Fysikinformerad maskininlärning för energinätverk integrerade med avancerad termisk lagring, samt kollaborativa affärsmodeller för sektorkopplade flexibilitetstjänster

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.