CN117432933A - 基于碳循环供能的二氧化碳消纳设备 - Google Patents
基于碳循环供能的二氧化碳消纳设备 Download PDFInfo
- Publication number
- CN117432933A CN117432933A CN202311181066.0A CN202311181066A CN117432933A CN 117432933 A CN117432933 A CN 117432933A CN 202311181066 A CN202311181066 A CN 202311181066A CN 117432933 A CN117432933 A CN 117432933A
- Authority
- CN
- China
- Prior art keywords
- carbon dioxide
- equipment
- algorithm
- energy
- target
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 title claims abstract description 311
- 229910002092 carbon dioxide Inorganic materials 0.000 title claims abstract description 153
- 239000001569 carbon dioxide Substances 0.000 title claims abstract description 153
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 title claims abstract description 30
- 229910052799 carbon Inorganic materials 0.000 title claims abstract description 30
- 238000010521 absorption reaction Methods 0.000 title claims abstract description 13
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 89
- 239000007788 liquid Substances 0.000 claims abstract description 62
- 238000000034 method Methods 0.000 claims abstract description 34
- 238000005457 optimization Methods 0.000 claims abstract description 34
- 238000005057 refrigeration Methods 0.000 claims abstract description 33
- 230000008569 process Effects 0.000 claims abstract description 17
- 230000009467 reduction Effects 0.000 claims abstract description 8
- 230000005611 electricity Effects 0.000 claims abstract description 6
- 230000006870 function Effects 0.000 claims description 42
- 210000002569 neuron Anatomy 0.000 claims description 30
- 238000010248 power generation Methods 0.000 claims description 19
- 238000000354 decomposition reaction Methods 0.000 claims description 18
- 239000011159 matrix material Substances 0.000 claims description 15
- 230000000694 effects Effects 0.000 claims description 13
- 238000006243 chemical reaction Methods 0.000 claims description 11
- 230000000739 chaotic effect Effects 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 10
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 230000005284 excitation Effects 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 6
- 238000001228 spectrum Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000011161 development Methods 0.000 claims description 5
- 230000018109 developmental process Effects 0.000 claims description 5
- 239000002245 particle Substances 0.000 claims description 5
- 230000009471 action Effects 0.000 claims description 4
- 230000007246 mechanism Effects 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 claims description 3
- 238000013459 approach Methods 0.000 claims description 3
- 230000002238 attenuated effect Effects 0.000 claims description 3
- 230000003190 augmentative effect Effects 0.000 claims description 3
- 238000001816 cooling Methods 0.000 claims description 3
- 230000003247 decreasing effect Effects 0.000 claims description 3
- 230000009189 diving Effects 0.000 claims description 3
- 230000029052 metamorphosis Effects 0.000 claims description 3
- 238000004064 recycling Methods 0.000 claims description 3
- 230000001105 regulatory effect Effects 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000004088 simulation Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 230000007704 transition Effects 0.000 claims description 2
- 230000008030 elimination Effects 0.000 claims 9
- 238000003379 elimination reaction Methods 0.000 claims 9
- 238000004177 carbon cycle Methods 0.000 claims 1
- 238000002309 gasification Methods 0.000 abstract 1
- 239000007789 gas Substances 0.000 description 20
- 239000000306 component Substances 0.000 description 14
- 235000011089 carbon dioxide Nutrition 0.000 description 5
- 239000007787 solid Substances 0.000 description 4
- 239000000126 substance Substances 0.000 description 4
