基于BP神经网络的有机朗肯循环输出功率预测方法技术

基于BP神经网络的有机朗肯循环输出功率预测方法，属于热能工程领域。包括以下步骤：多组有机朗肯循环运行数据的采集，每组包括如下参数：有机工质的体积流量、膨胀机转矩、膨胀机入口压力、膨胀机出口压力、膨胀机入口温度、冷凝器出口温度、工质泵出口压力和膨胀机输出功率；采集数据的归一化处理；BP神经网络的建立；神经网络的训练和测试；测试数据中神经网络输出数据即膨胀机输出功率的反归一化处理。与传统的热力学分析方法相比，本发明专利技术所搭建的神经网络模型能够快速、准确的预测有机朗肯循环输出功率，避免了对系统各部件的运行机理研究，并且能够显著提升工作效率和预测精度，为有机朗肯循环的优化提供可靠指导。

Prediction method of output power of organic Rankine cycle based on BP neural network

The prediction method of output power of organic Rankine cycle based on BP neural network belongs to the field of thermal engineering. Including the following steps: collection of multiple sets of organic Rankine cycle operation data, each group includes the following parameters: volume flow of organic working substance, expander torque, inlet pressure of expander, outlet pressure of expander, inlet temperature of expander, outlet temperature of condenser, outlet pressure of working substance pump and output power of expander; Normalization of data; Establishment of BP neural network; Training and testing of neural network; Reverse normalization of output power of expander in test data. Compared with the traditional thermodynamic analysis method, the neural network model can predict the output power of the organic Rankine cycle quickly and accurately, avoid studying the operation mechanism of the various components of the system, and significantly improve the work efficiency and prediction accuracy, providing reliable guidance for the optimization of the organic Rankine cycle.

【技术实现步骤摘要】
基于BP神经网络的有机朗肯循环输出功率预测方法
本专利技术涉及一种基于BP神经网络的有机朗肯循环输出功率预测方法，属于热能工程领域。
技术介绍
在我国工业化快速发展的过程中，存在着大量的余热能，如：烟气余热、冷却介质余热、废汽废水余热、高温产品和炉渣余热、化学反应热以及可燃废气和废料余热等，除了可以通过技术改造升级实现对这些余热能的高效利用之外，余热回收利用是提高经济性、节约能源的一条重要途径。在众多的余热利用技术中，有机朗肯循环由于其效率较高、结构简单、单机容量范围广、系统各部件可标准模块化生产等优点被广泛应用于70℃以上的余热资源。近年来，国内外学者为提高有机朗肯循环输出功率开展了大量的研究工作。针对有机朗肯循环的研究主要通过建立各部件热力学模型之后的理论分析方法。但是，有机朗肯循环实际运行过程中的影响因素较多，其输出功率与各热力学参数之间是典型的非线性关系。目前来看，试验系统输出功率与理论分析结果相差较大，即理论分析并不能对有机朗肯循环试验输出功率进行准确的预测。BP神经网络又称为误差反向传播神经网络，是一种多层的前向型网络。在BP神经网络中，信号是向前传播的，而误差是反向传播的。BP神经网络具有很强的非线性映射能力和柔性的网络结构，在能源动力系统性能的预测和优化中得到了广泛的应用。因此，建立有机朗肯循环的BP神经网络模型，对其输出功率进行精确的预测。
技术实现思路
本专利技术的目的是为了解决现有热力学模型难以准确预测有机朗肯循环输出功率的不足，提出一种基于BP神经网络的有机朗肯循环输出功率预测方法。本专利技术具体的技术方案包括如下步骤：(1)有机朗肯循环运行数据的采集采集有机朗肯循环系统运行过程中的多组试验数据，每组试验数据包括如下参数：有机工质的体积流量膨胀机转矩(Torexp)、膨胀机入口压力(pexp,in)、膨胀机出口压力(pexp,out)、膨胀机入口温度(Texp,in)、冷凝器出口温度(Tcon,out)、工质泵出口压力(pp,out)和膨胀机输出功率将上述多组试验数据随机分组，分为驯化处理组数据和测试组数据；(2)采集数据的归一化处理由于各参数的数量级相差较大，为了加快神经网络的收敛速度，需要对各参数进行归一化处理，使其转化为[0，1]区间内的对应值式中，Xmin为各参数的最小值，Xmax为各参数的最大值，X为各参数的采集数据，为各参数归一化处理后的数值；(3)BP神经网络的建立建立基于BP神经网络的有机朗肯循环输出功率的预测模型，该神经网络预测模型包括一个输入层、一个中间隐含层和一个输出层；其中，输入层包含7个神经元：有机工质的体积流量、膨胀机转矩、膨胀机入口压力、膨胀机出口压力、膨胀机入口温度、冷凝器出口温度、工质泵出口压力；输出层包含一个神经元，即有机朗肯循环的输出功率；隐含层传递函数为tansig，输出层传递函数为purelin；该神经网络预测模型可以通过调用MATLAB神经网络工具箱实现；输入层和输出层的神经元均采用步骤(2)归一化处理后的数据；(4)神经网络的训练和测试设置神经网络最大训练次数及训练目标误差，将步骤(2)中归一化处理后的训练数据输入到步骤(3)所建立的神经网络中进行训练，待神经网络训练完成后，将测试数据输入到神经网路进行检验；其中，训练目标误差采用均方误差进行评价：式中，Q为输入层神经元训练组数，Y(k)为神经网络预测值，t(k)为实际测试值，使得均方误差小于训练目标误差；(5)测试数据中神经网络输出数据即膨胀机输出功率的反归一化处理按照步骤(4)对神经网络测试完成后，将神经网络输出数据进行反归一化处理：式中，Ymin为所有驯化处理组数据中膨胀机输出功率的最小值，Ymax为所有驯化处理组数据中膨胀机输出功率的最大值，为神经网络测试输出值，Y为反归一化处理后的测试输出值；(6)利用建立的神经网络对有机朗肯循环的输出功率进行预测循环步骤(1)-(5)，将前一循环的数据重新纳入步骤(1)，将经过步骤(2)归一化处理后的7个运行参数输入到步骤(4)所建立的神经网络中，得到相应输出值后再按照步骤(5)进行反归一化处理，进而得到下一循环预测的输出功率；本专利技术的有益效果在于：与传统的热力学分析方法相比，本专利技术所搭建的神经网络模型能够快速、准确的预测有机朗肯循环输出功率，避免了对系统各部件的运行机理研究，并且能够显著提升工作效率和预测精度，为有机朗肯循环的优化提供可靠指导。附图说明图1是BP神经网络的结构图图2是BP神经网络模型的预测结果与试验结果对比图；具体实施方式本专利技术提供了一种基于BP神经网络的有机朗肯循环输出功率预测方法，下面结合车用内燃机有机朗肯循环余热回收系统的实施例来对本专利技术进行详细说明。以某车用柴油机的排气余热作为有机朗肯循环的热源，有机工质在蒸发器中吸收柴油机排气余热后变为饱和或过热蒸汽，随后进入膨胀机推动其做功，做功后的乏汽进入冷凝器被冷凝为饱和液态后回到储液罐中，工质泵再将工质抽出送到蒸发器中，此后，有机朗肯循环进行循环工作。(1)有机朗肯循环运行数据的采集在对有机朗肯循环运行数据进行采集的过程中，将柴油机的工况稳定在转速1900rpm，转矩900N.m，输出功率180kW。通过调节有机工质循环流量和膨胀机转矩，采集2100组有机朗肯循环系统运行的试验数据，包括：有机工质的体积流量膨胀机转矩(Torexp)、膨胀机入口压力(pexp,in)、膨胀机出口压力(pexp,out)、膨胀机入口温度(Texp,in)、冷凝器出口温度(Tcon,out)、工质泵出口压力(pp,out)和膨胀机输出功率调用MATLABR2010a的randperm函数从2100组试验数据中随机选取2000组作为训练样本，其余100组试验数据作为测试样本。(2)采集数据的归一化处理由于各参数的数量级相差较大，为了加快神经网络的收敛速度，将2100组试验数据进行归一化处理，使其转化为[0，1]区间内的对应值式中，Xmin为各参数的最小值，Xmax为各参数的最大值，X为各参数的采集数据，为各参数归一化处理后的数值。(3)BP神经网络的建立通过调用MATLABR2010a的newff函数建立基于BP神经网络的有机朗肯循环输出功率预测模型，该神经网络预测模型包括一个输入层、一个中间隐含层和一个输出层。其中，输入层包含7个神经元：有机工质的体积流量、膨胀机转矩、膨胀机入口压力、膨胀机出口压力、膨胀机入口温度、冷凝器出口温度、工质泵出口压力。输出层包含一个神经元，即有机朗肯循环的输出功率；隐含层传递函数为tansig，输出层传递函数为purelin。该神经网络预测模型可以通过调用MATLABR2010a神经网络工具箱实现。(4)神经网络的训练和测试设置神经网络最大训练次数为2000，训练目标误差为0.001，学习速率为0.3，学习函数选择L-M优化算法的trainlm。其中，训练目标误差采用均方误差进行评价：式中，Q为输入层神经元训练组数，Y(k)为神经网络预测值，t(k)为实际输出值。将步骤(2)中归一化处理后的训练数据输入到步骤(3)所建立的神经网络中进行训练，当均方误差小于训练目标误差0.001时，即认为神经网络训练完成。结果显示，经过3秒、160步训练后，网络的均方误差达到0.0本文档来自技高网...

