Fysikinformerad maskininlärning för energinätverk integrerade med avancerad termisk lagring, samt kollaborativa affärsmodeller för sektorkopplade flexibilitetstjänster
ThermFlex
Titel: Fysikinformerad maskininlärning för energinätverk integrerade med avancerad termisk lagring, samt kollaborativa affärsmodeller för sektorkopplade flexibilitetstjänster
Akronym: ThermFlex
Ansvarig forskare:
Qian Wang
Medverkande forskare:
Yangzhe Chen
Motpart: RISE
Finansiär:
Energimyndigheten
Period: 2024-11-01 – 2028-12-31
Teknologier för termisk lagring kan brygga värme-/kylanätverk, elnät, distribuerad förnybar energi och
lågexergiresurser. Med rätt systemintegration och driftlogik kan de tillhandahålla sektorsövergripande tjänster för
energiflexibilitet – vilket ökar energieffektiviteten och hållbarheten i det övergripande energisystemet. Innovativa
avancerade värmelagringslösningar erbjuder en mängd fördelar, såsom högre energidensitet vid lägre temperaturer
och längre lagringsperioder. Deras komplexa värmeöverföringsfenomen kräver dock nya metoder för att uppskatta
laddningstillstånd och effektuttag - avgörande för att nå marknadsmognad. ThermFlex introducerar nya datadrivna
modelleringsmetoder, inklusive fysikinformerad maskininlärning, för att möta dessa utmaningar. Projektet kommer
också att utforska nya affärs- och prismodeller för flexibilitetstjänster för fjärrvärme-/kylanät, samt hur sådana
flexibilitetstjänster kan automatiseras storskaligt och använda ontologier.