一种基于沙子储热供能的储热交换系统

本发明涉及一种储热交换系统，尤其涉及一种基于沙子储热供能的储热交换系统，属于绿色介质能源储能供能。

背景技术：

1、随着可再生能源的广泛应用，太阳能和风能已经成为相对成熟的可再生能源，但考虑到不稳定不均匀的供电问题，需要新的储能系统来平衡电力需求，而沙子作为一种良好的储能介质将会在储能系统中发挥很大的作用。沙子电池以热能形式储存夏季过剩的电力，用于冬季供暖，这种低成本的储能系统可以平衡电力需求，提供可再生能源供暖的解决方案，并最终用于发电。

2、首先沙子的比热容较大，在很大的温度范围内具有化学稳定性，使其在吸热或放热是能够吸收和释放更多的热量；由于沙子的熔化温度高达数百摄氏度，沙子塔具有很高储存能量的潜力，是一种很好的储能介质。当在炎热的天气走过沙滩和沙漠，当光着脚走路时，能真正感受到沙子中储存的热量，而沙子会在很长时间内保持这种热量。沙子电池可以适应不同的环境条件，例如高温、低温、高压、低压等，具有较广泛的适应性。

3、其次沙子储能在优化能源结构方面也发挥着很大的作用。能源结构是影响发电过剩储存重要因素之一。目前,水利,火力和核能是主要的发电能源结构，其中火力发电受燃料供应和环境污染等因素影响较大；水力发电受水资源丰富度和地理条件限制较大，核能发电具有高效率和低成本等优点，但存在安全和核污染处理等问题。因此优化能源结构，提高可再生能源比重，是解决发电过剩储存问题的关键。沙子储能技术能够实现更加高效、可持续的能源供应链提高能源的使用效率，减少能源浪费。通过太阳能供电启动沙储技术，从而获得源源不断的电力供应，优化能源结构。

4、沙子储能技术的成本较低，提取和采购沙子对环境也是相当有利的。硅石(沙子)也恰好是地球上最丰富的物质之一，获取非常方便，来源广泛且价格低廉，此外沙子的储能技术维护成本也较低使用寿命较长，具有长期投资价值。沙子储能技术也对能源产业结构重构产生了直接的经济影响。随着储能技术的进一步发展和成熟，储能设备的成本逐渐降低，储能产业的市场也日益扩大。这对于能源产业来说，既带来了新的发展机遇，也降低了能源供应的成本。

5、政策环境对发电过剩储存问题有着重要影响，当前政府支持鼓励可再生能源储能技术的发展。新型储能是建设新型电力系统、推动能源绿色低碳转型的重要装备基础和关键支撑技术。“新能源+储能”国家和地方层面政策机制不断完善，对能源转型的支撑作用初步显现。随着电力系统对调节能力需求提升、新能源开发消纳规模不断加大，加快新型储能技术创新体系建设刻不容缓。新型储能是催生能源工业新业态、打造经济新弓|擎的突破口之一,在构建国内国际双循环相互促进新发展格局背景下,加速新型储能产业布局面临重大机遇。

6、最后沙子储能在改善环境中也起到了积极的作用。沙子储能技术可以减少燃烧煤炭等化石燃料所产生的污染物排放，例如二氧化碳、二氧化硫、氮氧化物等，从而有助于减少空气污染和温室气体的排放。其次可以利用沙子代替水作为冷却介质，从而可以节约水资源，减轻对当地水源的依赖。相比于传统的能源开采方式，沙子储能技术对自然环境的破坏较小，不会破坏地表植被和生态系统，具有可持续发展的优势，同时，该技术还可以为解决全球气候变化问题提供一种可行的解决方案。

