一种DSG槽式光热电站集热场工质参数预测方法技术

本发明专利技术公开一种DSG槽式光热电站集热场工质参数预测方法，包括：S1获取DSG槽式光热电站的工质相关参数历史数据；S2建立DSG槽式光热电站集热器的传热和水动力耦合稳态机理模型；S3搭建用于学习集热器入口工质压力和出口工质温度的神经网络，并利用S1获取的工质相关参数历史数据，和S2建立的传热和水动力耦合稳态机理模型，对搭建的神经网络进行训练；S4利用传热和水动力耦合稳态机理模型以及神经网络，组建用于预测集热器入口压力和出口温度的神经网络预测模型；S5获取待预测的DSG槽式光热电站集热器的已知工质相关参数数据，作为神经网络预测模型的输入量，对DSG槽式光热电站集热器的出口工质温度和入口工质压力进行预测。本发明专利技术可提高DSG槽式光热电站集热场工质参数预测的预测效率和精确度。

A prediction method for working parameters of DSG trough optical and thermal power station

The invention discloses a method for predicting the parameters of the thermal field of DSG trough type light and power station, including: S1 obtains the historical data of the parameters related to the working quality of the DSG trough type light and power station; S2 establishes the heat transfer and hydrodynamic coupling steady-state mechanism model of the DSG trough type photothermal power plant collector; S3 is used to build the pressure and export workers at the entrance of the study collector. The neural network of mass temperature, and the historical data of the parameters related parameters obtained by S1, and the model of the heat transfer and hydrodynamic coupling steady state mechanism established by S2 to train the constructed neural network; S4 is used to predict the inlet pressure and exit of the collector by using the heat transfer and hydrodynamic coupling steady-state mechanism model and the neural network. The neural network prediction model of temperature is used, and S5 obtains the known parameters of the known working parameters of the DSG trough type thermal power plant collector. As the input of the neural network prediction model, the temperature of the outlet working quality and the inlet pressure of the DSG trough type photothermal power plant collector are predicted. The invention can improve the prediction efficiency and accuracy of the parameters prediction of the working parameters of the DSG trough optical and thermal power station.

