基于BP神经网络的Kalina循环发电系统最佳运行参数预测.pdf

NO.112023电力行业节能节能ENERGYCONSERVATION基于BP神经网络的Kalina循环发电系统最佳运行参数预测杨月莹王建永*王涛陈海峰（陕西科技大学机电工程学院，陕西西安7 10 0 2 1）摘要：Kalina循环发电技术是低品位热能回收利用的重要方式，而蒸发压力和蒸发温度是决定系统性能的关键参数。由于热源及工质氨水浓度的多样性，获取不同设计条件下最佳运行参数的过程复杂且耗时。通过遗传算法结合热力学模型的方式，以最大净输出功为目标，获取了17 0 5组数据，基于BP神经网络算法建立Kalina循环的最佳运行参数预测模型。结果表明，选择单隐含层神经元数目为9、训练函数为“trainlm”时，神经网络的预测结果最好。验证集的预测误差均在1.5%范围内，表明建立的神经网络模型可以较好地预测Kalina循环发电系统的最佳蒸发压力和最佳蒸发温度。关键词：Kalina循环；BP神经网络；预测模型；最佳运行参数中图分类号：TM617文献标志码：A文章编号：10 0 4-7 948（2 0 2 3）11-0 0 0 1-0 5doi:10.3969/j.issn.1004-7948.2023.11.001Prediction of optimal operating parameters for Kalina cycle power systembased on BP neural network algorithmYANG Yue-yingWANG Jian-yongWANG TaoCHEN Hai-fengAbstract:Kalina cycle power generation technology is an important technology for low grade energy recovery andutilization,and the evaporation pressure and temperature are key parameters that affect the system performance.Obtainingoptimal operating parameters under different design conditions is complicated and time-consuming due to the diversity ofheat sources and ammonia concentrations.By means of genetic algorithm combined with thermodynamic model,1 705sets of data were obtained with the goal of maximal net power output,and the prediction model of optimal operatingparameter for Kalina cycle was established based on the BP neural network algorithm.The result showed that when thenumber of neurons in the single hidden layer was nine and the training function was trainlm,the prediction result of theneural network was the best.The prediction errors of the verification sets are all within 1.5%,which indicates that theneural network model can predict the optimal operating parameters of the Kalina cycle well.Key words:Kalina cycle;BP neural network;prediction model;optimal operating parameters引言工业生产过程会产生大量的余热，工业用能中有近60%65%的能源转化为余热资源，温度低于30 0 的余热约占余热总量的50%，回收和利用这部分余热资源对于提高能源利用和减少环境污染具有重要的意义。发电是重要的利用余热方式，可将低品位热能转化为广泛应用的高品位电能。研究者们对适用于低品位热源的发电循环进行了大量的研究2-5，结果表明，Kalina循环具有很大的潜力。为了提高Kalina循环发电系统的效率，需要对其运行参数进行分析和优化。李子申6 等研究Kalina循环中蒸发压力对循环不同性能参数的影响，结果表明，存在一个最佳蒸发压力使系统净输出功达到最大，且最佳蒸发压力随氨水基本溶液浓度的升高而增大。