的多能互补发电调峰方法，以解决现有技术提出的上述问题。
第一方面，提出一种多能互补发电调峰系统，该系统包括相互之间存在能量梯级利用的太阳能发电装置，地热能发电装置，制氢储能装置，风力发电装置。所述太阳能发电装置与地热能发电装置通过多级能量梯级利用相连通，第一级热源能量由太阳能乏气提供；或热罐储热能量提供；所述太阳能发电装置与制氢储能装置同样通过余热热量利用相连通，实现热解水制氢；所述风力发电装置同制氢储能装置相连通，实现适当电解水制氢；所述改进的深度学习算法在现有长短期记忆神经网络(LSTM)的基础上进行改进，同时与其他大数据处理方法相结合，以适用于多能互补发电系统的调峰特征；具体包括：针对不同气候特征、昼夜特征与用电需求等，实现智能化协调与控制热源能量梯级利用配额、各发电装置输出功率的配额。
在第一方面进一步的实施例中，所述多能互补发电系统包括依次连通的太阳能发电装置，地热发电装置，风力发电装置，制氢储能装置，水箱等；所述调峰系统是针对所述多能互补发电系统进行智能化调峰调热系统；所述多能互补发电系统内部工质均采用CO2，以布雷顿循环为热力循环；所述太阳能发电装置可采用槽式发电或塔式发电；所述地热发电装置与太阳能发电装置连通，通过能源余热利用连接或通过热罐抽气热源相连通；所述制氢储能装置与太阳能发电装置连通，通过热源补给装置连接；所述制氢储能装置与地热能发电装置连通，通过热源补给装置连接；所述制氢储能装置与风力发电装置连通，通过电力补给装置连接。
在第一方面进一步的实施例中，所述太阳能发电装置通过抽取乏气供给地热发电装置，通过Ⅰ级加热器换热，形成连接；所述太阳能发电装置通过抽取乏气供给储能装置，通过Ⅱ级加热器换热，形成连接；所述地热能发电装置通过抽取乏气供给储能装置，通过III级加热器换热，形成连接；所述风力发电装置供给储能装置中电解池用电量，同时满足调峰系统中的供电需求；所述调峰系统包括协调所述Ⅰ、Ⅱ和III级加热器热源供给量；智能协调太阳能发电装置、地热发电装置、风力发电装置与储能的供电量。
在第一方面进一步的实施例中，所述太阳能发电装置发电量随太阳辐射量变化而变化，主要受日、夜、阴、晴气象现象影响；所述地热发电装置由于其低品位热源，发电量有一定限制；所述风力发电装置发电量随风量、风速等气象特征影响；所述调峰系统依据天气因素，根据预测的用户电量，实时协调与控制各类可再生发电装置的供电量以及热源补给的配额。
在第一方面进一步的实施例中，所述储能装置包括两种形式，水热解制氢和水电解制氢，两种形式公用一个电解池；所述水热解制氢装置包括预热池、水解池、电解池、氯化池与分解池，预热池通过流量调节阀和管道同水解池连通，所述水解池、电解池、氯化池与分解池分别配有分离池，各个功能池通过调节阀和管道同各自的分离池连通；所述水解池、氯化池与分离池均有来自其他能量的热源加热。
在第一方面进一步的实施例中，所述水热解制氢中的水解池在上下两路构成热源来流补给；反应物均由顶部和底部进入，采用喷淋式同热源管道接触，进行换热达到反应所需温度后在接触进行化学反应；所述水热解制氢中的氯化池同所述水解池结构一致，仅加热温度不同，即所需热源量与抽取点不同；所述分解池内部布置双向逆流换热管道，热源取自太阳能发电装置中的抽气，CO2热源从分解池底部管道进入，通过间隔式管路放热后从顶部集成管道流出，分解物质从顶部间隔式管道流入吸收热量分解后，分解混合物从底部集成管道流入池中心；所述电解池均由所述风力发电装置提供用电量。
在第一方面进一步的实施例中，所述水电解制氢的电解池同所述水热解制氢的电解池公用同一装置，但用电量不同，所述互补发电系统供电量充足采用水热解制氢，所述互补发电系统供电量不足采用水电解制氢。
本发明的第二方面提出一种多能互补发电调峰方法，利用第一方面上述的多能互补发电调峰系统不仅能实现零碳排放，提高整体系统发电效率，还能够根据预测供用电负荷，保障整机发电效率较高的同时调整发电系统供电模式，以长期稳定、安全的满足用户的用电需求。
该多能互补发电调峰方法步骤如下：
步骤S1：获取气象数据和多能互补发电系统实时运行数据；
步骤S2：基于MCEEBN的大数据预处理策略；
步骤S3：基于RAST-LSTM算法设计改进的多能互补发电系统调峰策略；
步骤S4：在训练数据下对提出的改进算法进行训练；
步骤S5：利用步骤S4训练好的智能模块，在测试实时运行数据时，根据气象数据及运行数据，实现确保整机发电效率高水平的前提下，自动预测各发电装置的最佳供电匹配度。
在第二方面进一步的实施例中，步骤S2进一步包括：
S2-1、量化所述气象数据：根据太阳直接辐射与降水量的数值，判定白昼与黑夜，阴天与晴天，量化标识D>1表示白天，D<1表示黑夜；量化标识S>1表示晴天，S<1表示阴天；
根据风速与风量是否达到预设标准，判定当前风资源是否可用于发电，量化标识W>1表示风资源可利用发电，W<1表示风资源不可发电；
所述气象数据的量化标识作为气象量化数据，随当天的实时运行数据进入计算模型处理；
