CN105807609A - 一种基于多参数的矿井喷淋换热效率计算方法的喷淋系统 - Google Patents
一种基于多参数的矿井喷淋换热效率计算方法的喷淋系统 Download PDFInfo
- Publication number
- CN105807609A CN105807609A CN201510251867.9A CN201510251867A CN105807609A CN 105807609 A CN105807609 A CN 105807609A CN 201510251867 A CN201510251867 A CN 201510251867A CN 105807609 A CN105807609 A CN 105807609A
- Authority
- CN
- China
- Prior art keywords
- heat exchange
- spray
- svm
- formula
- exchange efficiency
- 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.)
- Pending
Links
Abstract
本发明涉及矿井喷淋换热领域,尤其涉及一种基于多参数的矿井喷淋换热效率计算方法的喷淋系统;选用四种不同的人工智能计算模型,将喷淋换热系统运行过程中所采集的多组烟气量、循环泵流量、浓度、液气比、进口烟气温度、喷淋浆液密度、喷淋后温度等参数作为四个模型的输入变量。对各模型分别进行训练,建立四个喷淋参数与换热效率间的非线性函数关系。再将实时监测到的参数分别传输至已训练好的人工智能模型中,对喷淋效率做出预测。将结果中处于中间的两个预测值的平均值作为最终预测值;并通过控制装置对实施数据的计算采取喷淋头开启的数量与喷淋流量;此方法能够更好的对换热效率进行监测,与单一模型预测相比,具有稳定性更高,监控能力更强等特点。
Description
技术领域
本发明涉及矿井喷淋换热领域,尤其涉及一种基于多参数的矿井喷淋换热效率计算方法的喷淋系统。
背景技术
矿井余热回收利用一直是能源利用中的一个大的分支,目前进行的矿井余热回收利用中总是采用简单的喷头进行喷淋的方法,这样的方法在一定程度上能起到余热回收的效果,但是因为温度会产生变化并且会受到不同矿井的条件的影响,所以说现在单一的喷淋因为不熟悉条件和温度的影响会造成喷头数目永定,这在一定程度上会造成资源的浪费。
发明内容
本发明的目的是弥补上述现有技术中的问题与技术空白,提出一种准确性高,通用性强的且简单可靠地热效率计算方法和依托于计算方法的喷淋系统。本发明的目的是由以下的技术方案来实现的:
1、一种基于多参数的矿井喷淋换热效率计算方法,其特征在于,包括以下步骤:
(1)对喷淋换热系统的运行参数进行采集并分类:为保证训练的模型在之后的预测中有较好的适应性,采集到的参数数据应按照脱硫系统处于不同性能等级分类,即高效率性能等级,效率在[1,0.95]之间;一般效率性能等级,效率在(0.95,0.85]之间;低效率性能等级,效率在0.85以下。在三个性能等级段中各取至少取500组数据作为训练样本。
(2)对运行参数进行归一化处理:设换热效率的论域为设,是模型对属值的无量纲值,且。
其中,为的标准函数,经过归一化处理,个数据取值范围为。
(3)利用归一化处理后的数据,建立PLS、SA-SVM、GALS-SVM和PSO-BP四个人工智能计算模型。其中:PLS为偏最小二乘回归,SA-SVM为喷淋优化的支持向量机,GALS-SVM为遗传优化的最小二乘支持向量机,PSO-BP为自适应粒子群优化的BP神经网络。
(a)PLS的建模
首先,分别提取换热效率和换热运行指标的第一成分和。从中提取第一成分,因为只有一个因变量,所以就是标准化后的换热效率,从中提取第一成分,是各换热运行指标变量的线性组合,是对原始变量解释力最强的综合变量,满足且=1,,是的第一个轴,取,进而分别建立对和对的线性回归方程:
(2)
其中,和是回归方程系数,和分别是换热运行指标与换热效率的残差矩阵;
然后,计算运行指标中的第h个成份,以换热运行指标和换热效率的残差矩阵和分别取代和,使用上面的方法求出第2个轴以及第二个成分,则,再分别建立对的线性回归方程:
(3)
以此方法可以类推得到第h个成分;
最后建立PLS模型求出m个成分,后,得,因为都是的线性组合,所以把代入方程,可得换热效率偏最小二乘回归方程式:
(4)
其中是变量的系数,是的第j个分量,;
(b)SA-SVM的建模
首先,假设一个样本集,然后选取非线性映射,之后把原空间向量X映射到高纬特征空间得到。最后在该空间内做线性回归,可得线性方程:
(5)
因为会有部分游离于目标函数式(5)的精度以外,所以利用风险最小化原则,引入松弛变量,;构成最优决策函数,即最小化结构风险函数:
(6)
式中,常数C>0为惩罚系数,能对样本超出误差的惩罚度起到控制作用;
由式(6)运用拉格朗日乘子法建立方程:
对式3分别求对L的偏微分并使之为0;
(8)
把式(8)代入式(7),可得非线性回归方程:
(9)
其中,为拉格朗日乘子;称作核函数;b是常数;
然后,选择适当的核函数,核函数的形式决定SVM的形式,能否将线性不可分问题转化成线性可分问题的关键,选用RBF函数作为SVM模型的核函数,
(10)
其中,RBF为径向基,为二范数,为核系数;
最后,利用模拟喷淋算法SA对SVM的惩罚系数C与核系数进行寻优,