Saffari7等对胡萨维奇电厂采用的地热Kalina循环进行了热力学分析，采用人工蜂群(ABC)算法优化得到了循环处于最佳性能的操作条件。Wangl8等利用遗传算法(GA)对改进的太阳能驱动Kalina循环进行了关键热力学参数优化，在给定条作者简介：杨月莹（1997 一），女，硕士，研究方向为低品位热能发电系统。通信作者：王建永（198 9一），男，博士，副教授，研究方向为低品位热能高效转化利用及装备。基金项目：国家自然科学基金项目（项目编号：5190 6 131）；中国博士后科学基金项目（项目编号：2 0 2 0 M673604XB）；榆林市科技计划项目（项目编号：CXY-2020-089）收稿日期：2 0 2 3-0 1-16引用本文：杨月莹，王建永，王涛，等.基于BP神经网络的Kalina循环发电系统最佳运行参数预测J.节能，2 0 2 3，42(11)：1-5.NO.112023节能 ENERGYCONSERVATION电力行业节能件下，获得了使改进后系统的净输出功和效率达到最大的透平进口压力。以上文献大多采用优化算法（遗传、人工蜂群、粒子群等）结合数学模型的方式得到系统的最佳运行参数。在参数优化过程中，数学模型建立复杂，优化算法响应时间长，而在实际工程运行中，工业余热的温度以及环境参数可能是动态变化的过程，寻优时间的延后会造成系统运行及控制产生一定误差。人工神经网络(ANN)具有自适应性强、处理非线性问题能力强的优点，越来越多的研究者将其应用于能源系统的性能优化、工质筛选和系统设计等过程。Yangl基于人工神经网络建立了ORC系统的预测模型，并利用该模型对ORC系统进行了性能预测和参数优化。李恩腾0 I等基于BP神经网络构建了跨临界CO,热泵的热力学预测模型，通过该预测模型和经济性模型对CO,热泵循环进行了多目标优化设计。Pengll等建立了一种可以通过工质物性预测ORC性能的人工神经网络模型。Khanmohammadil12等使用数据驱动模型优化具有集成余热回收装置的地热能驱动系统，将6 个性能指标作为9个设计变量的函数进行拟合，结果表明，与其他机器学习技术相比，人工神经网络提供了最佳的拟合结果。目前，采用神经网络预测Kalina循环发电系统最佳运行参数的研究较少。文中针对Kalina循环发电系统，以净输出功最大为目标，采用BP神经网络算法建立Kalina循环发电系统的性能预测模型，在不同热源温度和氨水浓度条件下快速获得系统净输出功最大时的最佳蒸发压力和等温度。1Kalina循环发电系统1.1系统介绍Kalina循环发电系统流程和T-s曲线如图1所示。53透平机热源分离器发电机g1降压阀6蒸发器4792增压泵冷凝器821cIc2(a)系统流程709贫氨溶液饱和线600氨水基本溶液饱和线富氨溶液饱和线500400358300620012345678s/kJ/(kg:K)(b)T-s曲线图1Kalina循环发电系统流程和T-s曲线由图1可知，该系统主要由蒸发器、分离器、透平机、发电机、降压阀、冷凝器和增压泵组成。循环过程中，高压氨水基本溶液（状态点2）进入蒸发器中吸收热源释放的热量，生成气液两相混合物（状态点3）。该两相混合物进入分离器，被分离成高浓度的富氨蒸汽（状态点5）和低浓度的贫氨溶液（状态点4）。富氨蒸汽进入透平机中膨胀做功，驱动同轴连接的发电机发电。贫氨溶液经降压阀降低压力后（状态点7），与在透平中做完功的富氨蒸汽（状态点6）混合，重新形成氨水基本溶液（状态点8）。该氨水基本溶液在冷凝器中被冷却水冷凝成液态（状态点1），经过增压泵升高压力（状态点2），再次进入蒸发器中吸热，完成1个循环。1.2数学模型Kalina循环发电系统包括多种复杂设备，建立数学模型时，为了简化计算、提高运算速度，对模型做如下假设：计算时系统中流体已达到稳定流动状态；系统中各设备与外界环境无热量交换，即各设备保温性能良好，无热量散失；在换热器、氨水分离器等设备以及连接管道中，忽略流体流动造成的压降损失；氨水分离器可将氨水两相混合物完全分离成高浓度的饱和富氨蒸气和低浓度的饱和贫氨溶液；在冷凝器中，冷却水将氨水基本溶液冷凝到饱和液态；贫氨溶液经过降压阀的过程为等恰压降过程；氨水工质透平和增压泵的等熵效率为给定值。1.2.1蒸发器在蒸发器中，热源释放热量，将过冷态的氨水基本溶液加热成气液两相态。蒸发器换热温度曲线如图2所示。T氨水基本溶液饱和线热源g1PP节点温器392bub2氨水基本溶液OS图2蒸发器换热温度曲线热平衡方程为：mg(hgl-hp)=mbasic(h3-hbub)(1)mg(hpp-hg2)=mbasic(hbub-h2)(2)ATp=Tp-Tbub(3)式中：mg热源的质量流量，kg/s；h g l热源在蒸发器入口处的烩值，kJ/s；h g 2热源在蒸发器出口处的烩值，kJ/s；h p p热源在蒸发器中节点温差处的烩值，kJ/s;Tp热源在蒸发器中节点温差处的温度，；mbasic氨水基本溶液的质量流量，kg/s；h 22一氨水基h4=h7(9)NO.11.2023节能ENERGYCONSERVATION电力行业节能本溶液在蒸发器入口处的值，kJ/s；h 3氨水基本溶液在蒸发器出口处的烩值，kJ/s；h b u b氨水基本溶液在蒸发器中泡点处的烩值，kJ/s；T b u b氨水基本溶液在蒸发器中泡点处的温度，；Tp蒸发器节点温差，。