S2-2、根据S2-1获得的所述气象量化数据，同当天实时运行数据一同作为计算模型的输入，计算模型计算出多个中间量；
S2-3、所述计算模型计算出的所述中间量以增量矩阵的形式同实时数据共同构成下一环节的输入矩阵，进行信号分解降噪；
S2-4、信号分解降噪后输入矩阵继续进行归一化处理，以适应计算机模型训练要求。
在第二方面进一步的实施例中，步骤S2-2进一步包括：
根据S2-1获得的所述气象量化数据，同当天实时运行数据一同作为计算模型的输入，计算模型计算出多个中间量，
所述计算模型用于计算可用太阳辐射：
Ist＝DNI·cosθ；
式中，Ist表示可用太阳辐射；DNI表示直接辐照强度；cosθ表示入射角余弦值；
式中，θ表示入射角，θz表示天顶角，δ表示偏向角，ω表示时向角；
所述计算模型用于计算定日镜上的太阳总辐射：
Qinc＝Ist×Ah×Nh；
式中，Qinc表示定日镜上的太阳总辐射；Ah表示单个定日镜面积；Nh表示定日镜数量；
所述计算模型用于计算太阳能集热效率：
式中：ηopt太阳能集热效率；Qabs表示系统吸收热量。
ηopt＝ηcosθ×ηs×ηb×ηo×ηd；
式中：ηcosθ表示余弦效应造成的损耗，ηs表示阴影效应造成的损耗，ηb表示阻挡效应造成的损耗，ηo反射损耗，ηd色散损耗；
Qabs＝Qinc×ηopt；
m1h1＝m2h2+WT；
式中，m表示各个换热过程的质量流量，h表示对应焓值；
所述计算模型用于计算汽轮机或压缩机做功量：
WT＝m1cp1T1(1-PR(1-k)/k)ηt；
式中：WT表示汽轮机或压缩机做功，cp表示定压比热容，T表示热力学温度，PR表示汽轮机压力比，k表示比热容比，ηt表示汽轮机热效率。
在第二方面进一步的实施例中，步骤S2-3进行信号分解降噪的表达式如下：
式中，aj表示第j个本征模态函数，ai,j表示表示第i次加入白噪声后分解得到第j个本征模态函数；n表示实验次数，m表示加白噪声与分解的次数；
经过降噪处理的数据作为原数据的更新数据继续储存在输入矩阵的原位置处。
相对于现有技术，本申请具有明显的技术优点：
1、本发明中采用水热解制氢和水电解制氢，两者形成互补机制，以水热解制氢为主，电解制氢为辅，电力均由风力发电装置供给，形成制氢储能环节。能量梯级利用也应用于水热解制氢环节，根据水热解制氢不同环节对热量的需求，抽取6路CO2热源，均来自多能互补发电系统的余热及抽气。储能环节的设置不仅对提高整体系统效率有一定的促进作用，在保障整体系统运行稳定，供电量稳定也有举足轻重的作用。
2、本发明在LSTM的基础上进行改进，所述调峰系统能够处理大量数据，并不产生深度学习方法的常见的弊端，例如：梯度消失问题等；智能化预测用电负荷与供电量得差异，能够快速协调不同发电装置，实现供电增减，以解决供电过剩及供不应求得问题；同时本发明再调峰系统中还增添了调热功能，根据不同气象条件及工质参数的变化，及时协调热源利用量，以确保整机效率高的同时供电平稳，储能最大。
附图说明
图1为发明实施例中多能互补发电系统结构示意图。
图2为发明实施例中太阳能发电子系统结构示意图。
图3为发明实施例中风力发电子系统电能提供示意图。
图4为发明实施例中地热能发电子系统结构示意图。
图5为发明实施例中制氢储能结构流程示意图。
图6为发明实施例中水解池管路设置正剖图。
图7为发明实施例中氯化池管路设置正剖图。
图8为发明实施例中分解池管路设置正剖图。
图9为发明实施例中基于改进的深度学习算法(RAST-LSTM)调峰系统策略示意图。
图10为发明实施例中RAST-LSTM结构示意图。
图11为发明实施例中基于改进的深度学习算法(RAST-LSTM)模型训练过程图。
图中标记名称：1-1槽式太阳能，1-2塔式太阳能集热塔，1-3集热塔塔身，1-4日光反射装置，1-5储热热罐，1-6储热冷罐，1-7热泵，1-8加热器，1-9汽轮机高压缸，1-10汽轮机中压缸，1-11汽轮机轴系，1-12汽轮机低压缸，1-13汽轮机轴系，1-14发电机，1-15变压站，1-16余热利用Ⅰ级加热器，1-17余热利用Ⅱ级加热器，1-18/1-19压缩机，1-20太阳能热源供给流量阀，1-21循环工质热源供给流量阀，1-22热罐热源供给流量阀，1-23热源回流阀，1-24热源回流阀，1-25循环工质流量阀，1-26循环工质流量阀，1-27压缩工质流量阀，1-28余热流量阀，1-29地热工质来流流量阀，1-30供给热源流量阀，1-31储能工质来流流量阀，1-32供给热源流量阀；2-1风机，2-2风资源，2-3变压电站，2-4用电用户，2-5水热解制氢环节，2-6水电解制氢；3-1地热岩层，3-2Ⅰ级换热器，3-3汽轮机高压缸，3-4汽轮机中压缸，3-5汽轮机低压缸，3-6发电机，3-7高中压缸流量阀，3-8联轴器，3-9III级换热器，3-10压缩机，3-11压缩机，3-12回流阀，3-13加压入流阀，3-14加热工质入流阀，3-15加热工质主汽阀，