【技术实现步骤摘要】
本专利技术涉及低温余热发电系统控制工程，特别是指一种基于自适应动态规划算法的低温余热发电系统过热度控制方法。
技术介绍
1、余热作为一种典型的二次能源，与工业社会中的各个生产过程紧密相关，是一次能源在能量转换过程中因为燃烧换热不充分等原因剩余的未能使用的热量，在工业化的生产流程中大量产生并排入到环境中产生热污染。
2、为了应对以上问题，世界各国都不约而同的把目光投向开发新型可再生能源与节能减排技术，以此缓解能源危机与环境压力，低温余热发电系统以其优良的性能，能量转化率高的优点被广泛应用到工业生产过程中，甚至汽车上。在orc低温余热发电系统中，蒸发器是一个将液态工质转化为气态工质的器件，工质在蒸发器中充分吸热，当吸收的热量使工质的温度小于当前压力下的饱和温度，此时过热度为负；当吸收的热量使工质的温度大于当前压力下的饱和温度，此时过热度为正。过热度会对orc发电系统的稳定性及发电效率造成重要影响，因此保持低温余热发电系统的过热度保持在合理的范围内具有重要的作用。而目前控制低温余热发电系统的过热度保持在合理范围内的方法存在控制精度低、反应时间慢、稳态误差大、稳定性不强、算法部署难等缺点。
技术实现思路
1、本专利技术提供了一种低温余热发电系统过热度控制方法，以解决现有的控制低温余热发电系统的过热度保持在合理范围内的方法所存在的控制精度低、反应时间慢、稳态误差大、稳定性不强、算法部署难的技术问题。
2、为解决上述技术问题，本专利技术提供了如下技术方案：
4、s1，在低温余热发电系统的热源进口处设置第一温度传感器和第一压力传感器，检测热源进口处的温度和压力；在低温余热发电系统的蒸发器出口处设置第二温度传感器和第二压力传感器，检测蒸发器出口处的温度和压力；在低温余热发电系统的冷凝器进口处设置第三温度传感器，检测冷凝器进口处温度；
5、s2，按照预设的采样间隔采集第一温度传感器、第一压力传感器、第二温度传感器、第二压力传感器以及第三温度传感器的检测数据；
6、s3，对采集到的检测数据进行预处理；
7、s4，基于预处理后的第二温度传感器和第二压力传感器的检测数据，利用过热度计算器计算出相应检测数据所对应的采样时刻的过热度；
8、s5，利用预处理后的各传感器的检测数据、工质泵转速值以及计算出的过热度，训练预设的神经网络模型，得到过热度预测模型；
9、s6，基于预处理后的各传感器的检测数据和所述过热度预测模型，训练自适应动态规划模型；其中，所述自适应动态规划模型用于根据当前时刻的过热度确定当前时刻的工质泵转速值；
10、s7，将训练好的自适应动态规划模型部署到嵌入式平台，作为控制器；
11、s8，利用所述控制器和plc联动控制过热度，使过热度达到设定的恒定值。
12、进一步地，所述对采集到的检测数据进行预处理，包括：
13、删除低温余热发电系统运行失败的数据、删除离群数据、删除蒸发器出口处温度大于热源温度的数据、缺失值处理以及对全部数据进行0-1归一化处理。
14、进一步地，所述过热度计算器的获取方式为：
15、基于工质泵的饱和温度和压力对照表，对所述对照表中的温度和压力进行拟合，确定拟合系数，得到相应的拟合函数，作为过热度计算器。
16、进一步地，所述预设的神经网络模型为bp神经网络；
17、所述利用预处理后的各传感器的检测数据、工质泵转速值以及计算出的过热度，训练预设的神经网络模型，得到过热度预测模型，包括：
18、选取预处理后的第一温度传感器、第一压力传感器和第三温度传感器的检测数据，以及工质泵转速值和利用过热度计算器计算出的上一时刻的过热度值为bp神经网络的输入数据，当前时刻的过热度值为bp神经网络的输出数据，来训练bp神经网络的权值矩阵，将训练好的bp神经网络作为过热度预测模型。
19、进一步地，选取过热度为控制器状态变量，工质泵转速为控制器输入；所述自适应动态规划模型由评价网络和执行网络构成，对于执行网络，选择归一化的当前时刻的过热度为输入，当前时刻的工质泵转速为输出；对于评价网络，选择归一化的下一时刻过热度和下一时刻的工质泵转速为输入，输出为代价函数的期望值。
20、进一步地，所述自适应动态规划模型的效用函数u(k)为：
21、u(k)＝k*(系统实际输出过热度-过热度设定值)2
22、其中，k为放大系数，k值是为了避免评价网络陷入梯度消失或梯度爆炸。
23、进一步地，所述基于预处理后的各传感器的检测数据和所述过热度预测模型，训练自适应动态规划模型，包括：
