一种基于机器学习的环路热管太阳能温度除垢方法技术

本发明专利技术提供了一种基于机器学习的环路热管太阳能温度除垢方法，所述集热装置包括反射镜和集热管箱，所述集热装置包括除垢阶段，所述采取如下方式运行：在除垢阶段，采取如下方式运行：集热装置内部设置温度感知元件，用于检测集热装置内部的温度，所述温度感知元件与控制器进行数据连接，所述温度数据实时存储在数据库中，采用一维深度卷积神经网络提取数据特征，并进行模式识别，从而控制是否对集热管箱进行集热以进行除垢。本发明专利技术提供了一种新的智能控制集热装置振动除垢的系统，基于机器学习与模式识别的理论方法，根据集热装置不同的运行工况，利用集中集热装置实时监控系统中具有时间相关性的温度数据，设计出相应的集热装置工作模式(加热模式/不加热模式)，用大量的温度数据训练深度卷积神经网络，从而进行集热装置集热控制。装置集热控制。装置集热控制。

【技术实现步骤摘要】
一种基于机器学习的环路热管太阳能温度除垢方法


[0001]本专利技术属于太阳能领域，尤其涉及一种太阳能集热器系统。

技术介绍

[0002]随着现代社会经济的高速发展，人类对能源的需求量越来越大。然而煤、石油、天然气 等传统能源储备量不断减少、日益紧缺，造成价格的不断上涨，同时常规化石燃料造成的环 境污染问题也愈加严重，这些都大大限制着社会的发展和人类生活质量的提高。能源问题已 经成为当代世界的最突出的问题之一。因而寻求新的能源，特别是无污染的清洁能源已成为 现在人们研究的热点。
[0003]太阳能是一种取之不尽用之不竭的清洁能源，而且资源量巨大，地球表面每年收的太阳 辐射能总量为1
×
10
18
kW
·
h，为世界年耗总能量的一万多倍。世界各国都已经把太阳能的 利用作为新能源开发的重要一项。然而由于太阳辐射到达地球上的能量密度小(每平方米约 一千瓦)，而且又是不连续的，这给大规模的开发利用带来一定困难。因此，为了广泛利用太 阳能，不仅要解决技术上的问题，而且在经济上必须能同常规能源相竞争。
[0004]针对集热器的结构，现有技术已经进行了很多的研发和改进，但是整体来说集热能力不 足，而且还存在运行时间长容易结垢问题，影响集热效果。
[0005]无论哪种形式和结构的太阳能集热器，都要有一个用来吸收太阳辐射的吸收部件，集热 器的结构对太阳能的吸收起到重要的作用。
[0006]针对上述问题，本专利技术在前面专利技术的基础上进行了改进，提供了一种新的环路热管太阳 能集热系统，从而解决热管换热量低及其换热不均匀的问题。
[0007]在应用中发现，太阳能持续集热加热或者晚上不加热会导致内部流体形成稳定性，即流 体不再流动或者流动性很少，或者流量稳定，导致集热管振动性能大大减弱，从而影响集热 管的除垢以及加热的效率。因此需要对上述太阳能集热器进行改进。本申请人已经对此申请 了相关的专利。
[0008]但是，在实践中发现，通过固定性周期性以及参数或者参数差变化来调整管束的振动， 会出现滞后性以及周期会出现过长或者过短的情况。因此本专利技术对前面的申请进行了改进， 对振动进行智能型控制，从而使得内部的流体能够实现的频繁性的振动，从而实现很好的除 垢以及加热效果。