7、现有技术中，应用于沙子储能的优化算法，由于模型中超参数过多，各超参数对最终的故障诊断精度都存在着较大影响，若通过手动随机设置各超参数往往无法得到最优的结果。

技术实现思路

1、发明目的：本发明的目的是提供一种能够优化沙子储能供能和经济价值、合理利用绿色能源介质的基于沙子储热供能的储热交换系统。

2、技术方案：本发明所述的基于沙子储热供能的储热交换系统，包括：沙子加热设备、热沙子存储隔热仓筒设备、供热设备、吸附式制冷设备和发电机；

3、所述沙子加热设备和热沙子存储隔热仓筒设备互相连接，所述热沙子存储隔热仓筒设备分别与吸附式制冷设备、供热设备和发电机通过带有控制阀门的连接管道相连，所述控制阀门上设置有包含hwoa-dkelm优化算法的控制器。

4、进一步地，所述沙子加热设备，利用光伏发电太阳能板的集热供能对沙子进行加热，并将完成加热的沙子存储至沙子存储隔热仓筒设备；

5、所述沙子加热设备还对沙子加热完后剩余的沙子热能、吸附式制冷设备制冷后的剩余能量和发电机完成发电后的剩余热量进行收集再利用。

6、进一步地，所述热沙子存储隔热仓筒设备，对高温沙子进行隔热保温处理。

7、进一步地，所述供热设备，通过连接管道使高温沙子所流通的热空气输送到供热设备的供热管道中，通过热空气在供热管道中的流动进行供暖。

8、进一步地，所述吸附式制冷设备通过高温沙子所产生的热量以热驱动促进吸附剂和制冷剂的吸附过程和解吸过程，产生制冷效果。

9、进一步地，所述发电机为涡轮发电机，通过连接管道，使高温沙子所流通的热空气进入发电机，推动发电机涡轮机叶片旋转发电，并供应给电网；所述发电机还包括储能系统和智能控制系统，所述智能控制系统监控和控制涡轮机的运行状态，实时调整涡轮发电机的运行参数，优化电能输出和电网供电，所述储能系统在涡轮发电机产生过剩电能时存储能量，并在电网需求高峰时释放能量。

10、进一步地，所述控制阀门上设置的控制器，通过包含hwoa-dkelm优化算法的控制方法，根据供热设备的供热需求、吸附式制冷设备的制冷需求和发电机的发电量需求，以及用电客户与电网的电价，对各管道控制阀门的开合大小进行优化控制，优化供热设备、吸附式制冷设备与发电机的热能用量；

11、所述hwoa-dkelm智能优化算法，实现过程如下：

12、s1：建立目标函数；

13、s2：利用混合鲸鱼优化算法hwoa读取的储热交换系统在发电机、储热设备和加热设备的投资成本、运行成本、维护成本和处置成本，设置算法基本参数，所述参数包括种群规模和最大迭代次数，随机得到初始化种群，计算种群适应度，得到储热交换系统最低综合成本，判断是否符合迭代终止条件，若符合则输出当前成本为最低成本，否则，将初始化种群划分为若干个普通子种群，并根据初始化种群中的个体行为进行优化；

14、s3：利用混和鲸鱼优化算法hwoa对超极限学习机dkelm的超参数进行寻优，提高dkelm的性能，通过dkelm对实际故障诊断，最小化预测储热交换系统综合成本误差，获取最佳期望网络模型，实现对系统热能用量的优化。

15、进一步地，所述步骤s1的目标函数如下：

16、

17、

18、其中，t为周期，mf为最低综合成本，包括发电机e、热沙子存储隔热仓筒设备h和加热设备g的投资成本l1、运行成本l2、维护成本l3和处置成本l4，μc为现值系数，β为资金的折现率，nt为c时段的时长，k＝1,2,3,4；lce,k为发电机在c时段的投资成本lce,1、运行成本lce,2、维护成本lce,3、处置成本lce,4；lch,k为储热设备在c时段的投资成本lch,1、运行成本lch,2、维护成本lch,3、处置成本lch,4；lcg,k为加热设备在c时段的投资成本lcg,1、运行成本lcg,2、维护成本lcg,3、处置成本lcg,4；ξin,e、ξin,h和ξin,g和分别为发电机、热沙子存储隔热仓筒设备和沙子加热设备的单位建设容量成本；ecs,e,ecs,h和ecs,g分别为发电机、热沙子存储隔热仓筒设备和沙子加热设备在c时段内的建设容量，xe、xh和xg分别为发电机、热沙子存储隔热仓筒设备和沙子加热设备的使用寿命。