1.2.2分离器分离器的作用是将氨水气液混合两相流分离为饱和富氨蒸汽和饱和贫氨溶液，此过程遵守质量守恒定律。m basic=m rich+m poor(4)mbasic Xbasic=mrich Xrich+mpoor(5)poor式中:mrich富氨蒸汽的质量流量，kg/s；mp o r贫氨溶液的质量流量，kg/s；Xb a s i c e氨水基本溶液的氨浓度，%；Xrich一富氨蒸汽的氨浓度，%；Xp贫氨溶液的氨浓度，%。1.2.3透平机和发电机富氨蒸汽在透平机中膨胀做功，驱动同轴连接的发电机发电。透平机的非等摘膨胀过程利用等效率描述。hs-h6ntb=hs-h6s(6)式中：ntb透平机等熵效率，%；hs工质在透平机入口处的值，kJ/s；h。工质在透平机中做非等熵膨胀时，工质在透平出口处的值，kJ/s；h 6 s一工质在透平机中做等熵膨胀时，工质在透平出口处的烩值，kJ/s。透平机输出功率Wh为：Wtb=mrich(hs-h)(7)式中:Wtb透平机输出功率，kW发电机发电功率Wgen为：Wgen=WibXngen(8)式中：W发电机发电功率，kW；n g e n发电gen效率，%。1.2.4降压阀工质经过降压阀为等烩压降过程式中：h4一工质在降压阀入口处的恰值，kJ/s;h一工质在降压阀出口处的恰值，kJ/s。1.2.5冷凝器在冷凝器中，冷却水将氨水基本溶液冷凝到饱和液态，其热平衡方程为：mbasic(hg-hi)=me(he2-hel)(10)式中：m。冷却水质量流量，kg/s；h e l 冷却水在冷凝器入口处的值，kJ/s；h e 2 冷却水在冷凝器出口处的恰值，kJ/s；h g 工质在冷凝器入口处的恰值,kJ/s;hi一工质在冷凝器出口处的烩值，kJ/s。1.2.6增压泵增压泵的非等摘压缩过程利用等熵效率描述。h2s-hi,=h2-hl(11)式中：np增压泵等熵效率，%；h工质在增压泵入口处的烩值，kJ/s；h 2 一工质在增压泵中做非等熵膨胀时，工质在增压泵出口处的烩值，kJ/s；h 2 s 工质在增压泵中做等熵膨胀时，工质在增压泵出口处的烩值，kJ/s。增压泵消耗功率W,为：W,=mbasic(h2-hi)(12)式中：W,增压泵消耗功率，kW。1.2.7混合点透平机排出的富氨蒸汽和经降压阀减压的贫氨溶液重新混合成为氨水基本溶液，此过程遵守能量守恒定律。mbasichg=mrich-he+mporh?(13)1.2.8系统性能指标热力参数敏感性分析采用最基本的循环热效率作为性能评价指标。循环热效率nthm为：Wnetn thm(14)QinWnet=Wgen-Wp(15)Qin=mg(hgl-hg2)(16)式中：nthm循环热效率，%；Wnel循环净输出功率，kW;Qi循环吸热量，kWn2神经网络模型人工神经网络具有自学习性和自适应性，利用历史数据集进行训练，调整内部大量“神经元”之间的相互连接关系，可以得到神经网络模型，以实现对新数据的预测132.1BP神经网络反向传播(BP)神经网络是人工神经网络模型结合BP算法的形式，在实际工程中得到了广泛的应用。BP神经网络结构如图3所示。该结构由输入层、隐含层、输出层组成。正向传播时，各个神经元将随机产生权重和阈值的初始值，输入参数经过输入层、隐含层神经元的处理，最后由输出层获得预测结果；反向传播时，根据预测输出结果与期望输出结果之间的误差，通过反向传播修正各个神经元的权重和阈值4，使网络预测结果的精确性更高。evapXevap输入层隐含层输出层图3BP神经网络结构2.2神经网络评价标准为了检验神经网络的训练精度，选择机器学习中常NO.112023Ti能 ENERGYCONSERVATION电力行业节能用的4种评价指标对所建立的神经网络模型的预测值进行评估。其中，均方误差(MSE)是预测值与目标值之间差值平方和的均值，真实值与预测值的差值大于1时，会放大误差，MSE值越小表示预测精度越高。平均绝对误差(MAE)是目标值与预测值之差的绝对值和的均值，MAE可以避免误差相互抵消的问题，准确反映预测的误差，MAE值越小表示预测精度越高。相关系数R用于衡量预测值与目标值之间的相关性，R越大（越接近于1），预测精度越高。RE表示每个数据的相对误差。1MSE(17)ni=1MAEVANN(18)ni=1Cov(yTuiyAw.)(19)VarLyTurJVaryRE=(yTuyAN.)