【技术保护点】
1.一种基于BP神经网络的有机朗肯循环输出功率预测方法，其特征在于，包括如下步骤：(1)有机朗肯循环运行数据的采集采集有机朗肯循环系统运行过程中的多组试验数据，每组试验数据包括如下参数：有机工质的体积流量

【技术特征摘要】
1.一种基于BP神经网络的有机朗肯循环输出功率预测方法，其特征在于，包括如下步骤：(1)有机朗肯循环运行数据的采集采集有机朗肯循环系统运行过程中的多组试验数据，每组试验数据包括如下参数：有机工质的体积流量膨胀机转矩(Torexp)、膨胀机入口压力(pexp,in)、膨胀机出口压力(pexp,out)、膨胀机入口温度(Texp,in)、冷凝器出口温度(Tcon,out)、工质泵出口压力(pp,out)和膨胀机输出功率将上述多组试验数据随机分组，分为驯化处理组数据和测试组数据；(2)采集数据的归一化处理由于各参数的数量级相差较大，为了加快神经网络的收敛速度，需要对各参数进行归一化处理，使其转化为[0，1]区间内的对应值式中，Xmin为各参数的最小值，Xmax为各参数的最大值，X为各参数的采集数据，为各参数归一化处理后的数值；(3)BP神经网络的建立建立基于BP神经网络的有机朗肯循环输出功率的预测模型，该神经网络预测模型包括一个输入层、一个中间隐含层和一个输出层；其中，输入层包含7个神经元：有机工质的体积流量、膨胀机转矩、膨胀机入口压力、膨胀机出口压力、膨胀机入口温度、冷凝器出口温度、工质泵出口压力；输出层包含一个神经元，即有机朗肯循环的输出功率；隐含层传递函数为tansig，输出层传递函...

【专利技术属性】
技术研发人员：杨富斌，张红光，侯孝臣，田亚明，
申请(专利权)人：北京工业大学，
类型：发明
国别省市：北京,11