燃料电池废热驱动弹热制冷装置性能分析

热驱动弹热制冷是利用形状记忆合金被加热变形来驱动弹热材料相变从而产生制冷效应的新型固态制冷技术。本文设计了一种将弹热制冷装置与燃料电池相结合的组合系统,利用燃料电池产生的废热来驱动弹热制冷装置,以提高能量利用效率,并产生制冷效果。基于燃料电池和弹热制冷的工作原理,采用Simulink建立了全系统动态耦合仿真模型,研究了组合系统的动态工作特性,并分析了运行参数对系统性能的影响规律。结果表明:增加弹热制冷装置能提高整个系统的能量利用效率,电堆工作温度为80℃时该系统可产生1.76 kW的制冷功率,调整电堆工作压强至2.5 atm可最大化系统的综合输出功率和运行效率,电堆电流密度对组合系统的输出功率和运行效率呈现相反的影响趋势。

考虑多业主梯级水电站的日前市场分期出清方法

经过多年的流域开发,中国已建成众多梯级水电站。在电力市场化改革背景下,梯级水电站与其他类型发电站同台竞价将成为必然趋势。当多业主梯级水电站以单站形式参与现货市场竞价时,调节能力欠佳的下游电站的可发电量一般由上游电站出力流量决定。下游电站由于无法提前获知上游电站的竞价策略,可能会出现中标电量无法执行的情况,市场运营机构无法有效实施统一调度,难以合理利用水资源。为此,文章探讨了不同业主梯级水电站参与日前市场的分期出清方法:先考虑电力约束,再根据上、下游水力耦合关系进行流域内电量转移的平水期方法;将下游电站中标电量表示为上游电站中标量的线性函数并嵌入出清模型,从而实现下游电站可发电量全额收购的枯水期方法,此分期出清方法能够迅速有效地得到优化后的各电站交易电量。最后,在算例中对两种出清方法进行验证,结果表明所提优化方法能有效解决下游电站中标电量与可发电量失衡的问题,进而提升梯级流域市场竞争力。

离网条件下考虑短时间尺度的水光蓄多能互补发电系统备用容量确定方法

当前光伏等新能源的大规模应用在一定程度上缓解了全球能源短缺和环境污染问题,但新能源本身的间歇性和随机性问题使其无法独立完成供电,常常配置水电机组和抽水蓄能机组补偿光伏,形成水光蓄多能互补发电系统。大部分水光蓄多能互补发电系统修建在远离主电网的偏远地区,经常会出现离线运行的状况,由于无法与主电网完成电能交换,导致新能源渗透率较高的多能互补发电系统供电可靠性不如传统电网,合理配置系统备用容量是保证系统供电可靠性的关键。文章提出了在离网条件下考虑短时间尺度的水光蓄多能互补发电系统备用容量确定方法,建立了基于系统发电容量和备用容量耦合关系的两阶段优化模型。由于系统的备用容量受到系统的发电容量制约,因此,首先考虑系统的发电计划,完成系统小时级的发电容量配置,然后在此基础上进行基于机会约束的系统分钟级的备用容量优化,该机会约束使得离线系统实际运行时在某概率下可靠供电,符合实际电网运行时,允许出现短时间的功率不平衡的情况。仿真结果表明,与传统的系统备用配置原则相比较,合理设置机会约束的置信度可在系统运行成本增加幅度不大的情况下,大大提高水光蓄多能互补系统的供电可靠性。

不同资本主体梯级水电参与日前市场的出清方法

当不同资本主体梯级水电站参与日前市场时,由于梯级水电中下游电站受限于径流变化和水库调节能力的特征,无法明确自身的可发电量,面临中标电量与实发电量不匹配的问题,导致出现"弃水"或"欠发"。为此,提出了梯级水电站上下游电站单独化市场竞标的三类出清方法,即二次出清、下游电站可发电量全额收购及电量转移三类方法。算例仿真结果表明,这三种方法均有利于优化出清模型,保证流域水电站水电与水资源的正常管理,减少"弃水"和"欠发",为不同资本主体梯级水电站的市场化运营奠定基础。

基于ACO-KF-GRU-EC的光伏发电量组合预测模型

在光伏发电量的预测中,光伏发电量数据序列本身具备非线性特征和线性特征,且预测所产生的误差是有规律可循的。提出了一种基于蚁群算法(Ant Clony Optimization, ACO)、GRU神经网络(Gated Recurrent Unit, GRU)、kalman滤波(Kalman Filtering, KF)和误差补偿机制(Error Compensation, EC)的光伏发电量数据序列组合预测模型(ACO-KF-GRU-EC)。模型首先将光伏发电量分解为线性部分和非线性部分;然后利用蚁群算法优化GRU神经网络的初始权值和阈值,将优化后的GRU神经网络来进行光伏发电量数据序列非线性部分的预测,使用Kalman滤波进行线性部分的预测;最后对光伏发电量数据预测误差进行研究,利用误差补偿机制来实现对于预测误差的二次提取。仿真结果表明,与GRU、ACO-GRU模型相比,上述预测模型的预测精度更高,具有更好的预测效果,是一种更为有效的预测方法。