/y,(20)Tar,式中：n数据集数据的个数；yTar,i神经网络输出参数的目标值；YANN.神经网络输出参数的预测值。2.3神经网络训练步骤神经网络模型训练程序流程如图4所示导入样本数据按照7 2：1随机划分训练集、验证集、测试集创建网络、设置初始参数数据归一化训练网络计算网络指标调整隐含层节点数工训练结束保存性能最好的网络图4神经网络模型训练程序流程3结果与讨论对于不同运行条件下，Kalina循环发电系统存在不同的最佳蒸发压力和最佳蒸发温度使得系统净输出功最大。将热源温度和氨水浓度作为神经网络预测模型的输入参数，将最佳蒸发压力和最佳蒸发温度作为神经网络预测模型的输出参数。使用数学模型获取的参数样本对BP神经网络进行训练，确定最佳隐含层神经元个数，得到Kalina循环最佳运行参数的预测模型3.1驱动数据的获取假设热源温度为12 0 2 2 0 l15，获取样本时以2 为步长取值，工质氨水浓度为6 0%90%，步长为1%，Kalina循环的其他工况参数保持不变，运行参数如表1所示。基于1.2 节建立的数学模型，使用遗传算法以最大净输出功为目标对系统运行参数进行优化，得到最佳蒸发压力及最佳蒸发温度，共计17 0 5组数据，将其全部作为神经网络预测模型的驱动数据集，以7：2：1的比例将数据集随机划分训练集、验证集、和测试集。表1Kalina循环运行参数项目数值环境温度/20环境压力/kPa101.3热源质量流量/kg/s)10节点温差/10透平等效率/%80增压泵等效率/%70发电效率/%953.2网络结构的确定文中建立单隐含层BP神经网络，依据经验公式确定隐含层神经元个数的范围，经过多次训练确定最佳隐含层神经元个数。训练过程中，隐含层节点数不同时各网络的性能评价如表2 所示。BP神经网络模型参数如表3所示。表2隐含层节点数不同时各网络的性能评价隐合层预测值1的预测值2 的MSEMAE神经元个数相关性相关性3194.286.510.999 890.982 654177.666.300.999 890.981 165161.355.780.999 910.985 196127.574.940.999.930.996 517126.764.630.999.930.997 828126.974.530.999.930.997 979122.844.320.999.930.999.4710121.914.630.999.930.997 7211124.364.530.999.930.998 4012130.854.610.999.920.998 98表3BBP神经网络模型参数项目取值学习速率0.4隐含层数目1隐含层神经元数目9训练函数trainlm训练精度10-7隐含层传递函数tansig输出层传递函数purelin3.3验证集结果利用验证集检验网络的预测精度，神经网络验证集的预测值与目标值比较如图5所示。验证集预测值与目标值的相对误差如图6 所示。无论是蒸发压力还是蒸发温度，神经网络模型的预测值与目标值均较为接近，其相对误差均在1.5%范围内，表明神经网络可以较好地预测Kalina循环系统蒸发过程的最佳运行参数。NO.112023能ENERGYCONSERVATION电力行业节能9Data8-FitY-T76543212345678910目标值/MPa(a)蒸发压力170Data160-Fit150Y-T14013012011010090100110120130140150160170目标值/(b)蒸发温度图5神经网络验证集的预测值与目标值比较1.51.0%0.50-0.5-1.0-1.5050100150200250300350验证样本(a)蒸发压力1.51.0%0.50-0.5-1.0-1.5050100150200250300350验证样本(b）蒸发温度图6验证集预测值与目标值的相对误差4结语以Kalina循环发电系统净输出功最大为优化目标，通过数值模拟和遗传算法优化获取大量的训练样本，并通过BP神经网络构建Kalina循环最佳蒸发压力和最佳蒸发温度的预测模型，可以获得以下结论：训练神经网络模型时，隐含层节点数目、训练函数对神经网络模型的预测精度具有较大的影响，隐含层节点数目应根据神经网络评价指标和模型结构选取合适的数值。经过反复训练获得精度高、无过拟合现象的Kalina循环最佳运行参数预测模型，隐含层神经元数目为9、训练函数为基于L-M算法的“trainlm”函数。采用7：2：1的比例将数据集随机划分训练集、验证集和测试集。验证结果显示，神经网络预测值与目标值较为接近，无论是数量级较大的蒸发压力还是数值较小的蒸发温度，其预测误差均在1.5%范围内，表明神经网络模型可以较好地预测Kalina循环发电系统的运行参数。参考文献1】张进华，秦强，赵香龙.低品位工业余热利用技术及研究进展 .