3-16乏气流量阀，3-17储能工质回流阀，3-18储能工质入流阀，3-19变压电站；4-1预热池，4-2水解池，4-3水解-分离池，4-4电解池，4-5电解-分离池，4-6储氢罐，4-7电化学反应池，4-8氯化池，4-9氯化-分离池，4-10分解池，4-11分解-分离池，4-12电化学反应换热器，4-13热源回流阀，4-14热源入流阀，4-15H2O出水阀，4-16H2O入水阀，4-17至4-32反应物流量阀，4-33水箱；5-1喷淋管道，5-2热源来流管道，5-3反应物预存管道，5-4反应室，5-5H2O流量阀，5-6氯化镁流量阀，5-7反应混合物排出阀；6-1喷淋管道，6-2热源来流管道，6-3反应物预存管道，6-4反应室，6-5氯气流量阀，6-6氧化镁流量阀，6-7反应混合物排出阀；7-1左侧预热管道，7-2右侧预热管道，7-3分解物汇聚管道，7-4热源工质分流管道，7-5分解物入流阀门，7-6分解物流量阀门，7-7分解物分流管道，7-8热源回流阀门，7-9热源来流阀门，7-10热源汇聚管道，7-11混合物流出阀门，7-12分解反应室。
具体实施方式
在下文的描述中，给出了大量具体的细节以便提供对本发明更为彻底的理解。然而，对于本领域技术人员而言显而易见的是，本发明可以无需一个或多个这些细节而得以实施。在其他例子中，为了避免与本发明发生混淆，对于本领域公知的一些技术特征未进行描述。
如图1所示，本发明提供了一种基于改进的深度学习算法的多能互补发电调峰系统，所述系统由四个能量转化环节以及一个智能预测协调控制环节构成，能量转化环节包括太阳能发电装置、风力发电装置、地热发电装置、制氢储能装置，智能预测协调控制环节是由一种基于改进的深度学习算法的调峰系统构成。所述太能发电装置根据地区实际情况可选择槽式太阳能发电装置或塔式太阳能发电装置；风力发电装置装机容量可根据供电负荷设计或将当地风力发电装置进行适当改造；制氢储能装置采用氯化镁水热解制氢与电解水制氢相结合，多以氯化镁水热解为主，当热源量较少时采用电解水制氢。
由于可再生能源发电装置受环境因素影响较大，所述系统解决了气象环境变化给系统带来的不稳定性。
该系统供电量由太阳能发电装置、风力发电装置、地热能发电装置以及氢能发电装置共同承担，四类发电装置之间存在不同等级的热源补偿，根据当地实际气象环境条件进行协调控制，控制热源补偿量及发电模式，以满足用户需求。
如图2所示，太阳能发电装置可采用槽式太阳能或塔式太阳能，集热器收集热量通过阀门1-20输入加热器1-8及储热热罐1-5和储热冷罐1-6中，放热后的工质通过阀门1-22、1-24进入热泵1-7被打回集热器一侧进行再次利用。整个发电装置采用布雷顿循环，循环工质为CO2，被加热的CO2是通过压缩机1-18、1-19加压后进入加热器1-8中，因此通过阀门1-26进入汽轮机高压缸1-9的工质是超临界二氧化碳S-CO2，工质在高压缸中做功后进入汽轮机中压缸1-11再次进行做功，随后进入低压缸1-12推动叶轮转动带动发电机发电。所述太阳能发电装置在低压缸出口处设置余热能量梯级利用，设置有Ⅱ级加热器，在高压缸入口处设置Ⅰ级抽气管道，用于制氢储能装置的热源补给。Ⅱ级加热器以及抽取量β1、β2、β3具体多少需根据当地实际情况及用电需求进行设定，通过所述基于改进的深度学习算法的调峰系统实现；同时太阳能发电装置的供电配额α1依靠所述调峰系统实现。
如图2所示，根据当地实际用电情况及风资源等气象条件，选择合适的风电机组2-1建立风电场，也可在现有风电场基础上进行多能互补改造，所述系统风力发电装置2受气象条件影响较大，主要受风速v、风量Q的影响，其总发电量用途包括三种：社会发展与居民生活用电2-4、水热解制氢2-5少量用电以及电解水制氢2-6用电。三种情况的用电配比根据实际情况，以满足用户需求为主，以制氢为辅。具体配比α2、γ1、γ2多少需要根据所述基于改进的深度学习的调峰系统进行调节。
如图3所示，地热发电装置3有着源源不断的地热热源对工质进行加热，但由于地热热源热量品位较低，所述多能互补发电系统采用太阳能发电装置1的部分热源对其进行加热，以提高其发电效率，地热发电装置同样采用布雷顿循环，循环工质采用CO2通过压缩机3-10、3-11打入地下岩层3-1，先由地热进行加热，然后流经流量阀门3-14进入Ⅰ级加热器吸收热量，高温高压CO2工质由阀门3-15流入汽轮机高压缸3-3做功，随后流经中压缸3-4、低压缸3-5进行膨胀做功，带动发电机3-6进行发电，供用户使用。汽轮机排气余热被用来作为水热解制氢环节的预热热源。此处，地热发电装置在整个系统中发电量的配额α3也是需要所述基于改进的深度学习的调峰系统进行调节的。