24、采集第二压力传感器和第二温度传感器的检测数据，并对采集到的检测数据进行归一化处理；
25、将归一化处理后的检测数据输入低通滤波器进行滤波，然后利用过热度计算器，根据滤波后的检测数据计算出当前时刻的过热度，将计算出的当前时刻的过热度输入自适应动态规划模型的执行网络，得到当前时刻的工质泵转速；
26、利用所述过热度预测模型得到下一时刻的过热度，并将得到的下一时刻的过热度输入执行网络，得到下一时刻的工质泵转速；
27、将下一时刻的过热度和下一时刻的工质泵转速输入评价网络；
28、计算执行网络更新误差，利用反向传播算法更新执行网络的权值；
29、计算评价网络更新误差，利用反向传播算法更新评价网络的权值。
30、进一步地，利用所述控制器和plc联动控制过热度，使过热度达到设定的恒定值，包括：
31、s81，plc利用第二压力传感器和第二温度传感器，得到蒸发器出口处的温度和压力数据，将蒸发器出口处的温度和压力数据发送给控制器；
32、s82，控制器根据蒸发器出口处的温度和压力数据，利用过热度计算器计算出当前时刻的过热度，然后根据计算出的当前时刻的过热度，采用自适应动态规划模型计算出工质泵转速，再将计算出的工质泵转速发送到plc；
33、s83，plc根据控制器发送过来的工质泵转速控制工质泵；
34、s84，循环s81至s83，直至过热度达到设定的恒定值。
35、进一步地，在利用所述控制器和plc联动控制过热度，使过热度达到设定的恒定值之后，所述低温余热发电系统过热度控制方法还包括：
36、根据低温余热发电系统的实际运行情况，在线训练自适应动态规划模型。
37、本专利技术提供的技术方案带来的有益效果至少包括：
38、本专利技术提供的低温余热发电系统过热度控制方法克服了现有技术中控制精度低、反应时间慢、稳态误差大、稳定性不强、算法部署难的缺点。自适应动态规划算法的评价网络、执行网络的训练过程可以根据生产数据进行在线进行，能够不影响正常生产的前提下进行训练。自适应动态规划算法是一种基于数据驱动的控制本文档来自技高网...
【技术保护点】
1.一种低温余热发电系统过热度控制方法，其特征在于，包括：
2.如权利要求1所述的低温余热发电系统过热度控制方法，其特征在于，所述对采集到的检测数据进行预处理，包括：
3.如权利要求1所述的低温余热发电系统过热度控制方法，其特征在于，所述过热度计算器的获取方式为：
4.如权利要求1所述的低温余热发电系统过热度控制方法，其特征在于，所述预设的神经网络模型为BP神经网络；
5.如权利要求1所述的低温余热发电系统过热度控制方法，其特征在于，选取过热度为控制器状态变量，工质泵转速为控制器输入；所述自适应动态规划模型由评价网络和执行网络构成，对于执行网络，选择归一化的当前时刻的过热度为输入，当前时刻的工质泵转速为输出；对于评价网络，选择归一化的下一时刻过热度和下一时刻的工质泵转速为输入，输出为代价函数的期望值。
6.如权利要求5所述的低温余热发电系统过热度控制方法，其特征在于，所述自适应动态规划模型的效用函数U(k)为：
7.如权利要求6所述的低温余热发电系统过热度控制方法，其特征在于，所述基于预处理后的各传感器的检测
8.如权利要求1所述的低温余热发电系统过热度控制方法，其特征在于，利用所述控制器和PLC联动控制过热度，使过热度达到设定的恒定值，包括：
9.如权利要求1～8任一项所述的低温余热发电系统过热度控制方法，其特征在于，在利用所述控制器和PLC联动控制过热度，使过热度达到设定的恒定值之后，所述低温余热发电系统过热度控制方法还包括：
...【技术特征摘要】
1.一种低温余热发电系统过热度控制方法，其特征在于，包括：
2.如权利要求1所述的低温余热发电系统过热度控制方法，其特征在于，所述对采集到的检测数据进行预处理，包括：
3.如权利要求1所述的低温余热发电系统过热度控制方法，其特征在于，所述过热度计算器的获取方式为：
4.如权利要求1所述的低温余热发电系统过热度控制方法，其特征在于，所述预设的神经网络模型为bp神经网络；
5.如权利要求1所述的低温余热发电系统过热度控制方法，其特征在于，选取过热度为控制器状态变量，工质泵转速为控制器输入；所述自适应动态规划模型由评价网络和执行网络构成，对于执行网络，选择归一化的当前时刻的过热度为输入，当前时刻的工质泵转速为输出；对于评价网络，选择归一化的下一时刻过热...
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。