- 238000010792 warming Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 239000000446 fuel Substances 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003915 air pollution Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- JJWKPURADFRFRB-UHFFFAOYSA-N carbonyl sulfide Chemical compound O=C=S JJWKPURADFRFRB-UHFFFAOYSA-N 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000029087 digestion Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 239000005431 greenhouse gas Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 239000003345 natural gas Substances 0.000 description 1
- 238000006386 neutralization reaction Methods 0.000 description 1
- 239000003921 oil Substances 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 239000011343 solid material Substances 0.000 description 1
- 238000001179 sorption measurement Methods 0.000 description 1
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F25—REFRIGERATION OR COOLING; COMBINED HEATING AND REFRIGERATION SYSTEMS; HEAT PUMP SYSTEMS; MANUFACTURE OR STORAGE OF ICE; LIQUEFACTION SOLIDIFICATION OF GASES
- F25D—REFRIGERATORS; COLD ROOMS; ICE-BOXES; COOLING OR FREEZING APPARATUS NOT OTHERWISE PROVIDED FOR
- F25D3/00—Devices using other cold materials; Devices using cold-storage bodies
- F25D3/10—Devices using other cold materials; Devices using cold-storage bodies using liquefied gases, e.g. liquid air
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F01—MACHINES OR ENGINES IN GENERAL; ENGINE PLANTS IN GENERAL; STEAM ENGINES
- F01D—NON-POSITIVE DISPLACEMENT MACHINES OR ENGINES, e.g. STEAM TURBINES
- F01D15/00—Adaptations of machines or engines for special use; Combinations of engines with devices driven thereby
- F01D15/10—Adaptations for driving, or combinations with, electric generators
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F01—MACHINES OR ENGINES IN GENERAL; ENGINE PLANTS IN GENERAL; STEAM ENGINES
- F01K—STEAM ENGINE PLANTS; STEAM ACCUMULATORS; ENGINE PLANTS NOT OTHERWISE PROVIDED FOR; ENGINES USING SPECIAL WORKING FLUIDS OR CYCLES
- F01K25/00—Plants or engines characterised by use of special working fluids, not otherwise provided for; Plants operating in closed cycles and not otherwise provided for
- F01K25/08—Plants or engines characterised by use of special working fluids, not otherwise provided for; Plants operating in closed cycles and not otherwise provided for using special vapours
- F01K25/10—Plants or engines characterised by use of special working fluids, not otherwise provided for; Plants operating in closed cycles and not otherwise provided for using special vapours the vapours being cold, e.g. ammonia, carbon dioxide, ether
- F01K25/103—Carbon dioxide
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F17—STORING OR DISTRIBUTING GASES OR LIQUIDS
- F17C—VESSELS FOR CONTAINING OR STORING COMPRESSED, LIQUEFIED OR SOLIDIFIED GASES; FIXED-CAPACITY GAS-HOLDERS; FILLING VESSELS WITH, OR DISCHARGING FROM VESSELS, COMPRESSED, LIQUEFIED, OR SOLIDIFIED GASES
- F17C13/00—Details of vessels or of the filling or discharging of vessels
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F17—STORING OR DISTRIBUTING GASES OR LIQUIDS
- F17C—VESSELS FOR CONTAINING OR STORING COMPRESSED, LIQUEFIED OR SOLIDIFIED GASES; FIXED-CAPACITY GAS-HOLDERS; FILLING VESSELS WITH, OR DISCHARGING FROM VESSELS, COMPRESSED, LIQUEFIED, OR SOLIDIFIED GASES
- F17C13/00—Details of vessels or of the filling or discharging of vessels
- F17C13/04—Arrangement or mounting of valves
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F17—STORING OR DISTRIBUTING GASES OR LIQUIDS
- F17C—VESSELS FOR CONTAINING OR STORING COMPRESSED, LIQUEFIED OR SOLIDIFIED GASES; FIXED-CAPACITY GAS-HOLDERS; FILLING VESSELS WITH, OR DISCHARGING FROM VESSELS, COMPRESSED, LIQUEFIED, OR SOLIDIFIED GASES
- F17C6/00—Methods and apparatus for filling vessels not under pressure with liquefied or solidified gases
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F17—STORING OR DISTRIBUTING GASES OR LIQUIDS
- F17C—VESSELS FOR CONTAINING OR STORING COMPRESSED, LIQUEFIED OR SOLIDIFIED GASES; FIXED-CAPACITY GAS-HOLDERS; FILLING VESSELS WITH, OR DISCHARGING FROM VESSELS, COMPRESSED, LIQUEFIED, OR SOLIDIFIED GASES
- F17C9/00—Methods or apparatus for discharging liquefied or solidified gases from vessels not under pressure
