为解决由海洋温差能驱动的海洋热能转换(Ocean Thermal Energy Conversion,OTEC)系统热效率低、经济性差等问题,文章设计并搭建了由海洋温差能驱动,集发电与空调功能为一体的(Ocean Thermal Energy Conversion Combined Air Conditioner...为解决由海洋温差能驱动的海洋热能转换(Ocean Thermal Energy Conversion,OTEC)系统热效率低、经济性差等问题,文章设计并搭建了由海洋温差能驱动,集发电与空调功能为一体的(Ocean Thermal Energy Conversion Combined Air Conditioner,OTEC-AC)试验系统。该系统通过先发电再冷却空气,梯级利用深层海水冷能,从而大幅提升海洋温差能转换效率。利用膨胀输出功、制冷量、综合热效率等性能评价指标,测试并分析了不同工况下发电-空调综合系统的性能变化规律,同时验证了OTEC-AC相较于OTEC的性能提升情况。试验结果表明:发电系统存在最佳膨胀压比,此时,膨胀机的等熵效率达到峰值的21.83%;降低深层海水温度和增加冷冻水流量均可显著提升OTEC-AC系统性能,当深层海水温度由9℃降至4℃时,系统综合[火用]效率从47.25%增至51.60%;相同工况下,OTEC-AC系统的发电量和制冷量分别为97 W和5 386 W,与独立运行OTEC系统相比,折算后的系统热效率从1.21%提升到17.60%。展开更多
蒸汽管网流量负荷的精准预测与不确定性量化分析是优化能源调度和保障系统安全运行的关键。针对传统预测模型存在的预测精度不足和不确定性量化不全面等问题,提出了一种基于贝叶斯神经网络与补偿预测的融合模型。通过季节性-趋势分解(S...蒸汽管网流量负荷的精准预测与不确定性量化分析是优化能源调度和保障系统安全运行的关键。针对传统预测模型存在的预测精度不足和不确定性量化不全面等问题,提出了一种基于贝叶斯神经网络与补偿预测的融合模型。通过季节性-趋势分解(STL)将原始负荷数据解耦为周期项、趋势项和噪声项,分别采用贝叶斯神经网络与门控循环单元神经网络(Gated Recurrent Unit Neural Netwer,GRU)补偿预测模型进行多分量建模,并结合贝叶斯信息融合与不确定度合成方法,同步实现预测结果的认知不确定性和任意不确定性的动态量化。实测实验表明:相较于传统BP神经网络模型和LSTM模型,STL-BNN模型预测精度显著提升,均方误差和平均绝对误差分别降低2.29%和1.58%;在不确定性量化方面,通过认知-任意不确定性的分层解析与合成,STL-BNN模型预测值的不确定度估计值的平均绝对误差控制在实际计算数据的7.08%左右,补充并完善了预测结果在线不确定性实时分析和量化功能。展开更多
文摘为解决由海洋温差能驱动的海洋热能转换(Ocean Thermal Energy Conversion,OTEC)系统热效率低、经济性差等问题,文章设计并搭建了由海洋温差能驱动,集发电与空调功能为一体的(Ocean Thermal Energy Conversion Combined Air Conditioner,OTEC-AC)试验系统。该系统通过先发电再冷却空气,梯级利用深层海水冷能,从而大幅提升海洋温差能转换效率。利用膨胀输出功、制冷量、综合热效率等性能评价指标,测试并分析了不同工况下发电-空调综合系统的性能变化规律,同时验证了OTEC-AC相较于OTEC的性能提升情况。试验结果表明:发电系统存在最佳膨胀压比,此时,膨胀机的等熵效率达到峰值的21.83%;降低深层海水温度和增加冷冻水流量均可显著提升OTEC-AC系统性能,当深层海水温度由9℃降至4℃时,系统综合[火用]效率从47.25%增至51.60%;相同工况下,OTEC-AC系统的发电量和制冷量分别为97 W和5 386 W,与独立运行OTEC系统相比,折算后的系统热效率从1.21%提升到17.60%。
文摘蒸汽管网流量负荷的精准预测与不确定性量化分析是优化能源调度和保障系统安全运行的关键。针对传统预测模型存在的预测精度不足和不确定性量化不全面等问题,提出了一种基于贝叶斯神经网络与补偿预测的融合模型。通过季节性-趋势分解(STL)将原始负荷数据解耦为周期项、趋势项和噪声项,分别采用贝叶斯神经网络与门控循环单元神经网络(Gated Recurrent Unit Neural Netwer,GRU)补偿预测模型进行多分量建模,并结合贝叶斯信息融合与不确定度合成方法,同步实现预测结果的认知不确定性和任意不确定性的动态量化。实测实验表明:相较于传统BP神经网络模型和LSTM模型,STL-BNN模型预测精度显著提升,均方误差和平均绝对误差分别降低2.29%和1.58%;在不确定性量化方面,通过认知-任意不确定性的分层解析与合成,STL-BNN模型预测值的不确定度估计值的平均绝对误差控制在实际计算数据的7.08%左右,补充并完善了预测结果在线不确定性实时分析和量化功能。
