【技术实现步骤摘要】
本专利技术属于锅炉燃烧过程控制，具体涉及一种超临界二氧化碳锅炉传热特性预测方法和系统。
技术介绍
1、目前超临界co2锅炉已有传热关联式大多是对传热实验数据进行多元线性回归所得到，但是由于超临界工质物性的强非线性的变化特征促使关联式往往存在对于其他学者实验研究所得到的实验数据往往存在过度拟合或者欠拟合的问题，并不能够十分准确的预测超临界流体传热特征。
2、随着计算机学科近年来的快速发展，神经网络的出现为超临界流体传热预测模型的建立开创了新的发展方向。ann神经网络实现了输入输出的非线性映射，可以利用神经网络来逼近任何一个非线性的连续函数。ann神经网络使用了梯度下降算法，使得我们可以对参数进行优化以减小误差，比传统的多远线性回归拟合具有更高精度的拟合结果。ann神经网络可以利用较少的样本数据来训练生成网络，并且该网络能在一定的适用范围内保证一定的高精度；此外ann神经网络具有更高的泛化能力，是与各种参数之间存在一定的关系，当新的数据进入神经网络进行训练时，神经网络能够在调整权值从而适应更多的数据，对于非线性系统更具有普适性。
技术实现思路
1、有鉴于此，本专利技术旨在提出一种超临界二氧化碳锅炉传热特性预测方法和系统，结合ann神经网络技术实现超临界co2锅炉传热特性的准确预测。
2、为了解决上述技术问题，本专利技术提供以下技术方案：
3、第一方面，本专利技术提供了一种超临界二氧化碳锅炉传热特性预测方法，包括如下步骤：
4、获取待预测的
5、将传热预测参数输入到预先训练好的超临界二氧化碳传热神经网络回归模型中，得到模型输出的结果；
6、对模型输出的所有结果进行拟合，基于d-b强制对流传热经验关联式建立得到超临界二氧化碳锅炉传热关联式；
7、基于超临界二氧化碳锅炉传热关联式得到待预测的超临界二氧化碳锅炉的传热特性。
8、进一步的，超临界二氧化碳传热神经网络回归模型基于ann神经网络训练得到，超临界二氧化碳传热神经网络回归模型的训练过程，具体包括如下步骤：
9、对ann神经网络进行初始化，并随机选出输入样本，输入样本从超临界二氧化碳锅炉的传热实验数据得到；
10、设置迭代次数；
11、向前求出各个隐藏层以及输出层的输出；
12、求出输出层与预期输出值的偏差；
13、反向传播误差，求出每个隐藏层的误差；
14、调整神经元的权重和偏置；
15、输入下一个样本不断进行迭代训练，直至样本训练结束，得到超临界二氧化碳传热神经网络回归模型。
16、进一步的，传热实验数据至少包括：雷诺数、普朗特数、密度比、比热容比、粘度比、浮升力无量纲准则数。
17、进一步的，超临界二氧化碳传热神经网络回归模型包括：一个输入层，一个或者多个的隐藏层和一个输出层；
18、输入层至少包括6个神经元，输入层的神经元与传热实验数据一一对应；
19、隐藏层的神经元个数为300个；
20、输出层的神经元个数为1个，对应的是努塞尔数。
21、进一步的，超临界二氧化碳锅炉传热关联式在d-b强制对流传热经验关联式的基础上，引入了密度比值修正因子、比热容比值修正因子和浮升力准则数。
22、进一步的，超临界二氧化碳锅炉传热关联式，具体如下：
23、
24、
25、log sig(n)＝1/(1+exp(n))
26、
27、式中，nub为努塞尔数，reb是雷诺数，prb是普朗特数，是密度比，是比热容比，是粘度比，bo*是浮升力准则数，w2、w1、b1、b2均为矩阵，sig()是激活函数，exp()为指数函数，n为神经元数量，x为输入向量。
28、进一步的，超临界二氧化碳传热神经网络回归模型的适用范围，具体为：实验管段入口压力范围为7.5～10.5mpa；质量流速的范围为50～200kg·m-2·s-1；热流密度的范围为5～100kw/m2。
29、第二方面，本专利技术提供一种超临界二氧化碳锅炉传热特性预测系统，其特征在于，包括：
30、数据获取单元，用于获取待预测的超临界二氧化碳锅炉的传热预测参数；
31、模型预测单元，用于将传热预测参数输入到预先训练好的超临界二氧化碳传热神经网络回归模型中，得到模型输出的结果；