如图5所示，制氢储能装置4设置两种制氢模式，一种以氯化镁为催化剂的水H2O热解制氢，另外一种水H2O电解制氢，两者公用一个电解池4-4。被热解或电解的H2O从水箱4-3经过流量阀门4-31、4-32进入电解池实现电解水制氢；经过4-31、4-16进入预热池4-1开始显示热解水制氢，H2O被预热到既定温度后，通过阀门4-15进入水解池4-2进行水解，同时从氯化池4-8及氯化分离池4-11分离而来的MgCl2从水解池底部进入水解池中，水解后的混合物进入水解分离池4-3，分离后的MgOHCl通过阀门4-18进入分解池4-10中进行分解，HCl通过阀门4-21进入电解池进行电解，电解所需用电由风电机组供给；分解池中分解后的混合物进入分解分离池4-9后，被分离开来，HCl通过流量阀门4-22同水解分离池的HCl汇合。分离后的MgO进入氯化池同电解分离池分离出来的Cl2进行反应，生成混合物进入电解分离池4-11，至此，所述水热解制氢环节完成一个循环，制成H2储存在储氢罐4-6中，需要储氢发电，开启4-33、4-27和4-34，H2和O2进入电化学反应池进行放电反应，电能输入电网，供用户使用，反应释放热量用来加热同系统中其他发电装置的工质CO2，以减少气象条件恶劣时对整体供电系统供电能力的不稳定性。具体供电配额α4与热量补给配额β4同样需要所述基于改进的深度学习的调峰系统进行确定。
具体来说，水热解制氢主要由预热，水解，电解，分解，氯化等环节构成。由图5所示，具体流程如下：
①、H2O从水箱4-33经过阀门4-31、4-16进入预热池，进行预热，预热热源来自太阳能发电装置乏气的余热，达到水解温度280℃后进入水解池4-2，由于阀门4-32、4-35用于电解水制氢供水使用，因此，此时处于关闭状态。
②、进入水解池后的H2O同经过阀门4-17流入的MgCl2发生反应，反应方程式为：
此时有两路来自太阳能发电装置的CO2抽气作为热源，为反应提供热量支持，抽气来源太阳能发电装置余热或地热能发电装置主循环工质入口处。
③、水解反应生成混合物进入分离池4-3中进行分离，分离出HCl通过阀门4-21进入电解池4-4中进行电解，分离出的MgOHCl通过阀门4-18进入分解池进行分解，分解方程式为：MgOHCl→MgO+HCl(t＝450℃)，CO2热源从底部通道进入分解池中，维持分解所需的热量，热源来自太阳能发电装置余热热源，分解池分解的混合物进入分离池4-9进行分离。
④、进入电解池4-4的HCl发生电解，反应方程式为：2HCl→H2+Cl2(t＝70℃)，需风力发电装置提供少量电能供电解池使用。反应后的混合物进入分离池4-5进行分离，分离的H2通过阀门4-25、4-32进入储氢罐4-6。
⑤、由分离池4-5分离出的Cl2进入氯化池中同分离池4-9分离出来的MgO发生反应，反应方程式为：为了维持反应的高温，氯化池4-8同样需要上下两路高温CO2抽气作为热源补给，从太阳能热罐或主循环工质入口处进行抽取，抽取比例在3％-5％。
⑥、在氯化池4-8中生成的混合物进入分离池4-11，分离出MgCl2通过阀门4-17进入水解池，供水解使用；分离出的O2经过回收用于电化学反应池4-7使用。
⑦、分离池4-9分离出的HCl通过阀门4-22、4-21进入电解池4-4，同样发生电解反应，需风力发电装置提供少量电能。
水电解制氢仅需电解环节构成，但其耗电能较多，所述系统仅在热源供给匮乏时使用水电解制氢。如图5所示，具体流程如下：
a.当使用电解制氢时，H2O从水箱4-33经过阀门4-31、4-32、进入电解池4-4，电解反应方程式为：2H2O→2H2+2O2(通电)，所需电能较多，均有互补发电系统中的风力发电装置提供。
b.步骤a中电解后的混合物进入分离池4-5进行分离，分离出的H2流经阀门4-25、4-32进入储氢罐4-6；分离出的O2，经过阀门4-32回收，用于电化学反应池4-7使用。
水电解制氢环节启用a、b中提到的设备装置均开启，其他设备即阀门均处于关闭状态。
当所述调峰系统判断需氢能发电时，阀门4-27、4-36开启，水解制氢装置中其他阀门及装置处理关闭状态，H2与O2进入电化学反应池，发生反应，放出电能与热能，电能供满足供电峰值缺失使用，热能供加热冷端循环工质CO2使用，例如地热端循环工质等。
白天天气晴朗、有风时，所述多能互补发电系统中，太阳能发电装置1正常运行，储能罐流量阀门1-22开启，抽取β3的CO2热源，储能罐1-5/6正常储能，太阳能余热供给地热发电装置3和储能4所需热量，将所发的电全部输入电网；风力发电装置2正常运行，将所发电量的大部分输入电网，供用户使用，一小部分电输入制氢储能装置的电解池4-4，以完成氯化镁水热解制氢环节；地热能发电装置3中地热源对作为工质的CO2进行加热后，由于地热热源属于低品位热能，为了提高地热发电装置的发电效率，Ⅰ级换热器1-16作为地热发电工质的加热装置，抽取部分太阳能发电装置余热β2作为热源对地热发电工质进行加热，后输入汽轮机高压缸3-3进行做功，将所有发电量全部输入电网，满足用电负荷，地热发电装置的余热作为3-9III级加热器的热源，对制氢环节中初始H2O进行加热；制氢储能装置4采用氯化镁水热解制氢，主要由预热池4-1、水解池4-2、氯化池4-8、分解池4-11、电解池4-4以及分离池和电化学反应池、储氢罐、水箱构成。