CN104765953B - 冷却塔进风口导风板结构参数设定方法 - Google Patents
冷却塔进风口导风板结构参数设定方法 Download PDFInfo
- Publication number
- CN104765953B CN104765953B CN201510115961.1A CN201510115961A CN104765953B CN 104765953 B CN104765953 B CN 104765953B CN 201510115961 A CN201510115961 A CN 201510115961A CN 104765953 B CN104765953 B CN 104765953B
- Authority
- CN
- China
- Prior art keywords
- wind deflector
- cooling
- cooling tower
- structure parameter
- deflector structure
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种冷却塔进风口导风板结构参数设定方法,本发明方法包括如下步骤：步骤一：设定冷却塔的冷却数范围，并根据计算的冷却数与给定的冷却数范围构造误差函数和目标函数；步骤二：使用遗传算法对参数进行编码，染色体上的基因值即为导风板结构参数，定义参数差异度函数，作为初始种群的选取标准；步骤三：将目标函数进行转换，生成适应度函数；步骤四：根据适应度进行遗传操作生成新的子代，将子代代入BP神经网络，计算冷却数；步骤五：判断是否满足终止条件，如果满足，则输出导风板结构参数；不满足，将这一代种群最优部分保存，进入下一代遗传变换，返回步骤四。本发明利用神经网络优化导风板的结构参数，使冷却塔的冷却效果达到最好，确定最优参数。
Description
技术领域
本发明属于冷却塔技术领域，具体涉及一种冷却塔进风口导风板结构参数设定方法。
背景技术
冷却塔是应用非常普遍的水资源循环利用设备，其主要功能是将含有废热的冷却水与空气在塔内进行热交换，使水温降至要求的温度，以便进行再次循环。影响冷却塔冷却效果的因素是多方面的，其中，环境侧风在很大程度上影响冷却塔的冷却性能，很多的冷却塔采取在冷却塔进风口安装导风板改善冷却塔的进风效果。进风口导风板的安装角度、长度、数量和形状都会对冷却塔的冷却效果产生不同的结果。例如，如果导风板的安装角度不适，侧风沿着该角度进入冷却塔雨区，在冷却塔雨区形成稳定的旋转上升气流，气流在导风板的引导下形成一个漩涡在中心部位旋转气流，并不是直接通过雨区，这样不会产生穿堂风，而且增加了气流在塔中的停留时间，影响冷却塔的冷却效果。
发明内容
为了克服现有技术的不足，本发明提供一种冷却塔进风口导风板结构参数设定方法，利用神经网络建立网络模型，以冷却塔的冷却数作为优化的最终目标，确定导风板的长度、数量和安装角度的最佳参数。
本发明的技术方案是：一种冷却塔进风口导风板结构参数设定方法，其特征在于：包括如下步骤：步骤一：设定冷却塔的冷却数范围，并根据计算的冷却数与给定的冷却数范围构造误差函数和目标函数；步骤二：使用遗传算法对参数进行编码，染色体上的基因值即为导风板结构参数，定义参数差异度函数，作为初始种群的选取标准；步骤三：将目标函数进行转换，生成适应度函数；步骤四：根据适应度进行遗传操作生成新的子代，将子代代入BP神经网络，计算冷却数；步骤五：判断是否满足终止条件，如果满足，则输出导风板结构参数；不满足，将这一代种群最优部分保存，进入下一代遗传变换，返回步骤四。所述导风板结构参数为：导风板长度、数量和安装角度。所述步骤二中，遗传算法编码方式为实数编码方式。所述步骤四中遗传操作生成新的子代采用算术交叉和非均匀变异方式。所述步骤一中误差函数为：
其中，a为设定冷却塔冷却数下限，b为冷却塔冷却数上限，K为比例常数。所述步骤四后还包括步骤：判断子代数值是否陷入局部最小，如果是，则执行重启机制生成新的父代，否则执行步骤五。所述步骤一中冷却数的计算方式为：
其中，Ωn为冷却数，βχv为传质系数，Q为循环水量，V为空气流速。
本发明有如下积极效果：本发明利用神经网络优化导风板的结构参数，使冷却塔的冷却效果达到最好，确定最优参数。
附图说明
图1为本发明具体实施方式方法流程图。
具体实施方式
下面对照附图，通过对实施例的描述，本发明的具体实施方式如所涉及的各构件的形状、构造、各部分之间的相互位置及连接关系、各部分的作用及工作原理、制造工艺及操作使用方法等，作进一步详细的说明，以帮助本领域技术人员对本发明的发明构思、技术方案有更完整、准确和深入的理解。