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F17—STORING OR DISTRIBUTING GASES OR LIQUIDS
- F17C—VESSELS FOR CONTAINING OR STORING COMPRESSED, LIQUEFIED OR SOLIDIFIED GASES; FIXED-CAPACITY GAS-HOLDERS; FILLING VESSELS WITH, OR DISCHARGING FROM VESSELS, COMPRESSED, LIQUEFIED, OR SOLIDIFIED GASES
- F17C9/00—Methods or apparatus for discharging liquefied or solidified gases from vessels not under pressure
- F17C9/02—Methods or apparatus for discharging liquefied or solidified gases from vessels not under pressure with change of state, e.g. vaporisation
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F17—STORING OR DISTRIBUTING GASES OR LIQUIDS
- F17C—VESSELS FOR CONTAINING OR STORING COMPRESSED, LIQUEFIED OR SOLIDIFIED GASES; FIXED-CAPACITY GAS-HOLDERS; FILLING VESSELS WITH, OR DISCHARGING FROM VESSELS, COMPRESSED, LIQUEFIED, OR SOLIDIFIED GASES
- F17C9/00—Methods or apparatus for discharging liquefied or solidified gases from vessels not under pressure
- F17C9/02—Methods or apparatus for discharging liquefied or solidified gases from vessels not under pressure with change of state, e.g. vaporisation
- F17C9/04—Recovery of thermal energy
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F17—STORING OR DISTRIBUTING GASES OR LIQUIDS
- F17C—VESSELS FOR CONTAINING OR STORING COMPRESSED, LIQUEFIED OR SOLIDIFIED GASES; FIXED-CAPACITY GAS-HOLDERS; FILLING VESSELS WITH, OR DISCHARGING FROM VESSELS, COMPRESSED, LIQUEFIED, OR SOLIDIFIED GASES
- F17C2205/00—Vessel construction, in particular mounting arrangements, attachments or identifications means
- F17C2205/03—Fluid connections, filters, valves, closure means or other attachments
- F17C2205/0302—Fittings, valves, filters, or components in connection with the gas storage device
- F17C2205/0323—Valves
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F17—STORING OR DISTRIBUTING GASES OR LIQUIDS
- F17C—VESSELS FOR CONTAINING OR STORING COMPRESSED, LIQUEFIED OR SOLIDIFIED GASES; FIXED-CAPACITY GAS-HOLDERS; FILLING VESSELS WITH, OR DISCHARGING FROM VESSELS, COMPRESSED, LIQUEFIED, OR SOLIDIFIED GASES
- F17C2221/00—Handled fluid, in particular type of fluid
- F17C2221/01—Pure fluids
- F17C2221/013—Carbone dioxide
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F17—STORING OR DISTRIBUTING GASES OR LIQUIDS
- F17C—VESSELS FOR CONTAINING OR STORING COMPRESSED, LIQUEFIED OR SOLIDIFIED GASES; FIXED-CAPACITY GAS-HOLDERS; FILLING VESSELS WITH, OR DISCHARGING FROM VESSELS, COMPRESSED, LIQUEFIED, OR SOLIDIFIED GASES
- F17C2223/00—Handled fluid before transfer, i.e. state of fluid when stored in the vessel or before transfer from the vessel
- F17C2223/01—Handled fluid before transfer, i.e. state of fluid when stored in the vessel or before transfer from the vessel characterised by the phase
- F17C2223/0146—Two-phase
- F17C2223/0153—Liquefied gas, e.g. LPG, GPL
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F17—STORING OR DISTRIBUTING GASES OR LIQUIDS
- F17C—VESSELS FOR CONTAINING OR STORING COMPRESSED, LIQUEFIED OR SOLIDIFIED GASES; FIXED-CAPACITY GAS-HOLDERS; FILLING VESSELS WITH, OR DISCHARGING FROM VESSELS, COMPRESSED, LIQUEFIED, OR SOLIDIFIED GASES
- F17C2250/00—Accessories; Control means; Indicating, measuring or monitoring of parameters
- F17C2250/03—Control means
- F17C2250/032—Control means using computers
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F17—STORING OR DISTRIBUTING GASES OR LIQUIDS
- F17C—VESSELS FOR CONTAINING OR STORING COMPRESSED, LIQUEFIED OR SOLIDIFIED GASES; FIXED-CAPACITY GAS-HOLDERS; FILLING VESSELS WITH, OR DISCHARGING FROM VESSELS, COMPRESSED, LIQUEFIED, OR SOLIDIFIED GASES
- F17C2270/00—Applications
- F17C2270/05—Applications for industrial use
- F17C2270/0581—Power plants
Landscapes
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- Chemical & Material Sciences (AREA)
- Physics & Mathematics (AREA)
- Combustion & Propulsion (AREA)