热源供给存在6路，第一路热源即由所述来自III级加热器的CO2热源进行加热，CO2热源从4-14进入III级加热器4-1，由4-13流出；流量阀门4-31开启，流量阀门4-32关闭，4-16开启，H20流入III级加热器4-1被加热到一定温度，进入水解池4-2；第2、3路热源进入水解池，由两路CO2抽气供给，来自太阳能发电装置，具体利用哪段抽气或者排气余热需根据当地实际机组情况计算相应参数后进行优化设计；水解池分离的MgOHCl进入分解池，第4路热源由太阳能热罐供给；第5、6路热源同样由热罐供给到氯化池中，采用上下喷淋换热的形式；分离池4-3分离的HCl进入电解池进行电解，产生H2储存起来。水热解制氢的方式不仅能够循环获得相关物质，还能节省很多电能。
白天天气阴雨、有风与夜晚、有风时，所述多能互补发电系统中，太阳能发电装置1依靠储热热罐1-5和储热冷罐1-6中的能量对循环工质CO2进行加热，发电量较晴天较低，供给用户电能相对较少，其余热利用同上述，但关闭所有抽气阀门1-33；风力发电装置2向用户提供大部分电能，地热能发电装置3发电情况同上述，余热利用同上述；制氢储能装置4关闭流量阀4-31，停止水热解制氢模式，开启4-32，采用完全电解水制氢模式，所需电能均有风力发电装置2提供。若无风天气，风力发电装置2无法运行，储能装置4需开启4-27、4-33，H2和02进入电化学反应池4-7中进行放电反应，向用户提供电能，同时反应释放的热量作为其他发电装置中的循环工质加热热源，以进一步提高整机效率。
储能装置中，水热解制氢模式需要6路热源补给，其中水解池4-2、氯化池4-8和分解池4-10均需要热源补给，为了强化传热效果，提高换热性能，所述水解池、氯化池和分解池的内部结构均做一定的设计。
如图6-7所示，水解池和氯化池的热源分上下两路供给，被加热物质通过上、下管道进入水解池，热源CO2从上下对称布置的管道5-2或者6-2进入，同喷淋进入的反应物质充分换热，达到反应温度后进入缓冲室5-3或者6-3，待反应容积达到规定标准进入反应室5-4或者6-4进行反应，生成混合物通过流量阀流出。
如图8所示，分解池4-10内部设计采用多管路逆流布置，热源CO2从池底部入口进入集流管道7-4，集流管道7-3、7-4、7-7、7-10的结构设置均一致，分为奇数通路，图8设计5条通路，以图8为例，CO2热源进入底部集流管道后，分别从1、3、5分流管流出，左右两侧对称布置，充分放出热量后流回顶部集流管道7-10，汇聚后从阀门7-8流出，MgOHCl通过阀门7-5流入集流管道7-7，通过2、4分流管流入换热管道中，同CO2热源发生逆流换热，充分吸热后，混合物从底部集流管道流经阀门7-6流入缓冲室7-12，再经过流量阀门7-11流出。
如图9所示，为所述基于改进的深度学习(RAST-LSTM)调峰系统控制策略示意图，首先确定了所述多能互补发电系统的主要影响因素，分别为直接辐照强度DNI，天顶角，偏向角，时向角，太阳能集热器效率，太阳能集热器面积，集热器数量，各发电装置循环工质S-CO2主温度、压力，定压比热容，定容比热容，风速，环境温度，环境湿度，云量，地热热源温度、压力，H20流量共18项。
作为训练模型的原始数据，原始数据进入MCBBEN大数据预处理模型，首先进入计算模块，计算中间量包括各热交换处工质焓值，太阳能发热量，地热能循环工质吸热量，可用辐射强度，比热容比，热量补给处循环工质流量，各发电装置做功等；与此同时气象数据进入EMMD中进行降噪处理，减少噪声对模型训练的影响；随后数据进行归一化处理，选取Batch Normalization(BN)。
大量数据经过预处理后，进入RAST-LSTM模型进行模型训练，模型收敛并保障整机效率达到78％及以上，模型训练完毕。所得模型通过测试即可投入使用。模型在长短期记忆递归神经网络的基础上进行优化设计，结合注意力机制，结构示意图如图10所示。
具体来说，基于改进的深度学习算法的多能互补发电调峰方法包括以下步骤：
步骤S1：获取气象数据和多能互补发电系统实时运行数据；
步骤S2：基于MCEEBN的大数据预处理策略；
步骤S3：基于RAST-LSTM算法设计改进的多能互补发电系统调峰策略；
步骤S4：在训练数据下对提出的改进算法进行训练；
步骤S5：利用步骤S4训练好的智能模块，在测试实时运行数据时，根据气象数据及运行数据，实现确保整机发电效率高水平的前提下，自动预测各发电装置的最佳供电匹配度。
步骤S2中，所述基于MCEEBN的大数据预处理策略，具体包括以下步骤：
S2.1：根据天气情况量化指标。气象数据如表1所示：
表1主要气象数据
名称 符号 单位
太阳直接辐射 DNI W/㎡
降水量 Qj m3/s
风速 w m/s
标准小时 k h
最低温度 tl ℃
最高温度 th ℃
平均温度 ta ℃
