1.一种基于压力势能转化的气液压力储能系统,包括主控中心,其特征在于,所述主控中心通信连接有数据采集模块、数据监测模块、数据分析模块、数据评估模块;
所述数据采集模块用于对储能装置的基本信息进行采集,根据所采集的基本信息构建储能装置的数字孪生模型;
所述数据监测模块用于对储能装置的运行数据进行监测,将所监测的运行数据上传至所构建的数字孪生模型以获得相应的实时孪生模型;
所述数据分析模块用于根据所监测的运行数据获得储能装置的循环效率和储能密度,并结合运行数据构建储能装置的综合性能变化图,根据所构建的综合性能变化图获得储能装置的影响因子,并结合循环效率和储能密度构建储能装置的性能预测模型;
所述数据评估模块用于根据所构建的性能预测模型结合前置运行数据生成后置运行数据,将所获得的前置运行数据和后置运行数据上传至数字孪生模型以获得相应的最适孪生模型,在最适孪生模型中对储能装置的理论温度数据进行模拟,并结合温度数据判断是否存在异常温度组件;
所述数据采集模块对储能装置的基本信息进行采集的过程包括:
设置采集单元,通过所述采集单元对储能装置的基本信息进行采集,所述储能装置拥有不同的组成部件,包括高压罐、冲击式水轮机、常压水箱、往复泵、单向阀,所述基本信息是指各个组成部件的构造参数。
2.根据权利要求1所述的一种基于压力势能转化的气液压力储能系统,其特征在于,所述数据采集模块根据所采集的基本信息构建储能装置的数字孪生模型的过程包括:设置建模单元,通过所述建模单元根据基本信息构建各个组成部件的物理模型,对储能装置的历史信息进行采集,所述历史信息是指各个组成部件的工况参数,利用历史信息训练机器学习模型,对各个组成部件的物理模型进行行为预测,将各个物理模型集成至一个数字孪生模型中。
3.根据权利要求2所述的一种基于压力势能转化的气液压力储能系统,其特征在于,所述数据监测模块对储能装置的运行数据进行监测,将所监测的运行数据上传至所构建的数字孪生模型以获得相应的实时孪生模型的过程包括:设置压力监测单元以获得高压罐的压力数据,设置流量监测单元以获得冲击式水轮机和往复泵的流量数据,设置液位监测单元以获得常压水箱的液位数据,设置功率监测单元以获得冲击式水轮机和往复泵的功率数据;
设置温度监测单元以获得高压罐、冲击式水轮机、常压水箱、往复泵、单向阀的温度数据,所述运行数据包括储能装置的压力数据、流量数据、液位数据、功率数据、温度数据,将各项运行数据实时上传至储能装置的数字孪生模型进行同步以获得相应的实时孪生模型。
4.根据权利要求3所述的一种基于压力势能转化的气液压力储能系统,其特征在于,所述数据分析模块根据所监测的运行数据获得储能装置的循环效率和储能密度,并结合运行数据构建储能装置的综合性能变化图的过程包括:根据同一监测时刻的运行数据获得储能装置在该监测时刻下的循环效率和储能密度,进而获得不同监测时刻下的循环效率和储能密度,根据运行数据、循环效率、储能密度构建储能装置的综合性能变化图。
5.根据权利要求4所述的一种基于压力势能转化的气液压力储能系统,其特征在于,所述数据分析模块根据所构建的综合性能变化图获得储能装置的影响因子,并结合循环效率和储能密度构建储能装置的性能预测模型的过程包括:在综合性能变化图中,获得在同一监测时刻下的运行数据及其相应的循环效率和储能密度,将不同运行数据与循环效率和储能密度之间的数值差距分别作为该项运行数据对循环效率和储能密度的影响因子,进而获得同一运行数据在不同数值下对于循环效率和储能密度的影响因子;
将同一循环效率和储能密度所对应的各项运行数据及其在不同数值下所对应的影响因子纳入同一个性能预测集,选择深度学习模型作为储能装置初始的性能预测模型,使用性能预测集对初始的性能预测模型进行训练和评估以获得当前的性能预测模型。
6.根据权利要求5所述的一种基于压力势能转化的气液压力储能系统,其特征在于,所述数据评估模块根据所构建的性能预测模型结合前置运行数据生成后置运行数据,将所获得的前置运行数据和后置运行数据上传至数字孪生模型以获得相应的最适孪生模型的过程包括:所述前置运行数据是指相关人员不能调节的部分运行数据,包括流量数据和温度数据,还包括相关人员预先调节的部分运行数据,包括压力数据、液位数据、功率数据三者之一;
将前置运行数据输入至性能预测模型,通过所述性能预测模型对后置运行数据进行计算,以循环效率和储能密度的总和最大化为目标生成相应的后置运行数据,生成相应的后置运行信号并反馈,将所获得的前置运行数据和后置运行数据上传至储能装置的数字孪生模型以获得相应的最适孪生模型。
7.根据权利要求6所述的一种基于压力势能转化的气液压力储能系统,其特征在于,所述数据评估模块在最适孪生模型中对储能装置的理论温度数据进行模拟,并结合温度数据判断是否存在异常温度组件的过程包括:在最适孪生模型中,对储能装置的各个组成部件的温度变化情况进行模拟以获得相应的理论温度数据,根据理论温度数据获得各个组成部件在不同监测时刻下的正常温度范围,将与理论温度数据同一监测时刻实际的温度数据与正常温度范围进行比较以获得异常温度组件,生成相应的异常温度信号并进行反馈。