在冷却塔的工作过程中，导风板能够增加塔内中心区域的空气上升速度和扰动，加强传热，改善冷却塔冷却性能。但是，导风板的数量、长度和安装角度对塔内雨区的空气流动起重要的作用，冷却数作为衡量冷却性能的指标之一，其大小决定着冷却效率的高低，本发明采用冷却数作为导风板不同结构参数对冷却塔冷却效果的衡量参数。
神经网络在建立导风板结构参数和冷却数之间的非线性映射关系中有良好成效，遗传算法提供求复杂系统优化问题的通用框架，由于其较强的鲁棒性而广泛应用于函数优化、自动控制及机器学习等各个领域。
在冷却塔工作过程中，冷却塔的冷却数应保持在一个范围内，设定冷却塔的出冷却数的范围为[a，b],a和b分别为冷却塔冷却数的下限和上限，对于特征值实际的冷却数y,构造误差函数L(y):
式中：比例常数K取1。将误差函数作为优化目标函数：
minZ＝L(y) (2)
1.冷却数的计算方式
当填料体积一定时，βχν主要取决于淋水密度q和空气的质量风速gair，可表示为如下形式：
根据传质系数的计算公式βχν＝ΩnQ/V，可得到冷却数与循环水量、循环水进口温度以及空气重量风速(即通风量)的关系如下：
式中：B为常数；m、n、p为小于1的正数；m+n接近于1。
2.遗传操作方案初始化设置
在冷却塔降温过程中，由于所设置的参数较多，并对于精度要求较高，传统的二进制编码不能直观反映出所求问题的特点，本发明采用实数编码方式进行编码。实数编码比二进制编码具有更高的精度，且便于大空间搜索。编码后的一个解被称为染色体，染色体上的3个基因值依次为导风板数量、长度和安装角度。定义式(5)为参数差异度，将其作为初始种群选取标准，即在历史数据中，将差异度最小的部分样本作为初始种群：
式中:xj为第j个训练样本的导风板安装角；为冷却数为(a+b)/2时的导风板安装角；K1为比例系数。
适应度函数是度量个体适应性的函数，用于度量群体中各个个体的优良程度。它是种群中确定个体的搜索依据。遗传操作通常为取最大值过程，因此将目标函数进行适当转换，作为适应度函数，即将式(2)作如下变换得到适应度函数为
2.遗传算子
在遗传算法中，遗传操作算子是决定遗传算法的核心。对于实数编码遗传算法，采用适合的操作算法是保证操作有效性的关键。本发明以算术交叉和非均匀变异方式进行遗传操作。对于染色体的选择，同时基于排序和最佳保存策略，采用Boltzmann选择法，得到良好的结果。算术交叉比单点交叉更增加种群的多样性，同时降低了多点交叉容易破坏染色体的可能性。x1，x2为父代种群中随机选择的两个个体的某个基因位，相应子代个体的基因值为
式中:r是[0，1]之间的常数。本文取r＝0.3。非均匀变异算子随着进化代数，动态地由全空间变异逐步转为局部微调，提高了搜索精度。设变异点xi处的基因取值范围为则新的基因x′i由下式确定
式中:Δ(t，y)中y表示和表示[0，y]范围内符合非均匀分布的一个随机数，随着进化代数t的增加，Δ(t，y)接近0的概率逐渐增加。本文取为
式中:r为[0，1]范围内的符合均匀分布的随机数；T为最大进化代数；t为已经进化的代数；m为一个系统参数。其中，的取值范围与冷却塔出水温度的上下限一致。选择操作是推动进化的直接动力。轮盘赌选择是一种按适应度大小随机选择优良个体的方法。设群体规模为N，当各染色体的适应度值为f(xi)时，第i个染色体被选中的概率为
依照N次轮赌选择，就得到规模为N(N＝35)的种群。由轮盘赌选择后的种群经过多代进化后，种群个体趋于一致，因此采用Boltzmann选择机制计算其个体被选择的概率为：
随着迭代的进行，选择压力将随之升高。遗传操作使种群中的个体逐渐趋于一致，容易发生早熟而陷入局部最优解，根据最优保存策略，将每一代种群中最优部分保存，直接进入下一代进行遗传变换。本发明假设当前全局最优解累计δ(δ＝10)代未获得提高时，种群发生早熟。当发生早熟，将20％最好的个体直接复制到下一代，30％个体采用随机法重新生成，其余个体以0.8～1的较大概率发生变异，以此增加种群多样性并保证优良个体存在，算法流程如图1所示。
上面结合附图对本发明进行了示例性描述，显然本发明具体实现并不受上述方式的限制，只要采用了本发明的方法构思和技术方案进行的各种非实质性的改进，或未经改进将本发明的构思和技术方案直接应用于其它场合的，均在本发明的保护范围之内。
Claims (7)
1.一种冷却塔进风口导风板结构参数设定方法，其特征在于：包括如下步骤：
步骤一：设定冷却塔的冷却数范围，并根据计算的冷却数与给定的冷却数范围构造误差函数和目标函数；
步骤二：使用遗传算法对参数进行编码，染色体上的基因值即为导风板结构参数，定义参数差异度函数，作为初始种群的选取标准；
步骤三：将目标函数进行转换，生成适应度函数；
步骤四：根据适应度进行遗传操作生成新的子代，将子代代入BP神经网络，计算冷却数；
步骤五：判断是否满足终止条件，如果满足，则输出导风板结构参数；不满足，将这一代种群最优部分保存，进入下一代遗传变换，返回步骤四。