19、进一步地，所述步骤s2具体包括：

20、s2.1：种群初始化，鲸鱼种群中每个个体由d维度随机向量表示，种群规模用np表示，公式如下：

21、mf＝mmin+rand(1,d)(mmax-mmin),

22、i＝1,2,...,np

23、式中，mmin和mmax分别为mf的上界和下界；rand(1,d)表示[0,1]之间的随机数；

24、s2.2：收缩包围；将当前的最优成本定义为最优搜索代理，其他搜索代理以最优代理为目标更新自身位置；收缩包围描述为鲸鱼种群向最优解靠近,并更新成本；过程表示如下：

25、k1＝|m·x*(t)-x(t)|

26、x(t+1)＝x*(t)-n·k1

27、n＝2·n·r0-n

28、m＝2·r1

29、式中：t为当前迭代次数，x(t)为第t次迭代时搜索代理位置；x*(t)为当前最低生产成本；x和k为成本向量；m和n为系数向量，随迭代次数改变；每次迭中，当出现更低成本时，更新x*(t)；n从2到0线性递减，r0和r1均为[0,1]的随机向量；根据s2.1中公式将该方法扩展到n维空间，使鲸鱼种群在超立方体中围绕当前最低成本移动；

30、s2.3：在(0,1)的范围内生成概率参数p，并且根据p与0.5之间的定量关系选择不同的位置更新方法；

31、s2.4：当p＜0.5，使用正余弦算法的相应策略对当前搜索代理进行位置更新，具体为：生成、更新学习率参数，并根据概率参数ro的取值情况在正弦更新公式和余弦更新公式中进行选择；正余弦算法的成本更新可以由以下公式描述：

32、

33、式中：r5、r2、r3、和ro为参数，参数r5用于指定位置移动方向，所述方向朝向目标或背离目标；参数r2∈[0,2π]描述运动应背离目标或朝向目标运动的距离，参数r3∈[0,2]为目标随机提供权重，当r3＜1时，在描述距离时随机地淡化目标位置的影响，当r3＞1时随机强调目标位置的影响；ro是概率参数，其值介于0与1之间，用于决定使用正弦更新公式或余弦更新公式；

34、当p＞0.5，则根据系数|n|和1的数量关系选择原始鲸鱼优化算法的螺旋更新机制或改进灰狼算法的位置更新公式：

35、当|n|＜1，选择原始鲸鱼优化算法的位置螺旋更新机制，模拟座头鲸的螺旋形运动，建立表示座头鲸与猎物之间位置的螺旋方程如下：

36、x(t+1)＝d·ez·s·cos(2πs)+x*(t)

37、式中，z为定义螺旋线形状的常数，s是[-1,1]中的随机数，e为自然对数，鲸鱼沿着收缩圈围绕猎物游动，同时以螺旋形的路径靠近猎物，在[0,1]中选择一个随机数p，模型描述如下所示：

38、x(t+1)＝d'·ezs·cos(2πs)+x*(t),if:p≥0.5

39、式中，d＝|x*(t)-x(t)|表示当前搜索代理与最低成本之间的距离；

40、当|n|＞1，选择改进灰狼算法的位置更新公式，成本更新方案可以用以下公式描述：

41、x(t+1)＝u·x'+η1·rand1·(xpbest-x(t))+η2·rand2·(x1-x(t))

42、x'＝ω1·x1+ω2·x2+ω3·x3

43、式中，xpbest表示当前搜索代理的个人历史记录中的最佳位置,u表示惯性权重，t表示当前迭代，η1和η2称为加速系数或学习因子，值介于0与4之间，ω1、ω2和ω3为权重参数等级，0≤ω3≤ω2≤ω1≤1，ω1+ω2+ω3＝1，rand1和rand2是[0,1]中的随机数；