32、拟合单元，用于对模型输出的所有结果进行拟合，基于d-b强制对流传热经验关联式建立得到超临界二氧化碳锅炉传热关联式；
33、传热特性获取单元，用于基于超临界二氧化碳锅炉传热关联式得到待预测的超临界二氧化碳锅炉的传热特性。
34、进一步的，训练超临界二氧化碳传热神经网络回归模型时使用的传热数据至少包括：雷诺数、普朗特数、密度比、比热容比、粘度比、浮升力无量纲准则数。
35、进一步的，超临界二氧化碳锅炉传热关联式，具体如下：
36、
37、
38、log sig(n)＝1/(1+exp(n))
39、
40、式中，nub为努塞尔数，reb是雷诺数，prb是普朗特数，是密度比，是比热容比，是粘度比，bo*是浮升力准则数，w2、w1、b1、b2均为矩阵，sig()是激活函数，exp()为指数函数，n为神经元数量，x为输入向量。
41、综上，本专利技术提供了一种超临界二氧化碳锅炉传热特性预测方法和系统，该方法包括获取待预测的超临界二氧化碳锅炉的传热预测参数；将传热预测参数输入到预先训练好的超临界二氧化碳传热神经网络回归模型中，得到模型输出的结果；对模型输出的所有结果进行拟合，基于d-b强制对流传热经验关联式建立得到超临界二氧化碳锅炉传热关联式；基于超临界二氧化碳锅炉传热关联式得到待预测的超临界二氧化碳锅炉的传热特性。本专利技术利用ann神经网络对超临界二氧化碳锅炉的传热数据进行准确预测，能够适应于不同实验数据，所拟合出的关联式能够准确预测超临界流体传热特征。
本文档来自技高网...【技术保护点】
1.一种超临界二氧化碳锅炉传热特性预测方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的超临界二氧化碳锅炉传热特性预测方法，其特征在于，所述超临界二氧化碳传热神经网络回归模型基于ANN神经网络训练得到，所述超临界二氧化碳传热神经网络回归模型的训练过程，具体包括如下步骤：
3.根据权利要求2所述的超临界二氧化碳锅炉传热特性预测方法，其特征在于，所述传热实验数据至少包括：雷诺数、普朗特数、密度比、比热容比、粘度比、浮升力无量纲准则数。
4.根据权利要求2所述的超临界二氧化碳锅炉传热特性预测方法，其特征在于，所述超临界二氧化碳传热神经网络回归模型包括：一个输入层，一个或者多个的隐藏层和一个输出层；
5.根据权利要求1所述的超临界二氧化碳锅炉传热特性预测方法，其特征在于，所述超临界二氧化碳锅炉传热关联式在所述D-B强制对流传热经验关联式的基础上，引入了密度比值修正因子、比热容比值修正因子和浮升力准则数。
6.根据权利要求1所述的超临界二氧化碳锅炉传热特性预测方法，其特征在于，所述超临界二氧化碳锅炉传热关联式，具体如下：<...
【技术特征摘要】
1.一种超临界二氧化碳锅炉传热特性预测方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的超临界二氧化碳锅炉传热特性预测方法，其特征在于，所述超临界二氧化碳传热神经网络回归模型基于ann神经网络训练得到，所述超临界二氧化碳传热神经网络回归模型的训练过程，具体包括如下步骤：
3.根据权利要求2所述的超临界二氧化碳锅炉传热特性预测方法，其特征在于，所述传热实验数据至少包括：雷诺数、普朗特数、密度比、比热容比、粘度比、浮升力无量纲准则数。
4.根据权利要求2所述的超临界二氧化碳锅炉传热特性预测方法，其特征在于，所述超临界二氧化碳传热神经网络回归模型包括：一个输入层，一个或者多个的隐藏层和一个输出层；
5.根据权利要求1所述的超临界二氧化碳锅炉传热特性预测方法，其特征在于，所述超临界二氧化碳锅炉传热关联式在所述d-b强制对流传热经验关联式的基础上，引入了密度比值修正因子、比热容比值修正因子和...
【专利技术属性】
技术研发人员：李德波，陈拓，张宏亮，陈兆立，陈智豪，陈刚，金凤雏，宋景慧，成明涛，
申请(专利权)人：南方电网电力科技股份有限公司，
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。