热电发电机的性能预测及优化方法技术

本发明专利技术涉及一种热电发电机的性能预测及优化方法，该方法将综合代理模型与

【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]以汽车尾气废热回收为例，
TEG
系统两侧的温度
(T
1 and T2)
几乎是确定的，依据牛顿冷却定律
(1)
可知，为了实现强化传热，需要增大传热面积
A
或者加强传热系数
K。
因此，大量的学者参照来完成热端换热器的结构设计，用以提升热电性能
。
[0005][0006]如专利
(CN202210884177.7)
一种在换热器内部添加螺旋纽带以增强传热的环形热电发电机性能优化方法和专利
(CN202010603921.2)
一种在换热器管道壁安插非均匀分布翅片来改善传热效果的热电发电机优化方法
。
[0007]然而，
TEG
系统涉及到了复杂且耗时的计算，尤其是在与智能算法耦合进行优化的过程中往往需要进行数万次的三维数值模拟，并且这样费时费力的优化工作仅限定于某一种特定的边界条件，当边界条件发生改变时，需要重复计算过程
。
因此，将系统层级的
TEG
与代理模型相融合来实现快速预测和优化更具有实际意义
。
此外，传统的代理模型仅能从数据层面构建设计变量与目标函数值之间的映射，而无法提供二维及以上的物理场信息
。
事实上，系统层级的
TEG
是一个涉及到温度场
、
流场
、
电场相互耦合的复杂物理模型，而模拟换热器内部的热流和压力分布有助于从机理层面解释设计优化，并且可以提供直观的可视化反馈
。
因此，有必要探索一个既能实现
TEG
系统输出性能的高精度预测及快速优化，又能快速实现
TEG
内部物理场分布的高维非线性映射的综合代理模型
。

技术实现思路

[0008]为解决以上问题，本专利技术提供一种热电发电机的性能预测及优化方法，通过综合代理模型来实现含螺旋纽带的环形热电发电机
(TT
‑
ATEG)
的输出性能优化以及热力学分
[0019][0020]表2[0021][0022]作为优选，步骤
S2
中，还包括以下步骤：
[0023]步骤
S21
：确定
ANN
模型和
cGAN
模型的架构和配置；
[0024]步骤
S22
：完成对
ANN
模型和
cGAN
模型的训练，并验证预测精度
。
[0025]进一步的，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；
[0026]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
5000
次；
cGAN
模型由生成器和鉴别器组成，模型的训练本质上是生成器和鉴别器之间的对抗性优化过程；求解器来持续优化生成器和鉴别器的权值和偏差参数，并依次对目标函数进行最小化和最大化取值，以此交替迭代地训练并更新网络，建立一个对抗过程，并且最终将达到“纳什均衡”；此时，
cGAN
模型的预测结果与真实结果相似，难以分辨
。
[0027]进一步的，步骤
S22
中，引入均方误差
(MSE)
和决定系数
(R2)
来衡量
ANN
模型的预测精度
。
引入结构相似度
(SSIM)
来衡量
cGAN
模型的预测精度
。
表达式如下：
[0028][0029][0030][0031][0032]式中：
N
为数据点的个数，
f
COMSOL
为
COMSOL
计算值，代表
f
COMSOL
的平均值，
f
ANN
为
ANN
预测值，
μ
a
和
μ
b
是
a
和
b
的平均值，
σ
a
和
σ
b
是
a
和
b
的方差，而
σ
ab
是
a
和
b
的协方差；
c1＝
(k1L)2,c2＝
(k2L)2是用于保持稳定性的常数，其中：
L
是像素值的动态范围，
k1和
k2的值分别为
0.01
和
0.本文档来自技高网...

【技术保护点】

【技术特征摘要】
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

【专利技术属性】
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：