能源科技,2 0 2 2,2 0(4):8 6-92.2 Fu W,Zhu J,Li T,et al.Comparison of a Kalina cycle based cascadeutilization system with an existing organic Rankine cycle basedgeothermal power system in an oilfieldJJ.Applied Thermal Engineering,2013,58(1/2):224-233.3 Li S,Dai Y.Thermo-economic comparison of Kalina and CO2transcritical power cycle for low temperature geothermal sources inChinaJ.Applied Thermal Engineering,2014,70(1):139-152.4】王梦颖，冯霄，王或斐，不同余热情况下有机朗肯循环和卡琳娜循环能量性能对比J1.化工学报，2 0 16,6 7（12）：50 8 9-50 97.5 Aksar M,Yagli H,Koc Y,et al.Why Kalina(Ammonia-Water)cycle rather than steam Rankine cycle and pure ammonia cycle:Acomparative and comprehensive case study for a cogeneration systemj.Energy Conversion and Management，2 0 2 2,D o i:10.10 16/j.enconman.2022.115739.6李子申，李惟毅，孟金英.蒸发压力对卡琳娜循环不同目标参数的影响J.化工进展，2 0 15,34(11)：38 52-38 587 Saffari H,Sadeghi S,Khoshzat M,et al.Thermodynamic analysis andoptimization of a geothermal Kalina cycle system using Artificial BeeColony algorithmJ.Renewable Energy,2016,89:154-167.8 Wang J,Yan Z,Zhou E,et al.Parametric analysis and optimization ofa Kalina cycle driven by solar energy J.Applied Thermal Engineering,2013,50(1):408-415.9 Yang F,Cho H,Zhang H,et al.Artificial neural network(ANN)based prediction and optimization of an organic Rankine cycle(ORC)for diesel engine waste heat recovery J.Energy Conversion andManagement,2018,164:15-26.10李恩腾，徐英杰，谢小东.数据驱动的跨临界CO,热泵多目标优化设计J.化工进展,2 0 2 0,39(5)：16 57-16 6 6.11 Peng Y N,Su W,Zhou N J,et al.How to evaluate the performanceof sub-critical organic Rankine cycle from key properties of workingfluids by group contribution methods?J.Energy Conversion andManagement,2020,Doi:10.1016/j.enconman.2020.113204.12 Khanmohammadi S,Musharavati F,Tariq R.A framework of datamodeling and artificial intelligence for environmental-friendly energysystem:Application of Kalina cycle improved with fuel cell andthermoelectric moduleJ.Process Safety and Environmental Protection,2022,164:499-516.13王鸿斌，张立毅，胡志军.人工神经网络理论及其应用J.山西电子技术,2 0 0 6(2):41-43.14王羽鹏，梁俊伟，罗向龙.基于神经网络的有机朗肯循环过程及循环性能计算方法J.化工学报，2 0 19,7 0(9)：32 56-32 6 6.15陈薇,袁中原.基于神经网络预测ORC系统的最佳蒸发温度J.制冷与空调（四川），2 0 2 0,34(2)：2 6 2-2 6 7.