【技术实现步骤摘要】
一种DSG槽式光热电站集热场工质参数预测方法
本专利技术涉及光热电站功率预测
，特别是一种基于传热机理和深度神经网络的DSG槽式光热电站集热场工质参数预测方法。
技术介绍
直接蒸汽发电(DirectSteamGeneration,DSG)槽式太阳能热发电系统(槽式系统)作为一种新型的槽式系统，其基本原理是利用抛物线型槽式聚光器将太阳光聚焦到吸热管上，直接加热吸热管内的工质水，直至产生蒸汽推动汽轮发电机组发电。其中，由聚光器与集热管组成的装置称为DSG槽式太阳能聚光集热器(即DSG槽式集热器)，多组DSG槽式集热器按一定方式排列在一起，组成DSG槽式系统集热场。由于DSG槽式系统具有以下优势：用水替代导热油，消除了环境污染风险；省略了油/蒸汽换热器及其附件等，电站投资大幅下降；简化了系统结构，大幅降低了电站投资和运营成本；具有更高的蒸汽温度，电站发电效率较高。因此，DSG槽式系统是今后槽式系统发展的重点方向。对DSG槽式光热电站进行功率预测是DSG槽式光热电站优化调度的基础工作，而DSG槽式光热电站集热场工质参数预测是功率预测的基础和关键。目前，由于DSG槽式光热电站正处于示范发展阶段，其运行数据并不多见，因此国内外均多采用机理模型对发电功率进行预测。Heinzel等建立了抛物线型槽式集热器的光学模型，并利用该光学模型和基本热损模型对导热油工质的LS2型槽式集热器进行了模拟，与Sandia国家实验室的实验数据基本吻合。Odeh在1996年至2003年之间的五篇论文中，分析了SEGS电站槽式集热器的热力学性质，建立了以管壁温度作为自变量的槽式集热器热力学稳态模型，该模型经与Sandia实验室导热油工质LS2型槽式集热器实验数据比较，验证了模型的正确性；根据集热管的发射率、风速、集热管管壁温度和辐射强度建立了以管壁温度为自变量的槽式集热器热损模型及效率模型，所建模型是根据管壁温度拟合的热损失曲线而不是基于工作介质的平均温度，这样扩大了模型的适用范围，适合于预测以任意流体作为工作介质的槽式集热器性能；建立了DSG槽式集热器的水动力稳态模型(包括流态模型和压降模型)，并与热力学模型联立建立了DSG槽式系统的统一模型，优化了直通式DSG槽式集热器的设计，提出了DSG集热器的稳态运行策略。Bonilla设计开发了一个基于面向对象的数学模型的DSG槽式太阳能热发电站的动态仿真方案。该动态仿真方案包含面向对象的数学模型，采集并转换传感器数据作为模型的输入并针对如何获得适合的边界条件问题的初值等，利用matlab开发了一些测试工具。并利用多目标遗传算法校准动态模型。Eck建立了再循环模式DSG槽式集热器的非线性分布参数模型，为了获得灵活且鲁棒性强的仿真模型，建立了显式的微分方程组。近年来，随着我国对太阳能热发电技术研究的深入，国内学者也逐步开始了对槽式集热器的研究。徐涛以槽式集热器的散焦现象为切入点，对集热管表面光学聚光比分布开展理论分析和计算机模拟研究，建立了光学聚光比的数学模型。但该数学模型有一定的适应条件，且模拟程序收敛时间长。韦彪以直通模式DSG槽式集热器为研究对象，基于集热器管内水工质的流型与传热特性，建立了DSG槽式集热器稳态传热模型。李明建立了槽式集热器的稳态数学模型，并利用实验验证了模型的正确性，但实验验证槽式集热器的出口温度选在40-100℃之间，不能准确反映DSG槽式集热器出口温度一般在400℃左右的实际情况。熊亚选通过分析槽式太阳能集热管热损失的计算方法和传热过程，建立了槽式太阳能集热管传热损失性能计算分析的二维稳态经验模型，模型的计算结果与试验数据基本一致，验证了模型的有效性。杨宾在传统槽式集热器研究的基础上，针对集热管内水在流动吸热的过程中状态变化，建立了管内一维稳态两相流动与传热模型。崔映红在对DSG槽式集热器中水的流型分析的基础上，进行了水在不同状态下对流换热系数计算模型的研究。利用传热热阻原理分析了DSG槽式集热器热损的计算方法，建立了稳态热传导模型，并对直通模式和再循环模式连接的DSG槽式集热器的压降进行了分析。梁征分别建立了导热油工质槽式集热器的一维传热动态模型和水工质DSG槽式集热器的一维多相流动与传热动态模型。导热油工质模型与实验数据吻合较好，但DSG槽式集热器模型与实验数据相比误差较大。从以上现有技术可以看出，国内外在功率预测方面还停留在机理建模的阶段。工质为油的槽式集热器及发电系统的机理建模已经比较完善，而工质为水的DSG槽式集热器及热发电系统的机理建模还在发展中。目前，由于运行数据的缺乏，国内外关于DSG槽式电站功率预测的人工智能模型还很少见，在公开资料中还未见采用人工智能与机理模型相结合的方法预测电站主要参数或发电功率的相关研究。
技术实现思路
本专利技术要解决的技术问题为，将DSG槽式系统的稳态机理模型与人工智能模型相结合，利用稳态机理模型获取包含机理因素的出口参数先验值，将此先验值作为深度神经网络模型输入的一部分，实现对DSG槽式光热电站出口工质的预测，提高预测效率和精确度。本专利技术采取的技术方案为：一种DSG槽式光热电站集热场工质参数预测方法，包括：S1，获取DSG槽式光热电站的工质相关参数历史数据，所述工质相关参数历史数据包括对应多个连续时刻的太阳直射辐照强度DNI、系统入口工质流量FI、入口工质温度TI、入口工质压力PI、出口工质压力PO和出口工质温度TO；S2，基于S1获取的工质相关参数历史数据，建立DSG槽式光热电站集热器的传热和水动力耦合稳态机理模型，所述传热和水动力耦合稳态机理模型的输入量包括太阳直射辐照强度DNI、系统入口工质流量FI、入口工质压力PI和入口工质温度TI，输出量为系统机理先验温度T1和机理先验压力P1；S3，搭建用于学习集热器入口工质压力和出口工质温度的神经网络；神经网络的输入量包括：传热和水动力耦合稳态机理模型输出的系统机理先验温度和机理先验压力，太阳直射辐照强度DNI及其差分值，以及系统入口工质流量FI及其差分值；神经网络的输出量为集热器出口工质预测温度T_F和集热器入口工质预测压力P_F；利用S1获取的工质相关参数历史数据，和S2建立的传热和水动力耦合稳态机理模型，对搭建的神经网络进行训练；S4，利用S2建立的传热和水动力耦合稳态机理模型，以及S3训练得到的神经网络，组建用于预测集热器入口压力和出口温度的神经网络预测模型；S5，获取待预测的DSG槽式光热电站集热器的已知工质相关参数数据，作为S4组建的神经网络预测模型的输入量，对DSG槽式光热电站集热器的出口工质温度和入口工质压力进行预测。优选的，S2包括步骤：S21，定义DSG槽式光热电站集热器中，F为管内截面积，Dab，i为金属管内径，T为管内工质温度，H为管内工质比焓，为管内工质质量流量，P为工质压力，ω为工质流速，x为工质的质量含气率，ρ为工质密度，Q1为单位时间单位管长太阳辐射向管壁金属的放热量，Q2为单位时间单位管长管壁金属向管内工质的放热量，y为管长方向长度，r为管壁径向，Idirect为聚光器开口面上的太阳直射辐射强度，B为聚光器开口宽度，ηopt为DSG集热器的光学效率，Kτα为入射角修正系数，q1为DSG集热器的热力学损失，Dab，o为吸热管外径；则传热和水本文档来自技高网...