根据太阳直接辐射玉降水量的数值，判定白昼玉黑夜，阴天与晴天，量化标识D>1表白天，D<1标识黑夜；量化标识S>1表示晴天，S<1表示阴天。风速与风量的均超过最低标准，风速一般在5m/s及以上，标准小时>2000h，量化标识W>1表示风资源可利用发电，W<1表示风资源不可发电。气象数据的量化标识随当天的实时运行数据进入计算模型处理，所需实时运行数据如表2所示。
表2实时运行数据
S2.2：根据S2.1获得的气象量化数据，同当天实时运行数据一同作为计算模型的输入，计算模型需计算出多个中间量，具体如表3所示，
表3计算模型输出中间量
在计算模型环节中，主要涉及的机理公式如(1)—(8)所示：
Ist＝DNI·cosθ (1)
式中：Ist表示可用太阳辐射；DNI表示直接辐照强度；cosθ表示入射角余弦值。
式中：θ表示入射角，θz表示天顶角，δ表示偏向角，w表示时向角。
Qinc＝Ist×Ah×Nh (3)
式中Qinc表示定日镜上的太阳总辐射；Ah表示单个定日镜面积；Nh表示定日镜数量。
式中：ηopt太阳能集热效率；Qabs表示系统吸收热量。
ηopt＝ηcosθ×ηs×ηb×ηo×ηd (5)
式中：ηcosθ表示余弦效应造成的损耗，ηs表示阴影效应造成的损耗，ηb表示阻挡效应造成的损耗，ηo反射损耗，ηd色散损耗。
Qabs＝Qinc×ηopt (6)
m1h1＝m2h2+WT (7)
式中：m表示各个换热过程的质量流量，h表示对应焓值。
WT＝m1cp1T1(1-PR(1-k)/k)ηt (8)
式中：WT表示汽轮机或压缩机做功，cp表示定压比热容，T表示热力学温度，PR表示汽轮机压力比，k表示比热容比，ηt表示汽轮机热效率。
通过计算模型计算出中间量，中间量以增量矩阵的形式同实时数据共同构成下一环节的输入矩阵，进入信号分解降噪中。
S2.3：信号分解降噪模块，采用EEMD模型，在EEMD模型的基础上加上数据判断代码，选出需要降噪的数据进行降噪处理，例如：风速等。这样处理可以避免大量数据同时进入降噪通道，导致处理时间过长，出现冗余过度，破坏数据信息。通过信号分解降噪能够减少干扰信号，具体原理表达式如下：
aj表示第j个本征模态函数，ai,j表示表示第i次加入白噪声后分解得到第j个本征模态函数。n表示实验次数，m表示加白噪声与分解的次数。
经过降噪处理的数据作为原数据的更新数据继续储存在输入矩阵的原位置处。
S2.4：信号分解降噪后输入矩阵继续进行归一化处理，以适应计算机模型训练要求，采用Batch Normalization(BN)进行处理，原理公式如下：
均值计算：
其中μm表示均值，m表示要处理的样本数，xi要处理的样本，即输入数据。
标准差计算：
其中σ2表示方差，m表示要处理的样本数，xi要处理的样本，即输入数据。
标准化计算：
其中表示标准化计算结果，此公式适用于σ2≠0。
通过归一化处理的数据占据原来数据在输入矩阵中的位置，作为RAST-LSTM的输入矩阵，对模型进行训练。
根据权利要求10所述的一种基于改进的深度学习算法的多能互补发电调峰系统，其特征在于，步骤S3中，所述基于RAST-LSTM算法设计改进的多能互补发电系统调峰策略，具体包括以下步骤：
S3.1：通过步骤S2处理好的输入数据进入RAST-LSTM调峰方法中，其特征在于，包括由遗忘门、输入门以及输出门共同构成的神经网络单元，具体表达式如下：
遗忘门：ft＝1-sigmoid(Wf(ht-1⊙xt)+bf)
式中Wf为t-1时刻输出权值、bf为偏置，ht-1为t-1时刻的输出、xt为t时刻的输入，ft为t时刻输出，sigmoid函数激活函数，⊙是一个逻辑运算符，表示同或运算。
输入门：
式中Wi为求it时t-1时刻输出权值，Ui为求it时t时刻输入权值，bi为求it的偏置，ht-1为t-1时刻的输出、xt为t时刻的输入，it为t时刻更新输入门第一部分输出，tanh为激活函数，⊙是一个逻辑运算符，表示同或运算。
输出门：ot＝sigmoid(Wo(ht-1⊙xt)+bo)
式中Wo为t-1时刻输出权值，bo为偏置，ht-1为t-1时刻的输出、xt为t时刻的输入，ht为t时刻输出，sigmoid为激活函数，tanh为激活函数，⊙是一个逻辑运算符，表示同或运算。
S3.2：单元神经网络的输入输出进入注意力机制，以完成并行输入及全局记忆，通过编码-查询、运算处理以及解码再次进入下一个时间步长的单元神经网络。
如图11所示，为所述基于RAST-LSTM调峰系统的模型收敛情况，训练数据是本发明所述多能互补发电系统的仿真数据，地域位置以西藏太阳能、风能较为丰富的地区，太阳能辐射量、风速等所述影响因素均来自当地历史数据。训练数据以小时为单位，选取一年数据量进行模型训练，各个训练参数均做最优选取，收敛误差设计为0.01，最佳步长在760。
如上所述，尽管参照特定的优选实施例已经表示和表述了本发明，但其不得解释为对本发明自身的限制。在不脱离所附权利要求定义的本发明的精神和范围前提下，可对其在形式上和细节上做出各种变化。