技术实现思路

[0009]本专利技术针对现有技术中的不足，提供一种新式结构的集热装置。该集热装置能够基于机 器学习与模式识别的理论方法，根据集热装置不同的运行工况，利用集热装置实时监控系统 中压力数据，设计出相应的集热运行模式，用大量的压力数据训练深度卷积神经网络，从而 进行集热装置除垢，提高热利用效果和除垢效果。
[0010]为实现上述目的，本专利技术采用如下技术方案：
[0011]一种基于机器学习的环路热管太阳能压力模式识别方法，所述集热装置包括反射
镜和集 热管箱，所述集热装置包括除垢阶段，所述采取如下方式运行：在除垢阶段，采取如下方式 运行：
[0012]所述压力感知元件与控制器进行数据连接，所述压力数据实时存储在数据库中，采用一 维深度卷积神经网络提取数据特征，并进行模式识别，从而控制是否对集热管箱进行集热以 进行除垢；
[0013]所述基于压力模式识别包括如下步骤：
[0014]1)数据准备：对数据库中的集热装置的压力数据进行重新审查和校验，对缺失数据、无 效数据、不一致数据进行纠正，保证数据的正确性以及逻辑上的一致性；
[0015]2)生成数据集：将准备好的数据分成训练集/训练集标签、检测集/检测集标签；
[0016]3)网络训练：将训练集数据输入卷积神经网络，不断经过卷积、池化，得到特征向量， 送入全连接网络。通过计算网络的输出与训练集标签，得到网络误差，利用误差反向传播算 法，不断修正网络权值、偏置、卷积系数、池化系数，使误差满足设定的精度要求，网络训 练完成；
[0017]4)网络检测：将检测集数据输入到已经训练好的网络中，输出检测结果；
[0018]5)集热器运行：根据检测结果控制是否对集热管箱进行集热以进行除垢。
[0019]作为优选，所述集热装置包括位于下部的集热管箱、左上管、右上管和放热管组，左上 管、右上管位于集热管箱的上部，所述放热管组包括左放热管组和右放热管组，左放热管组 与左上管和集热管箱相连通，右放热管组与右上管和集热管箱相连通，从而使得集热管箱、 左上管、右上管和放热管组形成加热流体封闭循环，所述放热管组为一个或多个，每个放热 管组包括圆弧形的多根放热管，相邻放热管的端部连通，使多根放热管形成串联结构，并且 使得放热管的端部形成放热管自由端；集热管箱包括第一管口和第二管口，第一管口连接左 放热管组的入口，第二管口连接右放热管组的入口，左放热管组的出口连接左上管，右放热 管组的出口连接右上管。
[0020]本专利技术具有如下优点：
[0021]1、本专利技术能够基于机器学习与模式识别的理论方法，根据集热装置不同的运行工况， 利用集热装置实时监控系统中压力数据，设计出相应的集热运行模式，用大量的压力数据训 练深度卷积神经网络，从而进行集热装置除垢，提高热利用效果和除垢效果。
[0022]2、本专利技术提出了新式结构的集热装置，该集热装置能够提高集热效果，提高集热管的 放热能力，减小能量的耗费。
[0023]3、一种新式结构的集热装置，通过在有限的空间设置更多的放热管组，增加管束的振 动范围，从而强化传热，增强除垢。
[0024]4、本专利技术通过流体流动方向上的放热管组管径以及间距分布的设置，可以进一步提高 换热效率。
[0025]5、本专利技术通过大量的实验和数值模拟，优化了集热装置的参数的最佳关系，从而实现 最优的加热效率。
附图说明：
[0026]图1为本专利技术集热装置的主视图。
[0027]图2
‑
1为本专利技术集热系统的集热主视图。
[0028]图2
‑
2为本专利技术集热系统的不集热主视图。
[0029]图2
‑
3为本专利技术优选的集热装置的集热主视图。
[0030]图2
‑
4为本专利技术优选的集热装置的不集热主视图。
[0031]图3为优选的液压泵的剖视图。
[0032]图中：1、放热管组，左放热管组11、右放热管组12、21、左上管，22，右上管，3、 自由端，4、自由端，5、自由端，6、自由端，7、放热管，8、集热管箱，9、箱体，10第一 管口，13第二管口，左回流管14，右回流管15，16反射镜，17支撑件；