- Theoretical Computer Science (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Thermal Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于碳循环供能的二氧化碳消纳设备，包括二氧化碳收集设备、气体存储设备、低温降压设备、液体存储设备、制冷设备、发电机及管道上的控制阀门；通过低温及加压技术，将气体二氧化碳转变为低温液体二氧化碳，便于存储及应用，低温液体二氧化碳在管道内流动的过程中可用于制冷，低温液体二氧化碳在恢复常温的过程中，利用液体气化膨胀产生巨大的气压，驱动热机运转，利用机械能推动涡轮电机旋转发电。气化后的二氧化碳一部分释放到树林中，一部分回到二氧化碳收集设备中，实现二氧化碳等碳循环供能。本设备利用PVMD‑IHHO‑ELM智能优化算法，根据制冷设备及发电机的需求，控制各管道上的控制阀门的开合大小，实现碳循环供能的经济价值最优。
Description
技术领域
本发明涉及碳循环供能技术领域，特别涉及一种基基于碳循环供能的二氧化碳消纳设备。
背景技术
二氧化碳是导致温室效应的主要气体，二氧化碳气体具有吸热和隔热的功能。它在大气中增多的结果是形成一种无形的玻璃罩，使太阳辐射到地球上的热量无法向外层空间发散，其结果是地球表面变热起来。因此，二氧化碳也被称为温室气体。大气温室效应是指大气物质对近地气层的增温作用，随着大气中二氧化碳等增温物质的增多，使得能够更多地阻挡地面和近地气层向宇宙空间的长波辐射能量支出，从而使地球气候变暖。其可能的积极作用是使部分干旱区雨量增多，高纬度农业区热量状况改差，但更主要的是其负面影晌，使热带和温带的旱、涝灾害发生频繁，以及冰山熔化，海平面上升，沿海三角洲被淹没等。因此，减少大气增温物质的排放量是人类刻不容缓的义务。温室效应主要是由于现代化工业社会过多燃烧煤颤友炭、石油和天然气，这些燃料燃烧后放出大量的二氧化碳气体进入大气造成的。
二氧化碳的常见存储方式包括液态储存、超临界储存和固态储存。液态储存是最常见的方式，将二氧化碳压缩成液态，存储在高压容器中。超临界储存是将二氧化碳在高温和高压条件下变为超临界态，储存在合适的容器中。固态储存是将二氧化碳通过化学反应或物理吸附固定在固体材料中。传统的液态储存的存储密度高，储存体积相对较小，且易于传输和使用。然而，传统的液态储存的成本较高，需要高压容器和相应的安全措施，且在长期储存中有一定的泄漏风险。
二氧化碳在常压下，它以零下78.5℃超低温、固态干冰的形式存在；到了约10个大气压的环境中，又会变成液体流动，便于输送。如果用干冰作为工作介质，就可以吸收环境中的热量，从而受热气化。如果这一过程被限制在一个封闭容器中，就可以得到数十个大气压的常温二氧化碳气体。理论上，这种高压、常温气体，完全可以推动气动机械做功。根据这一理念，低温热机迅速诞生。这几乎是蒸汽机革命之后，人类对驱动能源做的最有意思的一次尝试。碳捕捉完成后形成的干冰物质，作为驱动热机运转的燃料，气化后释放到空气中，之后再次被捕捉回来，从而保持一种人类活动与大气状态之间的奇妙平衡。为减少空气中的二氧化碳含量过高对全球气候的负面影响，实现碳循环供能，本申请结合碳循环供能技术领域提出了一种解决方案。
发明内容
发明目的：针对背景技术中指出的问题，本发明公开了一种基于碳循环供能的二氧化碳消纳设备，实现碳循环供能的最优及经济价值的最优，缓解空气污染问题。
技术方案：本发明公开了一种基于碳循环供能的二氧化碳消纳设备，包含二氧化碳收集设备、气体存储设备、低温降压设备、液体存储设备、制冷设备、发电机及管道上的控制阀门；所述二氧化碳收集设备、气体存储设备、低温降压设备及液体存储设备依次互相连接；所述液体存储设备与制冷设备、发电机相连；所述液体存储设备与制冷设备之间、液体存储设备与发电机之间均设置有控制阀门，所述控制阀门上设置有控制器，所述控制器中设置有基于粒子群优化后的变分模态分解算法、混沌映射优化后的哈里斯鹰算法和极限学习机算法相结合的VMD-IHHO-ELM智能优化算法的控制阀门控制方法，控制各管道的控制阀门开合大小，进行优化控制，在制冷需求或发电量需求高时，增加阀门开合程度，反之，则减小阀门开合程度；
所述控制阀门控制方法根据制冷设备的制冷需求及发电机的发电量需求，以及用户端与电网的电价，计算出制冷设备与发电机最优的液体二氧化碳使用量，进一步通过各管道的控制阀门开合大小实现碳循环供能的最优及经济价值的最优；
目标函数为：
其中：τr为第r个阀门的开合大小，r的取值为1或2；Iin为阀门输入的电流大小；Imax为阀门完全打开所需最大电流；ηr为能量转换率，其中η1为热量转换率，η2为电量转换率；Qr为第r个阀门对应的设备所需要的能量；Qi为当前所提供能量。
进一步地，所述二氧化碳收集设备收集空气中的二氧化碳，在整个设备对二氧化碳初次利用完后，即完成制冷后剩余的二氧化碳及完成发电后的二氧化碳进行收集，实现二氧化碳的再次利用；所述二氧化碳收集设备，在整个设备对二氧化碳初次利用的过程中，即发电过程中释放到树林中的二氧化碳，进行再次收集，实现二氧化碳的再次利用；最后将上述收集到的二氧化碳进行提纯后，通过管道传输到气体存储设备中，进行暂时的存储。
进一步地，所述低温降压设备将气体存储设备中的二氧化碳进行低温与降压处理，对常温下的气体二氧化碳，同时进行低温与加压的流程，将气体二氧化碳变成液体二氧化碳，通过管道输送到液体存储设备中。
进一步地，所述制冷设备，通过管道上的控制阀门的开合，使液体二氧化碳通过管道输送到制冷设备的管道中，通过液体二氧化碳在制冷设备管道中的流动，实现制冷效果，满足用户制冷需求的同时，实现对二氧化碳消纳设备降温保护的作用。
进一步地，所述发电机为涡轮发电机，由涡轮机、联轴器及发电机组成，通过管道上的控制阀门的开合，使液体二氧化碳通过管道输送到发电机的封闭空间中，在低温液体二氧化碳恢复常温的过程中，得到数十个大气压的常温二氧化碳气体，高压且常温的气体，推动气动机械做功，将机械能转化为电能，所产生的电能满足二氧化碳消纳设备运行的同时，能够卖给用户端及电网，实现经济价值的优化。
进一步地，液体二氧化碳实现发电机发电的过程中，部分二氧化碳气化排放到树林中，剩余二氧化碳则再一次通过管道输送到二氧化碳收集设备中，实现二氧化碳的循环利用。
进一步地，通过PVMD-IHHO-ELM智能优化算法，根据制冷设备的制冷需求及发电机的发电量需求，以及用户端与电网的电价，计算出制冷设备与发电机最优的液体二氧化碳使用量，实现碳循环供能的最优及经济价值的最优；具体步骤如下：
S1：建立所述目标函数；
S2：利用PVMD算法对输入的数据进行初步处理，所述PVMD算法使用PSO算法对VMD分解的k和α进行寻优，去除冗余或干扰性数据，将原信号分解成k个IMF分量，把模态函数定义为一个调频调幅信号，记为：
uk(t)＝Ak(t)cos[φ(t)]
其中：Ak(t)为IMF的幅值，φ(t)为IMF的频率；
S3：利用哈里斯鹰算法HHO算法对极限学习机ELM算法中的输入权重ω和阈值b进行寻优搜索，最小化预测误差，获取最佳期望网络模型，实现ELM算法对***发电信息与所服务的对象的用电信息的高精度处理；
S4：利用S3中优化后的ELM算法，对S2中通过PVMD算法初步处理后的数据进一步处理，具体的：
ELM算法由输入层、隐藏层以及输出层3部分组成，输入层的输入权重ω和隐含层的阈值b由S3中HHO算法寻优搜索获得；
输入层的n个神经元对应的输入矩阵为C＝[ci1,ci2,...,cin]T，输出层的m个神经元对应的输出矩阵为D＝[di1,di2,...,dim]T，隐含层有L个神经元，激励函数g(x)的模型为：
式中：βjk为隐含层神经元第j个神经元与输出层第k个神经元的连接权值；ωij为输入层第i个神经元与隐含层第j个神经元的连接权值；g(x)为隐含层神经元的激励函数；bi为第i个隐含层神经元的与之；dj为网络的实际输出值；
隐含层输出矩阵H表示为：
网络输出用Hβ＝DT表示，其中DT为矩阵D的装置，若L＝N则预测结果与ω和b无关，神经网络的输出值以零误差逼近训练样本，即
min||Hβ-T||＜ε
式中：T为神经网络的期望输出；ε为输出误差，当N足够大时，ε＜0；根据最小范围二乘准则，可以计算出连接权值β为：
β＝H+T
式中：H+为隐含层输出矩阵的广义逆。
进一步地，所述S2中PVMD的计算过程如下：
S2.1：原始信号的稀疏特性由包络熵来表示，适应度函数选取为包络熵局部极小值，使用PSO算法对VMD分解的k和α进行寻优，公式如下：
式中：N为采样点数个数，Ep为包络熵；a(i)为k个IMF分量经过Hilbert解调后的包络信号；pi为对应输入数据fi分量功率密度；ai为对应输入数据fi分量功率谱值；
设置PSO算法的初始种群以及[k,α]组合的取值范围基本参数，同时选取包络熵局部最小值作为PSO算法适应度函数，利用VMD对原始信号进行分解，并通过上式可得到不同参数组合[k,α]的适应度值；利用PSO算法的优化机制，不断更新出个体的位置，同时对各个个***置对应的Ep进行比较，不断更新出最小适应度的值；循环迭代确定了全局最小适应度或者达到了初始设置的最大迭代次数，直接输出得到最佳参数组合[k,α]；
S2.2：根据S2.1中得出的k的取值范围,利用Hilbert变换计算得到每一个模态分量信号uk(t)对应解析信号，得到其单边频：
式中：δ(t)为冲击函数，j为虚数；其表达式为：
S2.3：加入指数项模态函数对应解析信号的预估中心频率，将每个模态的频谱转移至基带：
S2.4：变分模态分解写成如下含有约束的最优化问题：
式中：uk(t)为信号分解的调频幅信号；wk为各模态分量的中心频率；k为迭代次数；f为为分界的输入的数据；为对式子进行偏导运算；
S2.5：根据S2.1中得出的α的取值范围，引入二次惩罚因子α和增广Lagrange函数，解决上述约束变分问题，将变分问题转变为非约束性变分问题，组成扩展的Lagrange表达式：
式中：α为二次惩罚因子，通过选取α来调节变分模态分解方法的完备性；λ为拉格朗日乘数，f(t)为t时刻原始信号，λ(t)为t时刻拉格朗日乘数；
