Simulation models have been widely used for thermochemical energy storage to better understand its behavior and consequently to improve operational control of the device. However, incomplete knowledge of system properties leads to a significant number of uncertain parameters in the simulation models, which in turn cause uncertainties in system predictions. In this work, we perform global sensitivity analysis to identify the effect of uncertain parameters on the outputs of a thermochemical energy storage model, so that we can better understand the predictive uncertainties, proceed with targeted data acquisition or even simplify the corresponding uncertainty quantification. To get reliable sensitivity analysis results, we use both variance-based and regional sensitivity analysis since they focus on different probabilistic features of model outputs. Since the simulation model is computationally expensive, we use model reduction via the (arbitrary) polynomial chaos expansion. Then, to further confirm the results, the regional sensitivity index is also estimated based on the original model with the same given sample set. Based on the results of both sensitivity analysis methods, we can find that there are 8 unimportant parameters among 16 analyzed parameters. Thus, we can focus resources on investigating the important uncertain parameters. Also, we can ignore the uncertainty of unimportant parameters to simplify the corresponding uncertainty quantification.

仿真模型已广泛用于热化学能量存储，以更好地了解其行为，从而改善设备的操作控制。但是，对系统属性的不完全了解会导致仿真模型中存在大量不确定的参数，从而导致系统预测的不确定性。在这项工作中，我们进行全局敏感性分析，以确定不确定性参数对热化学储能模型输出的影响，以便我们可以更好地理解预测性不确定性，进行有针对性的数据采集甚至简化相应的不确定性量化。为了获得可靠的灵敏度分析结果，我们同时使用基于方差的分析和区域灵敏度分析，因为它们专注于模型输出的不同概率特征。由于仿真模型的计算量很大，因此我们通过（任意）多项式混沌扩展来使用模型约简。然后，为进一步确认结果，还基于具有相同给定样本集的原始模型来估计区域敏感性指数。根据两种灵敏度分析方法的结果，我们可以发现在分析的16个参数中有8个不重要的参数。因此，我们可以集中资源研究重要的不确定参数。同样，我们可以忽略不重要参数的不确定性，以简化相应的不确定性量化。区域敏感性指数也基于具有相同给定样本集的原始模型进行估算。根据两种灵敏度分析方法的结果，我们可以发现在分析的16个参数中有8个不重要的参数。因此，我们可以集中资源研究重要的不确定参数。同样，我们可以忽略不重要参数的不确定性，以简化相应的不确定性量化。区域敏感性指数也基于具有相同给定样本集的原始模型进行估算。根据两种灵敏度分析方法的结果，我们可以发现在分析的16个参数中有8个不重要的参数。因此，我们可以集中资源研究重要的不确定参数。同样，我们可以忽略不重要参数的不确定性，以简化相应的不确定性量化。