Claims (10)

1.一种多能互补发电调峰系统，其特征在于，包括：
太阳能发电装置，采用槽式发电或塔式发电；
地热发电装置，与所述太阳能发电装置之间通过能量利用管道连接；
制氢储能装置，与所述太阳能发电装置之间通过热源补给装置连接、且与所述地热能发电装置之间通过热源补给装置连接；
风力发电装置，与所述制氢储能装置之间通过电力补给装置连接；
调峰控制单元，分别与所述太阳能发电装置、地热发电装置、制氢储能装置、风力发电装置建立通信，调节热源供给和电力供给。
2.根据权利要求1所述的多能互补发电调峰系统，其特征在于，所述调峰控制单元用于控制所述太阳能发电装置、地热发电装置、风力发电装置的供电量，以及所述制氢储能装置的储能量；
所述太阳能发电装置通过抽取乏气供给所述地热发电装置，通过Ⅰ级加热器换热，形成连接；所述太阳能发电装置通过抽取乏气供给所述制氢储能装置，通过Ⅱ级加热器换热，形成连接；所述地热能发电装置通过抽取乏气供给所述制氢储能装置，通过III级加热器换热，形成连接；
所述风力发电装置供给所述制氢储能装置中电解池用电量，同时满足调峰系统中的供电需求。
3.根据权利要求2所述的多能互补发电调峰系统，其特征在于，所述调峰控制单元用于协调所述Ⅰ级加热器、Ⅱ级加热器和III级加热器的热源供给量，以及风力发电参与热解制氢与电解制氢的供电配比。
4.根据权利要求1所述的多能互补发电调峰系统，其特征在于，所述制氢储能装置包括水热解制氢装置和水电解制氢装置；
所述水热解制氢装置包括多个功能池，所述功能池包括预热池、水解池、电解池、氯化池与分解池；所述预热池通过流量调节阀和管道同水解池连通；所述水解池、电解池、氯化池与分解池分别配有分离池，各个功能池通过调节阀和管道同各自的分离池连通；
所述水解池、氯化池与分离池均连接热源；在所述调峰控制单元的控制下，所述水解池达到第一工作温度，所述氯化池达到第二工作温度，所述分离池达到第三工作温度。
5.根据权利要求4所述的多能互补发电调峰系统，其特征在于，所述水热解制氢装置中的水解池在上下两路构成热源来流补给；反应物均由顶部和底部进入，采用喷淋式同热源管道接触进行换热，达到反应所需温度后再进行化学反应；
所述分解池内部布置双向逆流换热管道，热源取自太阳能发电装置中的抽气，CO2热源从分解池底部管道进入，通过间隔式管路放热后从顶部集成管道流出，分解物质从顶部间隔式管道流入吸收热量分解后，分解混合物从底部集成管道流入池中心；
所述电解池均由所述风力发电装置提供用电量。
6.根据权利要求5所述的多能互补发电调峰系统，其特征在于，所述水电解制氢装置与所述水热解制氢装置公用一个电解池；当整个多能互补发电调峰系统的供电量达到预设值时，仅启动所述水热解制氢装置；当整个多能互补发电调峰系统的供电量未达到预设值时，所述水电解制氢装置启动，参与辅助供电。
7.一种多能互补发电调峰方法，基于如权利要求1至6中任一项所述的多能互补发电调峰系统以实现，其特征在于，包括：
S1：获取气象数据和多能互补发电系统实时运行数据，
S2：对步骤S1获取的所述气象数据和多能互补发电系统实时运行数据执行预处理操作；
S3：构建多能互补发电系统调峰模型；
S4：利用训练数据对步骤S3构建的所述多能互补发电系统调峰模型进行训练；
S5：利用步骤S4训练好的多能互补发电系统调峰模型，在测试实时运行数据时，根据气象数据及运行数据，自动预测各发电装置的最佳供电匹配度。
8.根据权利要求7所述的多能互补发电调峰方法，其特征在于，步骤S2进一步包括：
S2-1、量化所述气象数据：根据太阳直接辐射与降水量的数值，判定白昼与黑夜，阴天与晴天，量化标识D>1表示白天，D<1表示黑夜；量化标识S>1表示晴天，S<1表示阴天；
根据风速与风量是否达到预设标准，判定当前风资源是否可用于发电，量化标识W>1表示风资源可利用发电，W<1表示风资源不可发电；
所述气象数据的量化标识作为气象量化数据，随当天的实时运行数据进入计算模型处理；
S2-2、根据S2-1获得的所述气象量化数据，同当天实时运行数据一同作为计算模型的输入，计算模型计算出多个中间量；
S2-3、所述计算模型计算出的所述中间量以增量矩阵的形式同实时数据共同构成下一环节的输入矩阵，进行信号分解降噪；
S2-4、信号分解降噪后输入矩阵继续进行归一化处理，以适应计算机模型训练要求。
9.根据权利要求8所述的多能互补发电调峰方法，其特征在于，步骤S2-2进一步包括：
根据S2-1获得的所述气象量化数据，同当天实时运行数据一同作为计算模型的输入，计算模型计算出多个中间量，
所述计算模型用于计算可用太阳辐射：
Ist＝DNI·cosθ；
式中，Ist表示可用太阳辐射；DNI表示直接辐照强度；cosθ表示入射角余弦值；
式中，θ表示入射角，θz表示天顶角，δ表示偏向角，ω表示时向角；
所述计算模型用于计算定日镜上的太阳总辐射：
Qinc＝Ist×Ah×Nh；
式中，Qinc表示定日镜上的太阳总辐射；Ah表示单个定日镜面积；Nh表示定日镜数量；
所述计算模型用于计算太阳能集热效率：
式中：ηopt太阳能集热效率；Qabs表示系统吸收热量；
ηopt＝ηcos×ηs×ηb×ηo×ηd；
式中：ηcosθ表示余弦效应造成的损耗，ηs表示阴影效应造成的损耗，ηb表示阻挡效应造成的损耗，ηo反射损耗，ηd色散损耗；
Qabs＝Qinc×ηopt；
m1h1＝m2h2+WT；
式中，m表示各个换热过程的质量流量，h表示对应焓值；
所述计算模型用于计算汽轮机或压缩机做功量：
WT＝m1cp1T1(1-PR(1-k)/k)ηt；
式中：WT表示汽轮机或压缩机做功，cp表示定压比热容，T表示热力学温度，PR表示汽轮机压力比，k表示比热容比，ηt表示汽轮机热效率。
10.根据权利要求8所述的多能互补发电调峰方法，其特征在于，步骤S2-3进行信号分解降噪的表达式如下：
式中，aj表示第j个本征模态函数，ai,j表示表示第i次加入白噪声后分解得到第j个本征模态函数；n表示实验次数，m表示加白噪声与分解的次数；
经过降噪处理的数据作为原数据的更新数据继续储存在输入矩阵的原位置处。
CN202311167409.8A 2023-09-11 2023-09-11 多能互补发电调峰系统及调峰方法 Active CN117254528B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311167409.8A CN117254528B (zh) 2023-09-11 2023-09-11 多能互补发电调峰系统及调峰方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311167409.8A CN117254528B (zh) 2023-09-11 2023-09-11 多能互补发电调峰系统及调峰方法

