Development of Surrogate Models for Latent Thermal Energy Storage Systems with Macro-encapsulated Phase Change Material
Final Report Abstract
Ziel dieses Vorhabens war die Erstellung von Stellvertretermodellen (SVM) für latente thermische Energiespeicher (LTES) mit makroverkapseltem Phasenwechselmaterial (engl. phase change material, PCM). Diese Speicher ermöglichen die Speicherung thermischer Energie mit hoher Energiedichte und können ein wichtiger Baustein in der Energiewende werden. Um LTES zu entwickeln und zu optimieren werden numerische Modelle angewandt die entweder i) sehr rechenaufwendig sind und daher nur einen kleinen Teil eines Speichers in vertretbarer Zeit simulieren können oder ii) sehr stark vereinfacht sind und daher großen Unsicherheiten unterliegen. Die neu entwickelten SVM sollen daher einen geringen Rechenaufwand, bei gleichzeitig hoher Vorhersagegenauigkeit aufweisen. Zu diesem Zweck wurden drei Typen von SVM entwickelt: CFD-SVM verwenden Ergebnisse aus einer Variation von CFD-Simulationen von einer Kapsel des LTES. Diese Ergebnisse werden in Nachschlagetabellen gespeichert und liefern die momentane Beladeleistung in Abhängigkeit der anliegenden Randbedingungen und der bereits gespeicherten Energie. Diese Nachschlagetabellen dienen anschließend als Input für Systemsimulationsmodelle. Es wurden fünf verschiedene Varianten von CFD-SVM implementiert. Diese unterscheiden sich durch den Detailgrad des CFD-Models und die verwendeten Wärmeübertragungskorrelationen. - Es wurden 6 projektionsbasierte SVM und 2 Neuronale Netze untersucht. Die Modelle waren entweder rein datenbasiert, haben die diskretisierte Gleichungen mitberücksichtigt und/oder zielten auf ein instantanes Lösen des gesamten Zeitbereiches ab. - Der UA Approach ist eine analytische Methode welche die Entladezeit von LTES durch eine Reihe von vereinfachten Annahmen anschaulich berechnet. Besonderheit ist, dass numerische oder experimentelle Daten integriert werden können, um die Vorhersagegenauigkeit zu erhöhen oder um die nicht-Kenntnis von Geometriedaten oder Materialeigenschaften zu kompensieren. Projektionsbasierte SVM die rein auf Datenbasis funktionieren wiesen ebenso wie datenbasierte Neuronale Netze ein instabiles Verhalten auf. Mit keinem dieser Modelle war eine sinnvolle Simulation eines fest/flüssig- Phasenwechsels möglich. Die Methoden die auf instantanes Lösen des gesamten Zeitbereichs abzielen – physical informed neuronal networks (PINN) und zwei projektionsbasierte Methoden – sind ebenfalls ungeeignet für dynamische Simulationen, da sie nicht auf Veränderungen von Randbedingungen reagieren können. Lediglich mit der proper orthogonal decomposition Galerkin (POD-Galerkin) Methode konnten sinnvolle Ergebnisse erzielt werden. Allerdings rechtfertigte die Simulationszeitersparnis nicht den hohen Aufwand bei der Ersrtellung dieser Modelle. Die CFD-SVM erzielten sehr vielversprechende Ergebnisse. Eine CFD-Simulation des Beladevorgangs einer Kapsel dauert bis zu mehreren Wochen. Die erstellten CFD-SVM konnten die Beladung eines vollständigen LTES mit 32 Kapseln in nur 5-60 s berechnen. Bemerkenswert hierbei ist, dass die zeitlich gemittelte Abweichung der eingespeicherten Energie zwischen Experimenten und den Ergebnissen der CFD-SVM nur 5 % beträgt. Zudem wurde gezeigt, dass die Kapselwand in das CFD-Model integriert werden muss, das Wärmeträgerfluid (WTF) dahingegen kann über Randbedingungen im CFD-SVM berücksichtigt werden. Der UA Approach zeigte besonders bei kleinen Stefan-Zahlen eine hohe Vorhersagegenauigkeit. Auch die thermische Energie des WTF oder der Wärmewiderstand zwischen WTF und Kapselwand können berücksichtigt werden. Um die Vorhersagegenauigkeit vor allem bei großen Stefan-Zahlen oder unbekannten Geometriedaten oder Materialeigenschaften zu erhöhen, wurden Ergebnisse eines validierten numerischen Modelles mit in den Ansatz integriert (alternativ können auch experimentelle Ergebnisse verwendet werden). Auch hier wurden sehr vielversprechende Ergebnisse erzielt, es konnte beispielsweise das Verhalten eines Speichers mit erhöhter Wärmeleitfähigkeit nahezu exakt vorhergesagt werden. Sowohl die CFD-SVM als auch der UA Approach haben ein sehr hohes Anwendungs- und Weiterentwicklungspotential und können bereits jetzt sehr effektiv für die Entwicklung und Optimierung von LTES verwendet werden. Die projektionsbasierten SVM und die Neuronalen Netze sind in ihrer jetzigen Form ungeeignet. Die Ergebnisse wurden in einem begutachteten Artikel und drei Konferenzbeiträgen veröffentlicht. Drei weitere Veröffentlichungen in begutachteten Zeitschriften sind zurzeit in Begutachtung.
Publications
-
"Development and analysis of a CFD results based system simulation model for a latent heat thermal energy storage unit with macro‐capsules,” 15th International Conference on Energy Storage - ENERSTOCK 2021, online, 2021
A. König-Haagen, M. Faden, J. Gleißl, G. Diarce and D. Brüggemann
-
Comparison of Corrected and Uncorrected Enthalpy Methods for Solving Conduction-Driven Solid/Liquid Phase Change Problems. Energies, 16(1), 449.
König-Haagen, Andreas & Diarce, Gonzalo
-
Analysis of the discharging process of latent heat thermal energy storage units by means of normalized power parameters. Journal of Energy Storage, 72 (2023, 11), 108428.
König-Haagen, Andreas; Höhlein, Stephan; Lázaro, Ana; Delgado, Mónica; Diarce, Gonzalo; Groulx, Dominic; Herbinger, Florent; Patil, Ajinkya; Englmair, Gerald; Wang, Gang; Abdi, Amir; Chiu, Justin N.W.; Xu, Tianhao; Rathgeber, Christoph; Pöllinger, Simon; Gschwander, Stefan & Gamisch, Sebastian
-
Prediction of the discharging time of a latent heat thermal energy storage system with a UA approach. Journal of Energy Storage, 73 (2023, 12), 108849.
König-Haagen, Andreas & Diarce, Gonzalo