S2.5：计算得到约束模型的最优解：
其中，λ(w)为格朗日乘数的傅里叶变换，为***分模量的傅里叶变换，/>为原始信号的傅里叶变换。
进一步地，所述S3中IHHO算法对ELM算法中的输入权重ω和阈值b进行寻优搜索的具体步骤如下：
S3.1：选用无限折叠迭代混沌映射ICMIC来改进HHO种群初始化策略，其公式如下：
式中：xn为第n代种群位置，α∈(0,1)，当α＞0.6时能得到较好的混沌序列；
S3.2：在搜索阶段中时，HHO算法在大范围等待并搜索目标，此阶段从两种不同的行动策略中，随机且等概率选取一种来执行，其公式如下：
式中：Xrand(t)表示从第t代种群中随机的个体；X(t)为截至第t代所得到的全局最优个体；Xr(t)为目标所在位置；q、r1、r2、r3和r4为(0,1)区间上均匀分布的随机数；U和L分别为种群位置的上界和下界；Xm(t)是第t代种群所有个体的平均位置；
S3.3：在转换阶段时，引入逃逸能量E，其模型如下：
式中：E0表示目标初始逃逸能量，值为(-1,1)区间的随机数，t是当前迭代次数，T为总迭代次数，随着不断迭代，逃逸能量E的绝对值呈减小趋势，当逃逸能量绝对值大于1时，认为目标能量充足，此时为探索阶段，当逃逸能量绝对值小于1时，认为目标能量逐渐衰减，可以逐步包围并获取目标，此为开发阶段；
S3.4：在开发阶段时，根据逃逸能量E及随机数均匀分布在(0,1)区间的逃脱模拟参量r的大小，采用4种不同的包围策略，当逃逸能量E较大时，认为目标剩余能量较多，采取软包围，反之则采取硬包围，当r≥0.5时，认为目标逃脱失败，采取包围策略获取目标，当r＜0.5时，则认为目标逃脱成功，采用俯冲方式进行包围，并调整位置。
进一步地，所述S3.4中4中不同的包围策略，具体包括有：
软包围：当r≥0.5，|E|≥0.5时，目标具有较多的逃逸能量，则对目标采取柔和的方式进行包围，消耗其能量，此阶段模型为：
X(t+1)＝ΔX(t)-E|JXr(t)-X(t)
ΔX(t)＝Xr(t)-X(t)
式中：ΔX(t)为目标与种群位置的距离；J代表目标的随机跳跃强度，其值为(0,2)区间的随机数；
硬包围：当r≥0.5，|E|＜0.5时，目标具有较少的逃逸能量，则对目标采取最后的突袭，此阶段模型为：
X(t+1)＝Xr(t)-E|ΔX(t)|
渐近快速俯冲软包围：当r＜0.5，|E|≥0.5时，目标依然具有较多的逃逸能量，有突破目前包围的可能，则对目标进行软包围，并调整种群位置，此阶段模型为：
A＝ΔX(t)-E|JXr(t)X(t)|
B＝A+S*LF(G)
式中：G为维数，S为1×G的随机向量，F(A)为在A临时位置时的适应度函数，F(B)为在B临时位置时的适应度函数，F(X(t))为在X(t)临时位置时的适应度函数，LF为Levy飞行函数，
式中：μ和υ为(0,1)区间上的随机数，β为常数1.5；
渐近快速俯冲硬包围：当r＜0.5，|E|＜0.5时，目标具有较少的逃逸能量，则对目标形成硬包围，为最后的突袭做准备。此阶段的目的是使种群位置的平均值更接近目标的位置，此阶段的模型为：
A＝ΔX(t)-E|JXr(t)-X(t)|
B＝A+S*LF(G)。
有益效果：
本发明在减少空气中二氧化碳含量的同时，将二氧化碳用于制冷及发电，可一定程度上减缓能源危机，可有效缓解空气中二氧化碳的污染问题，有利于实现碳中和目标。
本发明在传统的液态存储技术的基础上，加上低温处理，同时利用低温高压下的液体二氧化碳在管道中流动所损耗的能量，用于制冷工作，以及利用在高压状态下液体二氧化碳欲恢复常温常压时所产生的机械能用于发电，将原本不可避免所损耗的能量进行二次利用，在保留易于传输和使用优势的情况下，二氧化碳以不同的形态在此***中循环往复，形成了一个碳循环供能的闭环，减少了高压容器长期存储高压二氧化碳过程中的泄露风险，极大提高了能源的利用率，有效促进自然环境的改善。
本发明采用基于粒子群优化后的变分模态分解算法、混沌映射优化后的哈里斯鹰算法和极限学习机算法三种智能优化算法相结合的优化算法。首先，由于目前参数选取极度依赖数据处理人员的经验，影响了VMD算法的分解效果，由于VMD算法中的两个参数之间具有联动机理，若只优化其中一个参数而忽略另一个参数，则最终会陷入局部最优的结果，因此利用粒子群优化PSO算法对VMD算法的预设参数选取进行全局寻优，实现对于不同检测信号自适应的最佳分解，其次，经典的HHO算法中，无先验知识地随机初始化种群，可能会导致种群分布不均匀，降低解的多样性，为使HHO探索阶段能在更多的区域搜索，从而避免出现局部最优解，影响算法精度，利用无限折叠迭代混沌映射来改进HHO种群初始，混沌作为一种独特的非动力学行为，其遍历性的特点可以帮助种群均匀分布在搜索空间内，并利用优化后的IHHO算法对ELM算法中的输入权重和阈值进行寻优搜索，最小化预测误差，获取最佳期望网络模型，实现ELM算法对发电信息与用电信息的高精度处理，最后利用优化后的ELM算法，对通过PVMD算法初步处理后的数据进一步处理。
附图说明
图1为本发明总体结构示意图；
图2为本发明中涡轮发电机结构示意图；
图3为本发明中算法流程图。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
本发明公开的一种基于碳循环供能的二氧化碳消纳设备，包含二氧化碳收集设备、气体存储设备、低温降压设备、液体存储设备、制冷设备、发电机及管道上的控制阀门。
二氧化碳收集设备、气体存储设备、低温降压设备及液体存储设备依次互相连接。液体存储设备与制冷设备相连，液体存储设备与发电机相连。液体存储设备与制冷设备、液体存储设备与发电机之间均设置有控制阀门，控制阀门上设置有控制器，控制器中设置有基于粒子群优化后的变分模态分解算法、混沌映射优化后的哈里斯鹰算法和极限学习机算法相结合的VMD-IHHO-ELM智能优化算法的控制阀门控制方法，控制各管道的控制阀门开合大小，进行优化控制，在制冷需求或发电量需求高时，增加阀门开合程度，反之，则减小阀门开合程度。
二氧化碳收集设备，从附近的城市及工业园区等空气中二氧化碳密度较大的空气中，收集空气中的二氧化碳。二氧化碳收集设备，在整个设备对二氧化碳初次利用完后，即完成制冷后剩余的二氧化碳及完成发电后的二氧化碳，进行收集，实现二氧化碳的再次利用。二氧化碳收集设备，在整个设备对二氧化碳初次利用的过程中，即发电过程中释放到树林中的二氧化碳，进行再次收集，实现二氧化碳的再次利用。最后将上述收集到的二氧化碳进行提纯后，通过管道传输到气体存储设备中，进行暂时的存储。
低温降压设备，将上述气体存储设备中的二氧化碳进行低温与降压处理。二氧化碳在常压零下78.5℃的超低温下以固态干冰的形式存在，在约10个大气压的环境中则可变为流动的液体。本发明对常温下的气体二氧化碳，同时进行低温与加压的流程，将气体二氧化碳变成流动且方便储存的液体二氧化碳，通过管道输送到液体存储设备中，便于对液体二氧化碳进行下一步的应用。
制冷设备，通过管道上的控制阀门的开合，使液体二氧化碳通过管道输送到制冷设备的管道中，通过液体二氧化碳在制冷设备管道中的流动，实现制冷效果，满足用户制冷需求的同时，可实现对本发明中的设备实现降温保护的作用。
发电机为涡轮发电机，由涡轮机、联轴器及发电机组成。通过管道上的控制阀门的开合，使液体二氧化碳通过管道输送到发电机中的封闭空间中，在低温液体二氧化碳恢复常温的过程中，可以得到数十个大气压的常温二氧化碳气体，这种高压且常温的气体，可以推动涡轮机进行机械做功，最终将机械能转化为电能。
涡轮机是一种利用高速旋转的涡轮叶片来产生动力的机械设备，利用高速旋转的涡轮叶片，将气体的动能转化为机械能，从而产生动力。涡轮机的主要组成部分是涡轮叶片和转子。涡轮叶片是一种特殊的叶片，它的形状和排列方式可以根据不同的应用场景进行设计。转子是涡轮机的核心部件，它由多个涡轮叶片组成，通过高速旋转来产生动力。
涡轮机的工作原理可以分为两个阶段：进气和排气。在进气阶段，液体二氧化碳在恢复常温时产生的数十个大气压的常温二氧化碳气体被引入涡轮机的进口处，经过涡轮叶片的作用，高压的气体二氧化碳的动能被转化为机械能，从而使转子高速旋转。在排气阶段，较为低压的气体二氧化碳被排出涡轮机的出口处，同时转子的动能被传递给发电机，实现二氧化碳发电。
所产生的电能在满足本设备运行的同时，又可以卖给用户端及电网，实现经济价值的优化。在液体二氧化碳实现发电机发电的过程中，部分二氧化碳气化排放到树林中，剩余二氧化碳则再一次通过管道输送到二氧化碳收集设备中，实现二氧化碳的循环利用。
二氧化碳消纳设备通过PVMD-IHHO-ELM智能优化算法，根据制冷设备的制冷需求及发电机的发电量需求，以及用户端与电网的电价，计算出制冷设备与发电机最优的液体二氧化碳使用量，实现碳循环供能的最优及经济价值的最优。
智能优化算法具体包括以下步骤：
S1：建立目标函数：
其中：τr为第r个阀门的开合大小，r的取值为1或2；Iin为阀门输入的电流大小(Am)；Imax为阀门完全打开所需最大电流(Am)；ηr为能量转换率，其中η1为热量转换率，η2为电量转换率；Qr为第r个阀门对应的设备所需要的能量；Qi为当前所提供能量。
S2：利用PVMD算法对输入的数据进行初步处理，去除冗余或干扰性数据，该算法将原信号分解成k个IMF分量，把模态函数定义为一个调频调幅信号，记为：
uk(t)＝Ak(t)cos[φ(t)]
其中：Ak(t)为IMF的幅值，φ(t)为IMF的频率。
S3：利用哈里斯鹰算法HHO算法对极限学习机ELM算法中的输入权重ω和阈值b进行寻优搜索，最小化预测误差，获取最佳期望网络模型，实现ELM算法对***发电信息与所服务的对象的用电信息的高精度处理。