44、s2.5：在每次更新位置向量后，将其进行离散化，使最终的位置向量中的每一位取值均在二进制空间{0,1}中，使用转换函数实现将位置向量中的连续值转换为离散值；

45、s2.6：更新每个鲸鱼的位置向量后计算其对应的适应度函数值；其公式如下：

46、

47、式中：ra与rj表示两个介于0与1之间的随机数，fl为飞行长度，a,b为不同个体；na为感知概率；

48、更新当前排名沙子储能设备综合成本适应度值前三的搜索代理以及每个搜索代理的历史最低成本pbest；

49、s2.7：判断是否满足停止条件，若满足，则输出当前最优解作为最低沙子储能设备综合成本，否则返回步骤s2.3再次执行算法。

50、进一步地，所述步骤s3具体包括：

51、s3.1：应用mercer’s条件定义核矩阵：

52、yij＝hi·hj＝y(xi,xj)

53、式中，hi和hj为极限学习机的隐含层输出矩阵h的第i行和第j列元素，yij为核矩阵y中第i行第j列的元素，通过核函数y(xi,xj)将输入样本从n维输入空间映射到高维特征空间，核函数y(xi,xj)设定为rbf核：

54、

55、式中，ζ为核宽度，核参数选择完毕，确定核矩阵y，通过定义核函数得到kelm模型的求解公式：

56、

57、式中，u为单位矩阵，y是核矩阵，b1为正则化系数用来控制误差在最小化问题中的占比，h为极限学习机的隐含层输出矩阵，t为期望输出向量；

58、得到kelm模型输出权值为：

59、s3.2：确定dkelm中elm-ae中的个数；ae的数学模型如下：

60、假设存在n个训练样本其中为输入样本，其中，表示实数集，则原始输入样本的编码过程可以表示为：

61、h＝f1(g·x+u)

62、式中，g为编码层的权值矩阵；u为编码层的偏置向量；f为激活函数；解码过程为输入数据的重构过程，隐含层输出矩阵h的解码过程表示为：

63、

64、式中，为输入x的重构数据；g*为解码层的权值矩阵，u*表示解码层的偏置向量，f1*为解码层激活函数；若ae仅含有一个隐含层，则elm与ae在结构上相似，将ae的思想与elm相结合，构造作为自编码器的极限学习机elm-ae，使elm的输出重构为输入，elm-ae隐含层输出权重描述为下式：

65、

66、式中，b2为elm-ae的正则化系数，根据elm-ae的特征学习能力，构造深度极限学习机模型，将elm-ae作为dkelm的基本单元，利用逐层贪婪的训练方法对dkelm进行训练，利用ae的特征学习能力，令elm-ae的输出在最小重构误差的情况下无限接近原始输入，通过多个elm-ae单元的分层无监督训练确定dkelm中每个隐含层的权重，经过多层elm-ae单元的训练后，实现dkelm模型深层次提取输入据的隐含特征，用于提高最终分类效果；

67、s3.3：构建dkelm模型训练过程；设hα+1为kelm层的输出矩阵，l为样本标签，kelm的输入权重矩阵为假设存在α个elm-ae模块，将输入数据样本作为第1个elm-ae的目标输出x1＝x，求取第1个elm-ae单元的输出权值μ1；然后将dkelm第1个隐含层的输出矩阵h1作为第2个elm-ae的目标输出x2＝h1，求取2个elm-ae单元的输出权值μ2，依次类推；模型的输出层利用kelm训练，并根据公式：

68、

69、对kelm模型进行求解，最小化预测沙子储能设备综合成本误差，获取最佳期望网络模型，根据dkelm算法处理发电信息与所服务的对象的用电信息成本，并输出所述储热交换系统综合成本用量。

70、有益效果：与现有技术相比，本发明提出一种hwoa-dkelm模型，利用鲸鱼优化算法对dkelm的超参数进行寻优，提高了dkelm的性能，更好的应用于实际故障诊断，进而精准预测沙子储能设备在实现一次储能供能后所需要的最低成本，实现沙子储能供能的最优及经济价值的最优。