基于四种不同系统的全面比较，提出压缩气体储能系统的设计与运行规范策略：包括热力学分析及机器学习的应用

《Renewable Energy》：Strategy for the design and operation regulation of compressed gas energy storage system based on a comprehensive comparison between four different systems: Thermodynamic analysis and machine learning

二氧化碳压缩吸附储能系统优化研究，对比压缩空气储能（CAES）、液态压缩二氧化碳储能（L-CCES）系统，发现A-CCES循环效率（88.26%）和能量密度（6.28 kWh/m3）分别提升17.56%和2.4倍。通过参数敏感性分析和机器学习（SHAP算法），揭示HT温度与涡轮等熵效率协同可倍增RTE，HT温度与HPT压力协同可倍增ESD。

　　随着全球对减少碳排放和实现可持续发展的关注不断加深，能源存储技术在可再生能源系统中的作用变得愈发重要。本文研究了吸附式压缩二氧化碳能量存储系统（A-CCES）在热交换过程中的流体分布优化问题，并与压缩空气能量存储系统（CAES）和液态压缩二氧化碳能量存储系统（L-CCES）进行了对比分析。研究结果表明，在相似的设计条件下，A-CCES的循环效率（RTE）比CAES高出17.56%，达到88.26%；其能量存储密度（ESD）是CAES的2.4倍，达到6.28 kWh/m3。这些性能指标的显著提升为A-CCES在实际应用中的潜力提供了有力支撑。

A-CCES系统通过利用吸附材料的特性，实现了气体和热能的集成存储。相比传统的CAES系统，它不需要额外的高温存储罐（HT），从而减少了系统的复杂性和成本。而L-CCES系统虽然在能量存储密度方面表现良好，但其需要将二氧化碳冷却至约230 K，这导致了蒸发器和冷凝器的高熵损，影响了系统整体性能，并增加了投资成本。因此，A-CCES系统在解决这些问题方面展现出独特的优势。

为了进一步提升A-CCES的性能，研究者们通过敏感性分析和机器学习方法，对影响系统性能的关键参数进行了量化评估。敏感性分析揭示了不同参数变化对系统性能的影响程度，特别是在极端低温环境下，环境温度的变化对系统效率具有显著影响。研究发现，同时提高高温存储罐温度和涡轮机等熵效率，可以显著提升循环效率；而提高高温存储罐温度和高压存储罐压力，则对提升能量存储密度效果更为明显。为了在循环效率和能量存储密度之间取得平衡，研究建议在等熵效率达到最大值的情况下，提高高温存储罐温度和高压存储罐压力。

此外，机器学习的应用为A-CCES系统的优化提供了新的思路。通过使用SHAP算法，研究能够解释模型预测结果，并识别出对系统性能影响最大的参数。这种基于数据驱动的方法不仅提高了参数优化的效率，还为系统设计提供了更直观的指导。研究还指出，当前对CGES系统的研究大多集中在单个参数的变化对系统性能的影响，缺乏对多参数协同作用的系统分析。因此，本文通过引入机器学习方法，填补了这一研究空白，为未来CGES系统的优化设计提供了新的方向。

A-CCES系统的优化不仅关注技术性能的提升，还考虑了经济性和环境影响。研究中提到，由于A-CCES系统不需要单独的高温存储罐，因此在空间利用和成本控制方面具有优势。同时，该系统在热交换过程中能够更有效地回收压缩热能，减少了能量损失，提高了系统的整体效率。这些特性使得A-CCES成为一种更具竞争力的长时储能技术。

本文的研究成果对于推动可再生能源的广泛应用具有重要意义。在风能和太阳能等间歇性能源日益增长的背景下，高效的储能技术是实现电网稳定运行的关键。A-CCES系统凭借其高循环效率和能量存储密度，能够在一定程度上缓解可再生能源供应不稳定的问题。同时，该系统对环境温度变化的适应性较强，尤其在寒冷地区表现出更好的性能，这为未来在不同气候条件下部署储能系统提供了新的可能性。

从技术角度来看，A-CCES系统的优化涉及多个方面，包括吸附材料的选择、热交换器的设计、压缩和膨胀过程的控制等。吸附材料的性能直接影响系统的能量存储能力和热交换效率，因此，选择具有优良吸附特性的材料是优化系统性能的重要前提。热交换器的设计则需要兼顾热回收效率和系统成本，以确保在不影响性能的前提下实现经济可行的运行。此外，压缩和膨胀过程的控制对于提高系统的循环效率至关重要，合理的压力调节和温度控制能够有效减少能量损失。

在实际应用中，A-CCES系统需要考虑多种因素，如地理条件、气候环境、能源需求等。这些因素可能会影响系统的运行效率和经济性。例如，在寒冷地区，由于环境温度较低，系统需要更高的加热能力来维持吸附材料的性能，这可能会增加运行成本。然而，通过优化设计和参数调整，可以有效降低这种影响，提高系统的适应性和经济性。

本文的研究还强调了多参数协同优化的重要性。在实际运行中，单个参数的调整往往难以达到理想效果，而多参数的协同变化可以更有效地提升系统性能。例如，提高高温存储罐温度和高压存储罐压力的同时，能够显著提升能量存储密度和循环效率。这种协同优化策略不仅适用于A-CCES系统，也可以为其他类型的CGES系统提供参考。

为了验证这些优化策略的有效性，研究团队进行了详细的模拟和实验分析。他们使用Python编程语言进行系统模拟，并通过Coolprop数据库获取相关的物理参数。在模拟过程中，研究者们对系统进行了简化，例如忽略了热交换器、加热器和冷却器中的压力损失，以及管道和储罐中的能量损耗。这些简化虽然可能影响模拟结果的精确性，但有助于突出系统的主要性能特征，并为后续的优化研究提供基础。

研究还指出，不同CGES系统在设计条件上存在较大差异，这可能导致性能对比的不准确。因此，本文在分析过程中采用了统一的设计条件，确保了不同系统之间的可比性。这种统一设计条件的方法不仅有助于更直观地评估系统性能，也为未来的研究提供了标准化的参考框架。

此外，研究团队还探讨了A-CCES系统在实际应用中的挑战和解决方案。例如，如何在不增加系统复杂性的情况下提高能量存储密度，以及如何优化热交换过程以减少能量损失。这些挑战需要通过技术创新和工程实践来解决，而本文的研究为这些问题提供了理论支持和实践指导。

在经济性方面，A-CCES系统的优化不仅可以提高其性能，还能降低运行和维护成本。通过减少对高温存储罐的依赖，系统能够节省空间和材料成本，同时提高能源利用效率，降低能源浪费。这些优势使得A-CCES系统在经济性和可持续性方面具有更强的竞争力。

综上所述，本文的研究为A-CCES系统的优化提供了重要的理论和实践依据。通过对比分析和机器学习方法的应用，研究团队不仅揭示了A-CCES系统在性能上的优势，还提出了有效的参数优化策略。这些研究成果对于推动可再生能源的发展、提高电网的稳定性以及实现碳中和目标具有重要意义。未来，随着技术的不断进步和成本的逐步降低，A-CCES系统有望在更多领域得到应用，为实现绿色能源转型提供有力支持。