Publications (2)

Publication Number Publication Date
CN117254528A true CN117254528A (zh) 2023-12-19
CN117254528B CN117254528B (zh) 2024-02-20

Family

ID=89132335

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311167409.8A Active CN117254528B (zh) 2023-09-11 2023-09-11 多能互补发电调峰系统及调峰方法

Country Status (1)

Country Link
CN (1) CN117254528B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117791647A (zh) * 2023-12-29 2024-03-29 华北电力大学 一种用于风功率平抑的soec系统功率控制方法和系统
CN118199166A (zh) * 2024-03-06 2024-06-14 紫泉能源技术股份有限公司 一种多能互补电力系统及电能分配方法
CN118517807A (zh) * 2024-07-25 2024-08-20 安徽炫日能源技术有限公司 一种基于太阳能热水系统的智能控制方法
CN120342096A (zh) * 2025-06-20 2025-07-18 南京天臣恒科技有限公司 一种压缩空气储能控制方法及系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100043433A1 (en) * 2008-08-19 2010-02-25 Kelly Patrick J Heat Balancer for Steam-Based Generating Systems
CN107587941A (zh) * 2017-09-18 2018-01-16 赫普科技发展（北京）有限公司 一种氢油存储与分布式氢燃料发电相结合系统
CN113357694A (zh) * 2021-06-23 2021-09-07 中国核能电力股份有限公司 一种多能耦合储供能系统
CN114861546A (zh) * 2022-05-20 2022-08-05 华北电力大学 一种基于燃氢燃气轮机的电热氢多能互补调度方法及系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100043433A1 (en) * 2008-08-19 2010-02-25 Kelly Patrick J Heat Balancer for Steam-Based Generating Systems
US8256219B2 (en) * 2008-08-19 2012-09-04 Canyon West Energy, Llc Methods for enhancing efficiency of steam-based generating systems
CN107587941A (zh) * 2017-09-18 2018-01-16 赫普科技发展（北京）有限公司 一种氢油存储与分布式氢燃料发电相结合系统
CN113357694A (zh) * 2021-06-23 2021-09-07 中国核能电力股份有限公司 一种多能耦合储供能系统
CN114861546A (zh) * 2022-05-20 2022-08-05 华北电力大学 一种基于燃氢燃气轮机的电热氢多能互补调度方法及系统

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117791647A (zh) * 2023-12-29 2024-03-29 华北电力大学 一种用于风功率平抑的soec系统功率控制方法和系统
CN118199166A (zh) * 2024-03-06 2024-06-14 紫泉能源技术股份有限公司 一种多能互补电力系统及电能分配方法
CN118517807A (zh) * 2024-07-25 2024-08-20 安徽炫日能源技术有限公司 一种基于太阳能热水系统的智能控制方法
CN118517807B (zh) * 2024-07-25 2024-09-24 安徽炫日能源技术有限公司 一种基于太阳能热水系统的智能控制方法
CN120342096A (zh) * 2025-06-20 2025-07-18 南京天臣恒科技有限公司 一种压缩空气储能控制方法及系统

Also Published As

Publication number Publication date
CN117254528B (zh) 2024-02-20

Similar Documents

Publication Publication Date Title
CN117254528B (zh) 多能互补发电调峰系统及调峰方法
CN114722591B (zh) 一种净零能耗建筑电热氢多能流供能设备规划方法
CN113249736B (zh) 一种综合可再生能源的水电解氢热联产系统及方法
Behzadi et al. A rule-based energy management strategy for a low-temperature solar/wind-driven heating system optimized by the machine learning-assisted grey wolf approach
Liu et al. Design and operation optimization of multi-source complementary heating system based on air source heat pump in Tibetan area of Western Sichuan, China
Sharma Stochastic techniques used for optimization in solar systems: A review
Fan et al. MW cogenerated proton exchange membrane fuel cell combined heat and power system design for eco-neighborhoods in North China
CN114580863A (zh) 一种考虑综合需求响应的含碳捕集设备与光热电站的区域综合能源系统经济调度方法
CN114330827B (zh) 多能流虚拟电厂分布式鲁棒自调度优化方法及其应用
CN110084410A (zh) 一种污水再利用型综合能源系统运行优化方法
CN116027757B (zh) 光催化-热化学耦合制燃料的综合能源系统运行调控方法
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
Liu et al. New operation strategy and multi-objective optimization of hybrid solar-fuel CCHP system with fuel thermochemical conversion and source-loads matching
Liu et al. Geothermal-solar energy system integrated with hydrogen production and utilization modules for power supply-demand balancing
CN119514989A (zh) 综合能源系统规划优化方法及计算设备
Yang et al. Integrated PV/T coupled PEM system for low-carbon office buildings: Dynamic simulation, multi-energy synergy, and economic analysis
Farahmandfar et al. Towards net-zero energy buildings: Real-time monitoring, data-driven, and machine learning optimization
Tang et al. Abandoned oil wells reuse for low-carbon integrated energy Systems: A Bi-objective interval optimization
CN117744894B (zh) 一种综合能源系统的主动学习代理优化方法
CN218210137U (zh) 基于火电机组的光电转换系统
CN117175702B (zh) 计及㶲分析的综合平稳制氢系统多目标优化调度方法
CN120373505A (zh) 一种考虑燃料电池余热回收的风-光-氢综合能源系统低碳优化运行方法
Dai et al. Research on the Control Strategy of Micro Wind-Hydrogen Coupled System Based on Wind Power Prediction and Hydrogen Storage System Charging/Discharging Regulation.
CN115046319A (zh) 基于火电机组的光电转换系统及方法
CN114548814B (zh) 一种促进可再生能源的消纳的综合能源系统

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