综述：卡诺电池及其在智能集成能源系统中的作用：机遇与挑战

《RENEWABLE & SUSTAINABLE ENERGY REVIEWS》：A review of Carnot battery and its role towards smart integrated energy systems: Opportunities and challenges

可再生能源扩张驱动全球能源转型，卡诺电池（CB）作为长时储能核心技术，结合AI与LLMs在系统优化、智能控制和跨能源协同方面展现潜力。摘要：

　　

郭文轩|金向瑞|江浩宇|夏玉轩|朱俊杰|曲博安|钟伟|江龙|林晓杰

浙江大学能源工程学院，杭州，310027，中国

摘要

可再生能源的前所未有的扩张是全球能源格局转变的主要驱动力。随着间歇性可再生能源的渗透率达到高水平，卡诺电池（CB）技术已成为集成能源系统（IES）中长时储能的关键解决方案。最近，人工智能（AI）和大型语言模型（LLMs）的突破为基于CB的IES的设计和智能运行开辟了新的机遇。本综述旨在深入探讨CB的最新进展以及AI在CB相关研究中的应用，范围从单个组件的热力学到IES内的系统级集成。首先，综述总结了CB建模和优化的进展，重点关注物理约束、数据驱动的混合方法以及多目标优化，以捕捉复杂的热机械动态。接着，探讨了基于CB的IES的设计、运行和多维度评估，包括双层规划和多时间尺度调度。此外，还介绍了新兴AI技术的跨学科联系，特别是探讨了LLMs如何通过统一的表示和知识推理来重塑能源管理。未来，CB科学与AI驱动的智能的深度融合将在构建具有韧性和灵活性的未来能源系统中发挥关键作用。

引言

全球可再生能源的前所未有的扩张从根本上改变了全球能源格局，既带来了可持续发展的显著机遇，也带来了需要创新解决方案的复杂技术挑战。可再生能源的增长需要灵活、低成本且高效的电能存储，以平衡能源供需之间的不匹配，同时解决风能和太阳能发电所固有的间歇性和可变性[1]。传统能源系统是基于可预测和可调度化石燃料设计的，越来越无法适应可再生能源发电的波动性，因此迫切需要先进的储能技术，这些技术能够提供时间上的能量转移能力和多维度的能源服务。这种范式转变催生了大量关于新型储能解决方案的研究，这些解决方案旨在弥合可再生能源潜力与电网可靠性要求之间的差距，特别关注那些在多种运行条件下都能提供成本效益高、大规模储能能力的技术。

在新兴的储能技术中，卡诺电池（CB），也称为抽水热能储存系统，作为一种有前景的解决方案，受到了广泛关注，因为它能够同时解决集成能源系统（IES）中的多个挑战。这些热力学储能设备通过复杂的热机和热泵循环运行，实现电能和热能之间的双向转换，同时具有大存储容量、长循环寿命、环境兼容性以及有效利用废热源等独特优势。CB的基本工作原理是在充电期间通过电阻加热或热泵系统将多余的电能储存为热能，然后在放电阶段通过热力学动力循环将储存的热能转换回电能。这种方法不仅提供了必要的电网平衡服务，还实现了电能和热能领域之间的部门耦合。最近的综述表明，热机械储能技术，特别是CB，正在发展成为联合冷却、加热和发电（CCHP）应用的关键推动者，当利用外部热源时，可以实现超过100%的往返效率[2]。

与其他热机械储能技术（如抽水热能储存（PTES）和压缩空气储存（CAES）相比，CB的显著优势在于其地理灵活性。它不需要特定的地形特征（如水源高度差或地下洞穴），因此非常适合在工业园区和城市中心部署。此外，与电化学电池（如锂离子电池）相比，CB使用环保的储能介质，具有更长的循环寿命和更高的安全性，且没有热失控或有毒物质泄漏的风险。作为热力学系统，CB能够独特地与工业废热和热负荷耦合。这种能力使其能够在IES中充当多能源耦合枢纽，通过利用低品位热能来提高系统性能，这是单一电力储能系统无法比拟的。

为了进一步提高CB的技术经济性能，研究人员积极探索了新的热力学循环和储能配置。例如，梁等人[3]提出了一种基于部分冷凝和再压缩的新型超临界/临界CO₂ CB，证明通过优化的热匹配可以显著提高往返效率和经济可行性。同样，结合共沸混合物和级联相变材料（PCMs）的使用也被研究用于减少热传递过程中的不可逆性，为高效热存储提供了新途径[4]。这些创新强调了CB在降低成本和减少碳排放方面相对于传统储能解决方案的潜力。