【技术保护点】
一种DSG槽式光热电站集热场工质参数预测方法，其特征是，包括：S1，获取DSG槽式光热电站的工质相关参数历史数据，所述工质相关参数历史数据包括对应多个连续时刻的太阳直射辐照强度DNI、系统入口工质流量FI、入口工质温度TI、入口工质压力PI、出口工质压力PO和出口工质温度TO；S2，基于S1获取的工质相关参数历史数据，建立DSG槽式光热电站集热器的传热和水动力耦合稳态机理模型，所述传热和水动力耦合稳态机理模型的输入量包括太阳直射辐照强度DNI、系统入口工质流量FI、入口工质压力PI和入口工质温度TI，输出量为系统机理先验温度T1和机理先验压力P1；S3，搭建用于学习集热器入口工质压力和出口工质温度的神经网络；神经网络的输入量包括：传热和水动力耦合稳态机理模型输出的系统机理先验温度和机理先验压力，太阳直射辐照强度DNI及其差分值，以及系统入口工质流量FI及其差分值；神经网络的输出量为集热器出口工质预测温度T_F和集热器入口工质预测压力P_F；利用S1获取的工质相关参数历史数据，和S2建立的传热和水动力耦合稳态机理模型，对搭建的神经网络进行训练；S4，利用S2建立的传热和水动力耦合稳态机理模型，以及S3训练得到的神经网络，组建用于预测集热器入口工质压力和出口工质温度的神经网络预测模型；S5，获取待预测的DSG槽式光热电站集热器的已知工质相关参数数据，作为S4组建的神经网络预测模型的输入量，对DSG槽式光热电站集热器的出口工质温度和入口工质压力进行预测。...