S4：利用优化后的ELM算法，对通过PVMD算法初步处理后的数据进一步处理，具体的：
ELM算法由输入层、隐藏层以及输出层3部分组成，输入层的输入权重ω和隐含层的阈值b由S3中HHO算法寻优搜索获得。
输入层的n个神经元对应的输入矩阵为C＝[ci1,ci2,...,cin]T，输出层的m个神经元对应的输出矩阵为D＝[di1,di2,...,dim]T，隐含层有L个神经元，激励函数g(x)的模型为：
式中：βjk为隐含层神经元第j个神经元与输出层第k个神经元的连接权值；ωij为输入层第i个神经元与隐含层第j个神经元的连接权值；g(x)为隐含层神经元的激励函数；bi为第i个隐含层神经元的与之；dj为网络的实际输出值。
隐含层输出矩阵H表示为：
网络输出用Hβ＝DT表示，其中DT为矩阵D的装置，若L＝N则预测结果与ω和b无关，神经网络的输出值以零误差逼近训练样本，即
min||Hβ-T||＜ε
式中：T为神经网络的期望输出；ε为输出误差，当N足够大时，ε＜0。根据最小范围二乘准则，可以计算出连接权值β为：
β＝H+T
式中：H+为隐含层输出矩阵的广义逆。
S2中PVMD算法的过程如下：
S2.1：原始信号的稀疏特性可由包络熵来表示，因此适应度函数选取为包络熵局部极小值，使用PSO算法对VMD分解的k和α进行寻优。当IMF分量噪声较少，特征信息较多，则包络熵值较大，反之，则包络熵值较小，公式如下：
式中：N为采样点数个数，Ep为包络熵；a(i)为k个IMF分量经过Hilbert解调后的包络信号，pi为对应输入数据fi分量功率密度；ai为对应输入数据fi分量功率谱值。
设置PSO算法的初始种群以及[k,α]组合的取值范围等基本参数，同时选取包络熵局部最小值作为PSO算法适应度函数，利用VMD对原始信号进行分解，并通过上式可得到不同参数组合[k,α]的适应度值；利用PSO算法的优化机制，不断更新出个体的位置，同时对各个个***置对应的Ep进行比较，不断更新出最小适应度的值；循环迭代确定了全局最小适应度或者达到了初始设置的最大迭代次数，就直接输出得到最佳参数组合[k,α]。
S2.2：根据S2.1中得出的k的取值范围,利用Hilbert变换计算得到每一个模态分量信号uk(t)对应解析信号，得到其单边频：
式中：j为虚数，δ(t)为冲击函数，其表达式为：
S2.3：进一步加入指数项模态函数对应解析信号的预估中心频率，将每个模态的频谱转移至基带：
S2.4：变分模态分解写成如下含有约束的最优化问题：
式中：uk(t)为信号分解的调频幅信号；wk为各模态分量的中心频率；k为迭代次数；f为为分界的输入的数据，为对式子进行偏导运算。
S2.5：根据S2.1中得出的α的取值范围，引入二次惩罚因子α和增广Lagrange函数，解决上述约束变分问题，将变分问题转变为非约束性变分问题，组成扩展的Lagrange表达式：
式中：α为二次惩罚因子，通过选取α来调节变分模态分解方法的完备性，λ为拉格朗日乘数，f(t)为t时刻原始信号，λ(t)为t时刻拉格朗日乘数。
S2.5：计算得到约束模型的最优解：
/>
其中，λ(w)为格朗日乘数的傅里叶变换，为***分模量的傅里叶变换，/>为原始信号的傅里叶变换。
S3中IHHO算法对ELM算法中的输入权重ω和阈值b进行寻优搜索的具体步骤如下：
S3.1：经典的HHO算法中，无先验知识地随机初始化种群，可能会导致种群分布不均匀，降低解的多样性，选用无限折叠迭代混沌(ICMIC)映射来改进HHO种群初始化策略，其公式如下：
式中：xn为第n代种群位置，α∈(0,1)，当α＞0.6时能得到较好的混沌序列。
S3.2：在搜索阶段中时，HHO算法在大范围等待并搜索目标，此阶段会从两种不同的行动策略中，随机且等概率选取一种来执行，其公式如下：
式中：Xrand(t)表示从第t代种群中随机的个体；X(t)为截至第t代所得到的全局最优个体；Xr(t)为目标所在位置；q、r1、r2、r3和r4为(0,1)区间上均匀分布的随机数；U和L分别为种群位置的上界和下界；Xm(t)是第t代种群所有个体的平均位置。
S3.3：在转换阶段时，为了模拟猎物在逃逸过程中的能量衰减，引入逃逸能量E，其模型如下：
式中：E0表示目标初始逃逸能量，值为(-1,1)区间的随机数，t是当前迭代次数，T为总迭代次数，随着不断迭代，逃逸能量E的绝对值呈减小趋势，当逃逸能量绝对值大于1时，认为目标能量充足，此时为探索阶段，当逃逸能量绝对值小于1时，认为目标能量逐渐衰减，可以逐步包围并获取目标，此为开发阶段。
S3.4：在开发阶段时，根据逃逸能量E及随机数均匀分布在(0,1)区间的逃脱模拟参量r的大小，采用4种不同的包围策略，当逃逸能量E较大时，认为目标剩余能量较多，采取软包围，反之则采取硬包围，当r≥0.5时，认为目标逃脱失败，采取包围策略获取目标，当r＜0.5时，则认为目标逃脱成功，采用俯冲方式进行包围，并调整位置。
S3.4中4种不同的包围策略，具体包括有：
软包围：当r≥0.5，|E|≥0.5时，目标具有较多的逃逸能量，则对目标采取柔和的方式进行包围，消耗其能量，此阶段模型为：
X(t+1)＝ΔX(t)-E|JXr(t)-X(t)|
ΔX(t)＝Xr(t)-X(t)
式中：ΔX(t)为目标与种群位置的距离；J代表目标的随机跳跃强度，其值为(0,2)区间的随机数。
硬包围：当r≥0.5，|E|＜0.5时，目标具有较少的逃逸能量，则对目标采取最后的突袭，此阶段模型为：
X(t+1)＝Xr(t)-E|ΔX(t)|
渐近快速俯冲软包围：当r＜0.5，|E|≥0.5时，目标依然具有较多的逃逸能量，有突破目前包围的可能，则对目标进行软包围，并调整种群位置，此阶段模型为：
A＝ΔX(t)-E|JXr(t)X(t)|
B＝A+S*LF(G)
式中：G为维数，S为1×G的随机向量，F(A)为在A临时位置时的适应度函数，F(B)为在B临时位置时的适应度函数，F(X(t))为在X(t)临时位置时的适应度函数，LF为Levy飞行函数：
式中：u和v为(0,1)区间上的随机数，β为常数1.5。
渐近快速俯冲硬包围：当r＜0.5，|E|＜0.5时，目标具有较少的逃逸能量，则对目标形成硬包围，为最后的突袭做准备。此阶段的目的是使种群位置的平均值更接近目标的位置，此阶段的模型为：
A＝ΔX(t)-E|JXr(t)-X(t)|
B＝A+S*LF(G)。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。
Claims (10)
1.一种基于碳循环供能的二氧化碳消纳设备，其特征在于：包含二氧化碳收集设备、气体存储设备、低温降压设备、液体存储设备、制冷设备、发电机及管道上的控制阀门；所述二氧化碳收集设备、气体存储设备、低温降压设备及液体存储设备依次互相连接；所述液体存储设备与制冷设备、发电机相连；所述液体存储设备与制冷设备之间、液体存储设备与发电机之间均设置有控制阀门，所述控制阀门上设置有控制器，所述控制器中设置有基于粒子群优化后的变分模态分解算法、混沌映射优化后的哈里斯鹰算法和极限学习机算法相结合的VMD-IHHO-ELM智能优化算法的控制阀门控制方法，控制各管道的控制阀门开合大小，进行优化控制，在制冷需求或发电量需求高时，增加阀门开合程度，反之，则减小阀门开合程度；
所述控制阀门控制方法根据制冷设备的制冷需求及发电机的发电量需求，以及用户端与电网的电价，计算出制冷设备与发电机最优的液体二氧化碳使用量，进一步通过各管道的控制阀门开合大小实现碳循环供能的最优及经济价值的最优；
目标函数为：
其中：τr为第r个阀门的开合大小，r的取值为1或2；Iin为阀门输入的电流大小；Imax为阀门完全打开所需最大电流；ηr为能量转换率，其中η1为热量转换率，η2为电量转换率；Qr为第r个阀门对应的设备所需要的能量；Qi为当前所提供能量。
2.根据权利要求书1所述的基于碳循环供能的二氧化碳消纳设备，其特征在于：所述二氧化碳收集设备收集空气中的二氧化碳，在整个设备对二氧化碳初次利用完后，即完成制冷后剩余的二氧化碳及完成发电后的二氧化碳进行收集，实现二氧化碳的再次利用；所述二氧化碳收集设备，在整个设备对二氧化碳初次利用的过程中，即发电过程中释放到树林中的二氧化碳，进行再次收集，实现二氧化碳的再次利用；最后将上述收集到的二氧化碳进行提纯后，通过管道传输到气体存储设备中，进行暂时的存储。
3.根据权利要求书1所述的基于碳循环供能的二氧化碳消纳设备，其特征在于：所述低温降压设备将气体存储设备中的二氧化碳进行低温与降压处理，对常温下的气体二氧化碳，同时进行低温与加压的流程，将气体二氧化碳变成液体二氧化碳，通过管道输送到液体存储设备中。
4.根据权利要求书1所述的基于碳循环供能的二氧化碳消纳设备，其特征在于：所述制冷设备，通过管道上的控制阀门的开合，使液体二氧化碳通过管道输送到制冷设备的管道中，通过液体二氧化碳在制冷设备管道中的流动，实现制冷效果，满足用户制冷需求的同时，实现对二氧化碳消纳设备降温保护的作用。
5.根据权利要求书1所述的基于碳循环供能的二氧化碳消纳设备，其特征在于：所述发电机为涡轮发电机，由涡轮机、联轴器及发电机组成，通过管道上的控制阀门的开合，使液体二氧化碳通过管道输送到发电机的封闭空间中，在低温液体二氧化碳恢复常温的过程中，得到数十个大气压的常温二氧化碳气体，高压且常温的气体，推动气动机械做功，将机械能转化为电能，所产生的电能满足二氧化碳消纳设备运行的同时，能够卖给用户端及电网，实现经济价值的优化。
6.根据权利要求5所述的基于碳循环供能的二氧化碳消纳设备，其特征在于：液体二氧化碳实现发电机发电的过程中，部分二氧化碳气化排放到树林中，剩余二氧化碳则再一次通过管道输送到二氧化碳收集设备中，实现二氧化碳的循环利用。
