一种基于机理与数据融合的压缩空气储能系统仿真方法技术方案

本发明专利技术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。本发明专利技术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。法。法。

【技术实现步骤摘要】
一种基于机理与数据融合的压缩空气储能系统仿真方法


[0001]本专利技术涉及储能系统
，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。

技术介绍

[0002]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。
[0003]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。

技术实现思路

[0004]本部分的目的在于概述本专利技术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专利技术名称中可能会做些简化或省略以避免使本部分、说明书摘要和专利技术名称的目的模糊，而这种简化或省略不能用于限制本专利技术的范围。
[0005]鉴于上述存在的问题，提出了本专利技术。
[0006]因此，本专利技术解决的技术问题是：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，。
[0007]为解决上述技术问题，本专利技术提供如下技术方案：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：
[0008]压缩空气储能系统建模，构建机理模型和数据驱动模型；
[0009]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；
[0010]模拟仿真，完成压缩空气储能系统模型的优化调度。
[0011]作为本专利技术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。
[0012]作为本专利技术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。
[0013]作为本专利技术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。
[0014]作为本专利技术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。
[0015]作为本专利技术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：
[0016]获取压缩空气储能系统运行数据；
[0017]判断机理模型误差是否大于所设阈值；
[0018]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；
[0019]判断数据驱动模型误差是否大于所设阈值；
[0020]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。
[0021]作为本专利技术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：
[0022]全系统运行状态参数数据；
[0023]系统中各设备的能质传递及转换性能数据；
[0024]全系统的性能数据。
[0025]作为本专利技术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：
[0026]确定压缩空气储能系统仿真任务；
[0027]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；
[0028]判断数据驱动模型精度是否高于机理模型；
[0029]若是，则选择仿真数据驱动模型进行仿真；
[0030]若否，则判断算力是否满足机理模型计算需要；
[0031]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。
[0032]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。
[0033]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。
[0034]本专利技术的有益效果：本专利技术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
[0035]为了更清楚地说明本专利技术实施例的技术方案，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专利技术的一些实施例，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：
[0036]图1为本专利技术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；
[0037]图2为本专利技术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；
[0038]图3为本专利技术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；
[0039]图4为本专利技术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；
[0040]图5为本专利技术第一个实施例提供的一种基于机理本文档来自技高网...

【技术保护点】

【技术特征摘要】
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...

【专利技术属性】
技术研发人员：钟晶亮，文贤馗，李枝林，邓彤天，王锁斌，李翔，周科，杨安黔，张世海，吴超，熊军超，
申请(专利权)人：贵州电网有限责任公司，
类型：发明
国别省市：