【技术特征摘要】
1.一种DSG槽式光热电站集热场工质参数预测方法，其特征是，包括：S1，获取DSG槽式光热电站的工质相关参数历史数据，所述工质相关参数历史数据包括对应多个连续时刻的太阳直射辐照强度DNI、系统入口工质流量FI、入口工质温度TI、入口工质压力PI、出口工质压力PO和出口工质温度TO；S2，基于S1获取的工质相关参数历史数据，建立DSG槽式光热电站集热器的传热和水动力耦合稳态机理模型，所述传热和水动力耦合稳态机理模型的输入量包括太阳直射辐照强度DNI、系统入口工质流量FI、入口工质压力PI和入口工质温度TI，输出量为系统机理先验温度T1和机理先验压力P1；S3，搭建用于学习集热器入口工质压力和出口工质温度的神经网络；神经网络的输入量包括：传热和水动力耦合稳态机理模型输出的系统机理先验温度和机理先验压力，太阳直射辐照强度DNI及其差分值，以及系统入口工质流量FI及其差分值；神经网络的输出量为集热器出口工质预测温度T_F和集热器入口工质预测压力P_F；利用S1获取的工质相关参数历史数据，和S2建立的传热和水动力耦合稳态机理模型，对搭建的神经网络进行训练；S4，利用S2建立的传热和水动力耦合稳态机理模型，以及S3训练得到的神经网络，组建用于预测集热器入口工质压力和出口工质温度的神经网络预测模型；S5，获取待预测的DSG槽式光热电站集热器的已知工质相关参数数据，作为S4组建的神经网络预测模型的输入量，对DSG槽式光热电站集热器的出口工质温度和入口工质压力进行预测。2.根据权利要求1所述的方法，其特征是，S2包括步骤：S21，定义DSG槽式光热电站集热器中，F为管内截面积，Dab,i为金属管内径，T为管内工质温度，H为管内工质比焓，为管内工质质量流量，P为工质压力，ω为工质流速，x为工质的质量含气率，ρ为工质密度，Q1为单位时间单位管长太阳辐射向管壁金属的放热量，Q2为单位时间单位管长管壁金属向管内工质的放热量，y为管长方向长度，r为管壁径向，Idirect为聚光器开口面上的太阳直射辐射强度，B为聚光器开口宽度，ηopt为DSG集热器的光学效率，Kτα为入射角修正系数，q1为DSG集热器的热力学损失，Dab,o为吸热管外径；则传热和水动力耦合稳态机理模型包括：金属管管壁外侧的能量方程：Q1＝IdirectBηoptKτα；Q2＝Q1-ql·πDab,o；金属管内传热和水动力模型，包括：质量守恒方程：能量守恒方程：动量守恒方程：Pd为单位管长的摩擦压降；管内传热方程：Q2＝h·πDab,i(Twall-T)，h为传热系数，Twall为金属管壁温；S22，确定管内传热方程中的传热系数h：单相流体区域的传热系数由Dittus-Boelter关系式表示，即：Re为金属管内工质的雷诺数，Pr为金属管内工质的普朗特数，k为导热系数；两相流体区域的传热系数为：h＝h′B+h′1式中，h′E＝hBS，hB为水的核态沸腾传热系数；h′1＝h1F，hl为饱和水传热系数；S为限制因子，F为增强因子；S23，确定热力学损失q1：ql＝(a+c·Vwind)(Tj-Ta)+εab·b·(Tj4-Tsky4)式中，Vwind为风速；Ta为环境温度；εa...

【专利技术属性】
技术研发人员：郭苏，段逸群，刘德有，许昌，
申请(专利权)人：河海大学，
类型：发明
国别省市：江苏,32