7.根据权利要求1至6任一所述的基于碳循环供能的二氧化碳消纳设备，其特征在于：通过PVMD-IHHO-ELM智能优化算法，根据制冷设备的制冷需求及发电机的发电量需求，以及用户端与电网的电价，计算出制冷设备与发电机最优的液体二氧化碳使用量，实现碳循环供能的最优及经济价值的最优；具体步骤如下：
S1：建立所述目标函数；
S2：利用PVMD算法对输入的数据进行初步处理，所述PVMD算法使用PSO算法对VMD分解的k和α进行寻优，去除冗余或干扰性数据，将原信号分解成k个IMF分量，把模态函数定义为一个调频调幅信号，记为：
uk(t)＝Ak(t)cos[φ(t)]
其中：Ak(t)为IMF的幅值，φ(t)为IMF的频率；
S3：利用哈里斯鹰算法HHO算法对极限学习机ELM算法中的输入权重ω和阈值b进行寻优搜索，最小化预测误差，获取最佳期望网络模型，实现ELM算法对***发电信息与所服务的对象的用电信息的高精度处理；
S4：利用S3中优化后的ELM算法，对S2中通过PVMD算法初步处理后的数据进一步处理，具体的：
ELM算法由输入层、隐藏层以及输出层3部分组成，输入层的输入权重ω和隐含层的阈值b由S3中HHO算法寻优搜索获得；
输入层的n个神经元对应的输入矩阵为C＝[ci1,ci2,...,cin]T，输出层的m个神经元对应的输出矩阵为D＝[di1,di2,...,dim]T，隐含层有L个神经元，激励函数g(x)的模型为：
式中：βjk为隐含层神经元第j个神经元与输出层第k个神经元的连接权值；ωij为输入层第i个神经元与隐含层第j个神经元的连接权值；g(x)为隐含层神经元的激励函数；bi为第i个隐含层神经元的与之；dj为网络的实际输出值；
隐含层输出矩阵H表示为：
网络输出用Hβ＝DT表示，其中DT为矩阵D的装置，若L＝N则预测结果与ω和b无关，神经网络的输出值以零误差逼近训练样本，即
min||Hβ-T||＜ε
式中：T为神经网络的期望输出；ε为输出误差，当N足够大时，ε＜0；
根据最小范围二乘准则，可以计算出连接权值β为：
β＝H+T
式中：H+为隐含层输出矩阵的广义逆。
8.根据权利要求7所述的基于碳循环供能的二氧化碳消纳设备，其特征在于：所述S2中PVMD的计算过程如下：
S2.1：原始信号的稀疏特性由包络熵来表示，适应度函数选取为包络熵局部极小值，使用PSO算法对VMD分解的k和α进行寻优，公式如下：
式中：N为采样点数个数，Ep为包络熵；a(i)为k个IMF分量经过Hilbert解调后的包络信号；pi为对应输入数据fi分量功率密度；ai为对应输入数据fi分量功率谱值；
设置PSO算法的初始种群以及[k,α]组合的取值范围基本参数，同时选取包络熵局部最小值作为PSO算法适应度函数，利用VMD对原始信号进行分解，并通过上式可得到不同参数组合[k,α]的适应度值；利用PSO算法的优化机制，不断更新出个体的位置，同时对各个个***置对应的Ep进行比较，不断更新出最小适应度的值；循环迭代确定了全局最小适应度或者达到了初始设置的最大迭代次数，直接输出得到最佳参数组合[k,α]；
S2.2：根据S2.1中得出的k的取值范围,利用Hilbert变换计算得到每一个模态分量信号uk(t)对应解析信号，得到其单边频：
式中：j为虚数；δ(t)为冲击函数，其表达式为：
S2.3：加入指数项模态函数对应解析信号的预估中心频率，将每个模态的频谱转移至基带：
S2.4：变分模态分解写成如下含有约束的最优化问题：
式中：uk(t)为信号分解的调频幅信号；wk为各模态分量的中心频率；k为迭代次数；f为为分界的输入的数据；为对式子进行偏导运算；
S2.5：根据S2.1中得出的α的取值范围，引入二次惩罚因子α和增广Lagrange函数，解决上述约束变分问题，将变分问题转变为非约束性变分问题，组成扩展的Lagrange表达式：
式中：α为二次惩罚因子，通过选取α来调节变分模态分解方法的完备性；λ为拉格朗日乘数，f(t)为t时刻原始信号，λ(t)为t时刻拉格朗日乘数；
S2.5：计算得到约束模型的最优解：
其中，λ(w)为格朗日乘数的傅里叶变换，为***分模量的傅里叶变换，/>为原始信号的傅里叶变换。
9.根据权利要求7所述的基于碳循环供能的二氧化碳消纳设备，其特征在于：所述S3中IHHO算法对ELM算法中的输入权重ω和阈值b进行寻优搜索的具体步骤如下：
S3.1：选用无限折叠迭代混沌映射ICMIC来改进HHO种群初始化策略，其公式如下：
式中：xn为第n代种群位置，α∈(0,1)，当α＞0.6时能得到较好的混沌序列；
S3.2：在搜索阶段中时，HHO算法在大范围等待并搜索目标，此阶段从两种不同的行动策略中，随机且等概率选取一种来执行，其公式如下：
式中：Xrand(t)表示从第t代种群中随机的个体；X(t)为截至第t代所得到的全局最优个体；Xr(t)为目标所在位置；q、r1、r2、r3和r4为(0,1)区间上均匀分布的随机数；U和L分别为种群位置的上界和下界；Xm(t)是第t代种群所有个体的平均位置；
S3.3：在转换阶段时，引入逃逸能量E，其模型如下：
式中：E0表示目标初始逃逸能量，值为(-1,1)区间的随机数，t是当前迭代次数，T为总迭代次数，随着不断迭代，逃逸能量E的绝对值呈减小趋势，当逃逸能量绝对值大于1时，认为目标能量充足，此时为探索阶段，当逃逸能量绝对值小于1时，认为目标能量逐渐衰减，可以逐步包围并获取目标，此为开发阶段；
S3.4：在开发阶段时，根据逃逸能量E及随机数均匀分布在(0,1)区间的逃脱模拟参量r的大小，采用4种不同的包围策略，当逃逸能量E较大时，认为目标剩余能量较多，采取软包围，反之则采取硬包围，当r≥0.5时，认为目标逃脱失败，采取包围策略获取目标，当r＜0.5时，则认为目标逃脱成功，采用俯冲方式进行包围，并调整位置。
10.根据权利要求9所述的基于碳循环供能的二氧化碳消纳设备，其特征在于：所述S3.4中4中不同的包围策略，具体包括有：
软包围：当r≥0.5，|E|≥0.5时，目标具有较多的逃逸能量，则对目标采取柔和的方式进行包围，消耗其能量，此阶段模型为：
X(t+1)＝ΔX(t)-E|JXr(t)-X(t)|
ΔX(t)＝Xr(t)-X(t)
式中：ΔX(t)为目标与种群位置的距离；J代表目标的随机跳跃强度，其值为(0,2)区间的随机数；
硬包围：当r≥0.5，|E|＜0.5时，目标具有较少的逃逸能量，则对目标采取最后的突袭，此阶段模型为：
X(t+1)＝Xr(t)-E|ΔX(t)|
渐近快速俯冲软包围：当r＜0.5，|E|≥0.5时，目标依然具有较多的逃逸能量，有突破目前包围的可能，则对目标进行软包围，并调整种群位置，此阶段模型为：
A＝ΔX(t)-E|JXr(t)X(t)|
B＝A+S*LF(G)
式中：G为维数，S为1×G的随机向量，F(A)为在A临时位置时的适应度函数，F(B)为在B临时位置时的适应度函数，F(X(t))为在X(t)临时位置时的适应度函数，LF为Levy飞行函数，
式中：μ和υ为(0,1)区间上的随机数，β为常数1.5；
渐近快速俯冲硬包围：当r＜0.5，|E|＜0.5时，目标具有较少的逃逸能量，则对目标形成硬包围，为最后的突袭做准备。此阶段的目的是使种群位置的平均值更接近目标的位置，此阶段的模型为：
A＝ΔX(t)-E|JXr(t)-X(t)|
B＝A+S*LF(G)。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311181066.0A CN117432933A (zh) | 2023-09-13 | 2023-09-13 | 基于碳循环供能的二氧化碳消纳设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311181066.0A CN117432933A (zh) | 2023-09-13 | 2023-09-13 | 基于碳循环供能的二氧化碳消纳设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117432933A true CN117432933A (zh) | 2024-01-23 |
Family
ID=89556013
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311181066.0A Pending CN117432933A (zh) | 2023-09-13 | 2023-09-13 | 基于碳循环供能的二氧化碳消纳设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117432933A (zh) |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2005071987A (ja) * | 2003-08-01 | 2005-03-17 | Hitachi Home & Life Solutions Inc | 燃料電池システム |
| CN102818371A (zh) * | 2012-08-13 | 2012-12-12 | 四川长虹电器股份有限公司 | 热水器的恒温***及控制方法 |
| KR20160060207A (ko) * | 2014-11-19 | 2016-05-30 | 포스코에너지 주식회사 | 액화 이산화탄소를 이용한 에너지 저장 시스템 및 방법 |
| CN109059840A (zh) * | 2018-05-29 | 2018-12-21 | 南京理工大学 | 一种城轨车辆车轮不圆顺检测方法 |