[0033]24、右液压泵，25、左液压泵，26、右液压装置，27、左液压装置，28、右伸缩杆，29、 左伸缩杆，30、偏心轮，31、单向阀，32、油缸，33、截止阀，34、柱塞。
具体实施方式
[0034]下面结合附图对本专利技术的具体实施方式做详细的说明。
[0035]本文中，如果没有特殊说明，涉本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于机器学习的环路热管太阳能温度除垢方法，所述集热装置包括反射镜和集热管箱，所述集热装置包括除垢阶段，所述采取如下方式运行：在除垢阶段，采取如下方式运行：集热装置内部设置温度感知元件，用于检测集热装置内部的温度，所述温度感知元件与控制器进行数据连接，所述温度数据实时存储在数据库中，采用一维深度卷积神经网络提取数据特征，并进行模式识别，从而控制是否对集热管箱进行集热以进行除垢。所述基于温度模式识别包括如下步骤：1)数据准备：对数据库中的集热装置的温度数据进行重新审查和校验，对缺失数据、无效数据、不一致数据进行纠正，保证数据的正确性以及逻辑上的一致性。2)生成数据集：将准备好的数据分成训练集/训练集标签、检测集/检测集标签。3)网络训练：将训练集数据输入卷积神经网络，不断经过卷积、池化，得到特征向量，送入全连接网络。通过计算网络的输出与训练集标签，得到网络误差，利用误差反向传播算法，不断修正网络权值、偏置、卷积系数、池化系数，使误差满足设定的精度要求，网络训练完成。4)网络检测：将检测集数据输入到已经训练好的网络中，输出检测结果标签。5)集热器运行：根据检测结果标签控制是否对集热管箱进行集热以进行除垢。2.如权利要求1所述的一种基于机器学习的环路热管太阳能温度模式识别方法，数据准备步骤具体包含如下处理：1)缺失数据的处理：由于网络传输的故障，数据库中会出现缺失值。对缺失的数据值，采用估算的方法，用样本均值代替缺失值；2)无效数据的处理：由于传感器的故障，导致数据库中的温度数据出现无效值，比如负值或者超出了理论上的最大值，此时对于这些值，将其从数据库中删除；3)不一致数据的处理：借助数据库管理系统的完整性约束机制，检查不一致数据，然后参考数据库中相应的数据值进行纠正。3.如权利要求2所述的一种基于机器学习的环路热管太阳能温度模式识别方法，在集热装置中，室外温度高的集热温度一定大于室外温度低的集热温度，如果数据库中室外温度高的集热温度小于室外温度低的集热温度，此时可以借助数据库管理系统的完整性约束中的检查约束机制，给出用户错误提示，用户根据错误提示，用预估数据或者相应温度的临界温度数据值代替这种不一致数据的温度数据值。4.如权利要求1所述的一种基于机器学习的环路热管太阳能温度模式识别方法，生成数据集步骤包括如下步骤：1)生成训练集数据及标签：根据集热装置不同的运行工况，从数据库中读取对应工况的温度数据值，生成各种工况状态下的训练集数据以及工况标签。作为优选，在具体应用中，我们将运行工况分为标签为1，进行集热装置集热，标签为2，集热装置不集热。程序根据不同的工况，自动生成工况标签；作为优选，所述数据包括不同工况下内部的集热装置内的流体的蒸发基本达到了饱和的数据。工况包括季节、天气、时间等至少之一；2)生成检测集数据及标签：根据集热装置不同的运行工况，从数据库中读取对应工况的温度数据值，生成各种工况状态下的检测集数据以及工况标签。其中工况标签同训练集
工况标签一样，由程序根据运行工况自动生成。5.如权利要求4所述的一种基于机器学习的环路热管太阳能温度模式识别方法，作可以判断是否集热装置内流体的蒸发达到了饱和，未达到了饱和，标签为1，达到了饱和，标签为2。6.如权利要求1所述的一种基于机器学习的环路热管太阳能温度模式识别方法，网络训练具体步骤如下：1)读入一组训练集数据d，其大小为[M

【专利技术属性】
技术研发人员：郭春生，薛丽红，马军，韩卓晟，逯晓康，刘百川，
申请(专利权)人：山东大学，
类型：发明
国别省市：