2.根据权利要求1所述的冷却塔进风口导风板结构参数设定方法，其特征在于：所述导风板结构参数为：导风板长度、数量和安装角度。
3.根据权利要求1所述的冷却塔进风口导风板结构参数设定方法，其特征在于：所述步骤二中，遗传算法编码方式为实数编码方式。
4.根据权利要求1所述的冷却塔进风口导风板结构参数设定方法，其特征在于：所述步骤四中遗传操作生成新的子代采用算术交叉和非均匀变异方式。
5.根据权利要求1所述的冷却塔进风口导风板结构参数设定方法，其特征在于：所述步骤一中误差函数为：
其中，a为设定冷却塔冷却数下限，b为冷却塔冷却数上限，K为比例常数，y为冷却数。
6.根据权利要求1所述的冷却塔进风口导风板结构参数设定方法，其特征在于：所述步骤四后还包括步骤：判断子代数值是否陷入局部最小，如果是，则执行重启机制生成新的父代，否则执行步骤五。
7.根据权利要求1所述的冷却塔进风口导风板结构参数设定方法，其特征在于：所述步骤一中冷却数的计算方式为：
<mrow>
<msub>
<mi>&Omega;</mi>
<mi>n</mi>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<msub>
<mi>&beta;</mi>
<mrow>
<mi>&chi;</mi>
<mi>V</mi>
</mrow>
</msub>
<mi>V</mi>
</mrow>
<mi>Q</mi>
</mfrac>
</mrow>
其中，Ωn为冷却数，βχν为传质系数，Q为循环水量，V为空气流速。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510115961.1A CN104765953B (zh) | 2015-03-17 | 2015-03-17 | 冷却塔进风口导风板结构参数设定方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510115961.1A CN104765953B (zh) | 2015-03-17 | 2015-03-17 | 冷却塔进风口导风板结构参数设定方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN104765953A CN104765953A (zh) | 2015-07-08 |
| CN104765953B true CN104765953B (zh) | 2017-11-03 |
Family
ID=53647778
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201510115961.1A Expired - Fee Related CN104765953B (zh) | 2015-03-17 | 2015-03-17 | 冷却塔进风口导风板结构参数设定方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN104765953B (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1818987A (zh) * | 2006-03-08 | 2006-08-16 | 杭州电子科技大学 | 无线的冷却塔性能测试装置与测试方法 |
| CN104239597A (zh) * | 2014-07-02 | 2014-12-24 | 新菱空调(佛冈)有限公司 | 基于rbf神经网络的冷却塔建模方法 |
| CN104374052A (zh) * | 2014-11-18 | 2015-02-25 | 柳州市金旭节能科技有限公司 | 基于神经网络的中央空调节能控制方法及系统 |
-
2015
- 2015-03-17 CN CN201510115961.1A patent/CN104765953B/zh not_active Expired - Fee Related
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1818987A (zh) * | 2006-03-08 | 2006-08-16 | 杭州电子科技大学 | 无线的冷却塔性能测试装置与测试方法 |
| CN104239597A (zh) * | 2014-07-02 | 2014-12-24 | 新菱空调(佛冈)有限公司 | 基于rbf神经网络的冷却塔建模方法 |
| CN104374052A (zh) * | 2014-11-18 | 2015-02-25 | 柳州市金旭节能科技有限公司 | 基于神经网络的中央空调节能控制方法及系统 |
Non-Patent Citations (5)
| Title |
|---|