| CN110392770A (zh) * | 2017-04-04 | 2019-10-29 | 奚振华 | 利用二氧化碳进行能量转换的方法和设备*** |
| CN112199996A (zh) * | 2020-09-04 | 2021-01-08 | 西安交通大学 | 基于参数自适应VMD及快速Hoyer谱图指标的滚动轴承诊断方法 |
| CN113465201A (zh) * | 2021-08-05 | 2021-10-01 | 西安热工研究院有限公司 | 基于二氧化碳压缩耦合熔盐储热的冷热联供及储能***及方法 |
| CN114061125A (zh) * | 2020-07-30 | 2022-02-18 | 广东美的暖通设备有限公司 | 空调***的控制方法、控制装置、控制器及空调*** |
| CN114837760A (zh) * | 2022-03-31 | 2022-08-02 | 西安交通大学 | 一种基于小型氟盐冷却高温堆的高效制氢与发电耦合*** |
| CN116703624A (zh) * | 2023-05-22 | 2023-09-05 | 淮阴工学院 | 基于区块链的企业运行诊断***和方法 |
-
2023
- 2023-09-13 CN CN202311181066.0A patent/CN117432933A/zh active Pending
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2005071987A (ja) * | 2003-08-01 | 2005-03-17 | Hitachi Home & Life Solutions Inc | 燃料電池システム |
| CN102818371A (zh) * | 2012-08-13 | 2012-12-12 | 四川长虹电器股份有限公司 | 热水器的恒温***及控制方法 |
| KR20160060207A (ko) * | 2014-11-19 | 2016-05-30 | 포스코에너지 주식회사 | 액화 이산화탄소를 이용한 에너지 저장 시스템 및 방법 |
| CN110392770A (zh) * | 2017-04-04 | 2019-10-29 | 奚振华 | 利用二氧化碳进行能量转换的方法和设备*** |
| CN109059840A (zh) * | 2018-05-29 | 2018-12-21 | 南京理工大学 | 一种城轨车辆车轮不圆顺检测方法 |
| CN114061125A (zh) * | 2020-07-30 | 2022-02-18 | 广东美的暖通设备有限公司 | 空调***的控制方法、控制装置、控制器及空调*** |
| CN112199996A (zh) * | 2020-09-04 | 2021-01-08 | 西安交通大学 | 基于参数自适应VMD及快速Hoyer谱图指标的滚动轴承诊断方法 |
| CN113465201A (zh) * | 2021-08-05 | 2021-10-01 | 西安热工研究院有限公司 | 基于二氧化碳压缩耦合熔盐储热的冷热联供及储能***及方法 |
| CN114837760A (zh) * | 2022-03-31 | 2022-08-02 | 西安交通大学 | 一种基于小型氟盐冷却高温堆的高效制氢与发电耦合*** |
| CN116703624A (zh) * | 2023-05-22 | 2023-09-05 | 淮阴工学院 | 基于区块链的企业运行诊断***和方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Kalogirou | Solar energy engineering: processes and systems | |
| Khosravi et al. | An artificial intelligence approach for thermodynamic modeling of geothermal based-organic Rankine cycle equipped with solar system | |
| Wang et al. | Performance analysis of a novel energy storage system based on liquid carbon dioxide | |
| Nedaei et al. | Performance assessment and multi-objective optimization of a multi-generation system based on solar tower power: A case study in Dubai, UAE | |
| CN107025519A (zh) | 区域分布式冷热电多联产***混合整数非线性模型优化方法 | |
| Drysdale et al. | Life support approaches for Mars missions | |
| Hai et al. | -Neural network-based optimization of hydrogen fuel production energy system with proton exchange electrolyzer supported nanomaterial | |
| Tukenmez et al. | Development and performance analysis of a concentrating collector combined plant for multigeneration purposes | |
| Adesanya et al. | Prospects of ocean-based renewable energy for West Africa’s sustainable energy future | |
| Azmi | Artificial Neural Network Model For Wind Mill | |
| Hasan et al. | A new integrated ocean thermal energy conversion-based trigeneration system for sustainable communities | |
| CN117432933A (zh) | 基于碳循环供能的二氧化碳消纳设备 | |
| Liu et al. | Performance assessment of closed Brayton cycle-organic Rankine cycle lunar base energy system: Thermodynamic analysis, multi-objective optimization | |
| Turja et al. | Waste Heat Recuperation in Advanced Supercritical CO2 Power Cycles with Organic Rankine Cycle Integration & Optimization Using Machine Learning Methods | |
| CN116776205A (zh) | 一种综合能源故障精准快速诊断方法及*** | |
| CN111262275A (zh) | 一种模拟空间太阳能电站的全局协同控制方法 | |
| Jatmiko et al. | Algal growth rate modeling and prediction optimization using incorporation of MLP and CPSO algorithm | |
| Salisbury et al. | Light, plants, and power for life support on Mars | |
| Sun et al. | Thermoeconomic analysis and optimization of a reverse osmosis desalination system driven by ocean thermal energy and solar energy | |
| Kangash et al. | Review of Russian research in the field of wind energy | |
| Bouadila et al. | Low-cost systems for agriculture energy management in Tunisia | |
| CN115930243B (zh) | 一种智能化工烟气回收调节设备 | |
| Ovchinnikov et al. | The arctic electric power stations are the decision of energy, environmental and climate problems | |
| CN118361779A (zh) | 一种基于沙子储热供能的储热交换*** | |
| JP2023042729A (ja) | 二酸化炭素の回収利用方法および回収利用システム |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |