【技术实现步骤摘要】
热电发电机的性能预测及优化方法
[0001]本专利技术涉及一种热电转换废热回收
,尤其涉及一种热电发电机的性能预测及优化方法
。
技术介绍
[0002]大量使用化石燃料导致全球面临能源短缺和环境污染两大难题,因此越来越多的研究人员聚焦于开发绿色清洁能源和提高能源利用效率,而热电发电
(Thermo Electric Generator
,
TEG)
就是提高能源利用效率的途径之一
。
热电发电是能源领域的一个重要研究方向,可以将低品位热能直接转换成电能,有效利用工业余热
、
地热能
、
潮汐能
、
太阳能和海洋能发电
。
[0003]受限于热电材料品质因数
(ZT)
,
TEG
系统性能仍然较低,这极大地阻碍了
TEG
系统的商业化推广
。
因此有必要对
TEG
系统的结构进行优化以提高其输出性能
。
通常,
TEG
系统的结构优化包括热交换器和热电模块
(TEM)
的优化
。
作为能量传递单元,热交换器的作用是吸收热流体中的废热,然后将其传递到
TEM。
因此,改善换热器与热流体之间的传热是提高换热器性能的最有效途径
。
同时,热交换器中的压降应尽可能低,以避免影响其他部件的正常运行
。
[0004]以 ...
【技术保护点】
【技术特征摘要】 【专利技术属性】
1.
一种热电发电机的性能预测及优化方法,其特征在于:包括以下步骤:
S1
:生成数据库:为了构建数据库供综合代理模型训练,通过
COMSOL Multiphysics
对一系列具有不同参数的热电系统数值模型进行建模并完成仿真模拟,将相应数据导出以构成原始数据库;
S2
:构建综合代理模型:该模型主要由基于参数的
ANN
模型和基于图像的
cGAN
模型组成,其中:
ANN
模型实现了由输入变量到输出变量的数据映射,输入变量包括入口流速
T
in
、
入口速度
V
in
、
长度
L、
半径
R
和纽率
aa
,输出变量包括净功率
P
net
和效率
η
;
cGAN
模型实现了热电系统内部换热器截面几何轮廓到对应的压力
p
与热流分布
q
的图像映射;在实现性能预测的同时又辅以机理解释;
S3
:性能预测及优化:当综合代理模型经过训练和验证,满足了模型精度后,则将其用于快速预测和优化;在预测部分,
ANN
模型用于预测不同
T
in
和
V
in
条件下,
TT
‑
ATEG
的
P
net
、
η
随螺旋纽带的
L,R,aa
的变化趋势;而
cGAN
模型则根据
ANN
提供的设计参数实现相应的物理场分布预测,并进行相应的热力学分析;在优化部分,采用
non
‑
dominated sorting genetic algorithm II
来完成多目标优化的工作,搜索能够使
TT
‑
ATEG
获得最大净功率和输出效率的螺旋纽带几何结构参数,并将得到的螺旋纽带最优结构参数作为
cGAN
模型的输入,实现快速物理场重构,将结果可视化以便从机理层面解析螺旋纽带增强传热的原理
。2.
根据权利要求1所述的热电发电机的性能预测及优化方法,其特征在于:步骤
S1
还包括以下步骤:步骤
S11
:确定
ANN
模型以及
cGAN
模型的输入和输出;步骤
S12
:确定数据库的构成方式
。3.
根据权利要求2所述的热电发电机的性能预测及优化方法,其特征在于:步骤
S11
中,选择几何参数和边界条件参数作为输入,几何参数包括螺旋纽带的长度
L、
半径
R
和纽率
aa
,边界条件参数包括入口温度
T
in
和入口流速
V
in
;并选用净功率
P
net
和转换效率
η
作为
TT
‑
ATEG
的输出性能评价指标,同时,选择换热器内部的压力分布
p
和热流分布
q
用以探究螺旋纽带增强传热的机理分析
。4.
根据权利要求2所述的热电发电机的性能预测及优化方法,其特征在于:步骤
S12
中,将5个输入参数进行组合,总共5×5×5×5×5=
3125
种组合方式,并通过
COMSOL Multiphysics
中搭建的
TT
‑
ATEG
数值模型来生成原始数据库;将每个组合对应的
P
net
和
η
导出用于
ANN
数据建模,将部分组合对应的压力分布图和热流分布图导出,并经过后处理成
256
×
256
×1的图像,用于
cGAN
图像建模
。5.
根据权利要求1所述的热电发电机的性能预测及优化方法,其特征在于:步骤
S2
还包括以下步骤:步骤
S21
:确定
ANN
模型和
cGAN
模型的架构和配置;步骤
S22
:完成对
ANN
模型和
cGAN
模型的训练,并验证预测精度
。6.
根据权利要求5所述的热电发电机的性能预测及优化方法,其特征在于:步骤
S21
中,
ANN
模型配置为:包含3层隐藏层,每层神经元数量为6个;学习率设为
0.1
,批量大小为
64
,迭代
2000
次;并按照
7:3
的比例将数据集划分为训练集和测试集,基于训练数据,反向传播更新每个神经元的权重和偏置来优化网络参数;基于测试数据,验证
ANN
模型经过充分训练后的拟合精度;此外,为了防止训练过程中模型的过拟合或者欠拟合,从训练集中随机取部分
数据作为验证集;
cGAN
模型的配置为:初始学习率设为
0.0002
,生成器的正则化权值设为
100
,鉴别器的正则化权值设为1,批量大小为1,迭代
技术研发人员:谢长君,徐澳琪,徐俊扬,朱文超,杨文龙,杨扬,杜帮华,石英,黄亮,
申请(专利权)人:武汉理工大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。