| 《An adaptive neuro-fuzzy inference system model for predicting the performance of a refrigeration system with a cooling tower》;M. Hosoz et al ；;《journal homepage: www.elsevier.com/locate/eswa》;20111231;第14148–14155页； * |
| 《Performance prediction of a cooling tower using artificial neural network》;M. Hosoz et al;《Energy Conversion and Management》;20071231;第1349–1359页； * |
| 《具有导风板的自然通风逆流湿式冷却塔进风阻力研究及性能优化》;王凯;《中国博士学位论文全文数据库工程科技Ⅱ辑 》;20101215(第12期);第C042-33页； * |
| 《基于遗传学习的复合神经网络自适应温度控制系统》;李敏远 等；;《控制理论与应用》;20040430;第21卷(第2期);第242-246页； * |
| 《自然通风逆流湿式冷却塔进风口导叶板结构参数优化》;胡丹梅 等；;《中国电机工程学报》;20130405;第33卷(第11期);第30-38页； * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN104765953A (zh) | 2015-07-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106920006B (zh) | 一种基于isoa-lssvm的地铁站空调系统能耗预测方法 | |
| CN106779148B (zh) | 一种多模型多特征融合的高速铁路沿线风速预测方法 | |
| CN111414991B (zh) | 一种基于多元回归的气象锋面自动识别方法 | |
| CN102129259B (zh) | 用于砂尘环境试验风洞的基于神经网络pi的智能温度控制系统和方法 | |
| CN108062595B (zh) | 基于wrf/cfd/sahde-rvm耦合的复杂地貌区域短时风能预测方法 | |
| CN105868534B (zh) | 一种基于多目标优化抽样的水文模型不确定性分析方法 | |
| CN104616215A (zh) | 一种火电厂能效综合评价方法 | |
| CN110263998B (zh) | 多源数值天气预报集合双层修正方法 | |
| CN108920812A (zh) | 一种机械加工表面粗糙度预测方法 | |
| CN114036861B (zh) | 基于infoGAN的三维温度场预测方法 | |
| CN112101684A (zh) | 一种插电式混合动力车辆实时能量管理方法和系统 | |
| CN113850692A (zh) | 一种基于深度学习的城市供水系统闸泵群优化调度方法 | |
| CN102054199A (zh) | 基于bp神经网络算法对涂层老化的分析方法 | |
| CN106650977A (zh) | 应用于新建风电场的短期功率预测方法 | |
| CN106372801A (zh) | 一种风电场风区划分方法及该风电场风区测风塔位置的选择方法 | |
| CN107400935A (zh) | 基于改进elm的熔融纺丝工艺的调节方法 | |
| CN103778466B (zh) | 一种基于矢量误差的转炉炼钢温度建模预测方法及系统 | |
| CN107358006A (zh) | 一种基于主成分分析的Lorenz扰动风速预测方法 | |
| CN105389614B (zh) | 一种神经网络自更新过程的实现方法 | |
| CN105389442A (zh) | 一种耦合遗传算法、神经网络与数值模拟的反向设计方法 | |
| CN106503861A (zh) | 基于概率统计和粒子群优化的多气象源风速融合的风电功率预测方法 | |
| CN109214591A (zh) | 一种木本植物地上生物量预测方法及系统 | |
| CN108446452B (zh) | 一种混流泵叶轮鲁棒优化设计方法 | |
| CN117093039B (zh) | 一种变频器水冷散热控制方法及系统 | |
| CN104765953B (zh) | 冷却塔进风口导风板结构参数设定方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20171103 Termination date: 20180317 |