基于BP神經網絡的有機朗肯循環(huán)輸出功率預測方法，屬于熱能工程領域。包括以下步驟：多組有機朗肯循環(huán)運行數據的采集，每組包括如下參數：有機工質的體積流量、膨脹機轉矩、膨脹機入口壓力、膨脹機出口壓力、膨脹機入口溫度、冷凝器出口溫度、工質泵出口壓力和膨脹機輸出功率；采集數據的歸一化處理；BP神經網絡的建立；神經網絡的訓練和測試；測試數據中神經網絡輸出數據即膨脹機輸出功率的反歸一化處理。與傳統(tǒng)的熱力學分析方法相比，本發(fā)明所搭建的神經網絡模型能夠快速、準確的預測有機朗肯循環(huán)輸出功率，避免了對系統(tǒng)各部件的運行機理研究，并且能夠顯著提升工作效率和預測精度，為有機朗肯循環(huán)的優(yōu)化提供可靠指導。

技術領域

本發(fā)明涉及一種基于BP神經網絡的有機朗肯循環(huán)輸出功率預測方法，屬于熱能工程領域。

背景技術

在我國工業(yè)化快速發(fā)展的過程中，存在著大量的余熱能，如：煙氣余熱、冷卻介質余熱、廢汽廢水余熱、高溫產品和爐渣余熱、化學反應熱以及可燃廢氣和廢料余熱等，除了可以通過技術改造升級實現對這些余熱能的高效利用之外，余熱回收利用是提高經濟性、節(jié)約能源的一條重要途徑。

在眾多的余熱利用技術中，有機朗肯循環(huán)由于其效率較高、結構簡單、單機容量范圍廣、系統(tǒng)各部件可標準模塊化生產等優(yōu)點被廣泛應用于70℃以上的余熱資源。近年來，國內外學者為提高有機朗肯循環(huán)輸出功率開展了大量的研究工作。針對有機朗肯循環(huán)的研究主要通過建立各部件熱力學模型之后的理論分析方法。但是，有機朗肯循環(huán)實際運行過程中的影響因素較多，其輸出功率與各熱力學參數之間是典型的非線性關系。目前來看，試驗系統(tǒng)輸出功率與理論分析結果相差較大，即理論分析并不能對有機朗肯循環(huán)試驗輸出功率進行準確的預測。

BP神經網絡又稱為誤差反向傳播神經網絡，是一種多層的前向型網絡。在BP神經網絡中，信號是向前傳播的，而誤差是反向傳播的。BP神經網絡具有很強的非線性映射能力和柔性的網絡結構，在能源動力系統(tǒng)性能的預測和優(yōu)化中得到了廣泛的應用。因此，建立有機朗肯循環(huán)的BP神經網絡模型，對其輸出功率進行精確的預測。

發(fā)明內容

本發(fā)明的目的是為了解決現有熱力學模型難以準確預測有機朗肯循環(huán)輸出功率的不足，提出一種基于BP神經網絡的有機朗肯循環(huán)輸出功率預測方法。本發(fā)明具體的技術方案包括如下步驟：

(1)有機朗肯循環(huán)運行數據的采集

采集有機朗肯循環(huán)系統(tǒng)運行過程中的多組試驗數據，每組試驗數據包括如下參數：有機工質的體積流量膨脹機轉矩(Tor_exp)、膨脹機入口壓力(p_exp,in)、膨脹機出口壓力(p_exp,out)、膨脹機入口溫度(T_exp,in)、冷凝器出口溫度(T_con,out)、工質泵出口壓力(p_p,out)和膨脹機輸出功率將上述多組試驗數據隨機分組，分為馴化處理組數據和測試組數據；

(2)采集數據的歸一化處理

由于各參數的數量級相差較大，為了加快神經網絡的收斂速度，需要對各參數進行歸一化處理，使其轉化為[0，1]區(qū)間內的對應值

式中，X_min為各參數的最小值，X_max為各參數的最大值，X為各參數的采集數據，為各參數歸一化處理后的數值；

(3)BP神經網絡的建立