然而，将CB集成到智能IES中会带来复杂的控制挑战，因为电能和热能瞬态之间存在动态相互作用。为了解决这个问题，黄等人[5]开发了基于CB的CCHP系统的动态仿真模型，这些模型具有级联潜热储存，表明温度匹配控制策略对于在波动的可再生能源、电能和热负荷下保持系统稳定性和灵活性至关重要。IES向智能、自主运行的演变为人工智能（AI）和机器学习技术的应用创造了新的机会。在现代电网的更广泛背景下，AI已经在负荷预测、电网稳定性控制和可再生能源集成方面展示了显著潜力。在此基础上，先进的AI算法可以通过提供需求预测、最优调度策略和实时控制优化来提高CB的运行性能，这些优化考虑了这些系统的复杂热力学行为。需要注意的是，不同的AI技术在基于CB的IES上有不同的适用任务。如图1所示，总结了现有AI技术的知识图谱和适用领域。

1)

经典机器学习（1950年代–2000年代）：支持向量机、克里金模型和多层感知器等算法在组件级参数识别中发挥了重要作用。在CB研究中，这些算法特别适用于在数据集有限的情况下对换热器进行稳态建模和压缩机性能回归。

2)

深度学习（2010年代–至今）：随着长短期记忆网络（LSTM）、物理信息神经网络（PINN）和深度强化学习（DRL）的出现，AI转向了动态特征提取和高维预测。对于基于CB的IES，深度学习是预测随机可再生能源发电和CB系统瞬态热响应的基石。

3)

大型语言模型（LLMs）（2020年代–未来）：基于Transformer架构，LLMs代表了向跨领域推理和自主决策的转变。除了简单的数据处理，LLMs还可以整合政策分析、技术文档和实时运行约束，成为基于CB的IES的“中枢神经系统”，实现复杂的多代理协调。

尽管CB具有令人前景的光辉特性以及与AI增强控制系统的潜在协同作用，但在理解这些技术在复杂集成能源环境中的最佳设计、尺寸和运行策略方面仍存在显著的知识空白。当前的研究工作主要集中在单个技术的发展上，而不是考虑可再生能源、热储能动态、多能源需求和智能控制算法之间复杂相互作用的全面系统级集成。缺乏评估AI增强型CB系统在集成能源应用中的技术经济性能的标准化框架，阻碍了这些技术的广泛采用，而涉及经济、环境和可靠性考虑的多目标优化问题的复杂性要求采用复杂的分析方法来有效平衡竞争目标。此外，AI组件的集成引入了与数据管理、算法验证和系统鲁棒性相关的新挑战，必须解决这些问题以确保在多样化的运行条件和不确定性情景下的可靠运行。

本综述旨在通过提供CB技术、IES设计和AI在能源存储优化中应用的当前最先进技术的系统分析来解决这些关键知识空白。本文的其余部分组织如下：第2节深入探讨了CB的建模方法、设计优化策略和性能评估框架。第3节探讨了CB在IES中的集成，重点关注建模、调度优化和碳灵活性评估。第4节介绍了新兴AI技术的跨学科联系，特别是探讨了LLMs如何通过统一的表示和知识推理来重塑能源管理。最后，第5节总结了研究结果并概述了未来的研究方向。

部分摘录

AI在CB研究中的应用

随着CB作为一种有前景的长时储能技术的发展，学术研究已经从最初的概念验证和初步配置探索发展到系统级的深度集成和性能提升。为了应对未来能源系统所提出的灵活性和经济可行性双重挑战，当前的研究重点正在从传统的热力学循环构建（如图2所示的Brayton循环）扩展

基于CB的IES及其智能化

从全球集成能源的角度来看，CB已经超越了传统储能设备的范围，成为赋予系统极高灵活性的核心资源。CB通过独特的“储存-释放”循环和多能源互补机制，促进了电能、蒸汽、压缩空气和加热网络之间的双向热能和电能转换

LLM在基于CB的IES中的作用

随着电热可逆转换技术（如CB）的发展，IES在长时储能、跨能源互补性和低碳运行方面展现了新的技术范式[94]。与传统的电能或独立的热能储存系统相比，包含CB的IES在能源转换路径、运行约束结构和决策时间尺度方面要复杂得多。系统运行需要

总结与展望

本综述系统地考察了CB技术及其在智能集成能源系统中的集成现状。通过实现电能和热能之间的双向转换，CB作为灵活的桥梁，有效地耦合了不同时间尺度和空间尺度上的异质能源流。技术演变涵盖了从核心组件的基本热力学机制，到系统级动态建模和调度优化

利益冲突声明

作者声明他们没有已知的竞争财务利益或个人关系可能会影响本文报告的工作。

致谢

本工作得到了国家自然科学基金（项目编号：52576234）和国家重点研发计划（项目编号：2023YFE0108600）的支持。本工作还得到了国家自然科学基金（项目编号：51806190）以及浙江“先锋”和“领头雁”研发计划（项目编号：2025C02237）的支持。