Step1:参数初始化,设置模型参数的范围,在此范围内随机生成作为初始解,并算出目标值;分别设置初始温度与终止温度,设定为降温函数,式中t是迭代次数,称作退火系数;
Step2:生成新解,当前解x的基础上加上增量生成新解,并利用算出目标增值量;
Step3:当时,令;当时,按概率生成一个判断值,式中:k是常数,通常k=1;T是温度,当时,令;当时,x保留不变;
Step4:持续在临近区域内生成新解并重复step3;
Step5:按step1中的降温规律降低T;
Step6:重复step2-step5,直到满足收敛条件;
经过寻优,得到最优的惩罚系数C与核函数的组合(C,),作为SVM模型的参数;
(c)GALS-SVM的建模
因为LS-SVM是在SVM的基础上衍生出的一种人工智能模型,所以建立GALS-SVM的第一步与步骤(3)所述的(b)中第一、二段基本一致,只是式(6)的约束条件变为:
(11)
式(11)对偶问题的拉格多项式为:
(12)
其中,称为拉格乘子,式(12)的最优解条件为式(13)所示方程组:
(13)
将式(13)各等式联立得:
(14)
把代入到(14)中,消去w和,根据最优化条件得到关于和b的线性方程组:
(15)
其中,。
设核相关矩阵,由于B为对称正定矩阵,所以存在,计算是求解线性方程组的关键,是方阵第I行1列的元素,定义为核函数,利用样本集解方程组(15)获得模拟参数,再用式(13)中的第一个等式代入式(6)得:
(16)
式中不等于零的支持向量系数所对应的训练样本称作支持向量;
GALS-SVM步依然是选择向基(RBF)函数作为核函数;
最后,利用遗传算法GA对LS-SVM的正规化参数与核函数进行寻优,找出最优组合作为LS-SVM模型的参数,其步骤如下:
Step1染色体编码:因为考虑到只有正规化参数和核函数两个需要优化的参数,所以选用比较简单的二进制编码;
Step2选择策略:根据每个个体的适应度值,将其按照数值由大到小排列,把父代种群中适应度高的个体保留下来,进行交叉或变异,剩余个体进行随机遍历抽样;
Step3控制参数选择:自适应GA的交叉方式进行均匀交叉,交叉概率为
(17)
其中,和分别为群体最大适应度值,群体平均适应度值和两个交叉个体中较大的适应度值;
变异方式选用多点变异,即针对所有个体的每位编码随机生成,当d大于自身变异率时,此编码由1变0,或者由0变1,否则编码不产生变异,变异概率为:
(18)
其中f为变异个体适应度值;
Step4个体保留:选出子代种群中适应度值在前50%的较优个体,替换掉父代种群中适应度值在后50%的较差个体,提高寻优效率;
(d)PSO-BP的建模
首先,选用西格蒙函数做隐函层与输出层的变换函数,典型的西格蒙函数为:
(19)
式中y为神经元的加权函数;
然后,确定BP神经网络的拓扑结构,其隐含神经元个数的公式如下:
(20)
(21)
其中x=2;输出层神经元个数k;输入层神经元个数i;m是训练本数;隐含层神经元个数的搜索区间,利用穷举法对模型进行计算,最终隐含神经元个数确定为,获得的BP神经网络拓扑结构为i-n-k;
最后,利用粒子群算法(PSO)对BP神经网络的权值和阀值进行优化,过程如下:
Step1:对PSO模块的惯性权重与种群规模进行初始化,随机给全部粒子分配位置和速度组合;
Step2:构造以粒子位置为参数的BP神经网络,根据公式在测试集上算出适应度值,并将个体最优位置定义为,通过对所有对应适应度值的比较获得全局最优位置;
Step3:根据速度更新方程和位置更新方程,对全部粒子的位置和速度进行更新;
(22)
(23)
Step4:构造以粒子位置为参数的BP神经网络,根据公式在测试集上算出适应度值,将的对应位置作为新的个体最优位置;
Step5:把的对应位置作为新的全局最优位置;
Step6:判断是否满足结束条件,若满足,则结束,否则继续step3。
(4)将实时运行参数作为输入,利用已建好的上述模型分别对喷淋换热效率进行预测,得到四个基于多参数的喷淋换热计算结果。
(5)为进一步减小由于模型自身缺陷给预测结果带来的不利影响,使预测结果更稳定,将四个预测结果中最大和最小的两个舍弃,用剩余两个预测结果的平均值作为最终预测值输出
2、根据上述的计算方法可以设计出一种基于多参数的矿井喷淋换热系统,包括喷淋塔,和喷淋控制装置,其中所述的喷淋塔包括喷头,喷淋控制装置是一种上述的基于多参数的矿井喷淋换热效率预测方法得到的最优化喷淋方法的喷淋控制系统;其中所述的喷淋头与喷淋控制装置相连接。
优选的,所述的喷淋头包括每组两个喷淋头组成的四组喷淋头,每一组的喷淋最大量一致。
进一步优选的,当所述的换热效率在,通过喷淋控制装置控制当前使用的喷淋头数目不变;当所述的换热效率在,通过喷淋控制装置,控制剩余未打开的喷淋头进行喷淋工作,并控制喷淋头数目增加量在之间;当所述的换热效率在0.85以下,控制剩余未打开的喷淋头进行喷淋工作。
有益效果:
1、利用人工智能计算模型对喷淋系统系统的效率进行计算与检测,能够实现对喷淋换热效率的实时监测,其方法科学合理。
2、不用对喷淋系统做任何改动,也不需要增加新设备,简单易行,成本极低。
3、融合四种人工智能计算模型,降低单一模型在预测中可能出现较大误差的几率,使预测结果更稳定,准确性高,通用性强。
4、降低了能源尤其是水资源的浪费率,减少了成本的投入。
附图说明
图1为本发明的方法流程图。
具体实施方式
下面结合说明书附图对本发明作进一步的描述。
由图1,对喷淋换热系统的运行参数进行采集并分类:为保证训练的模型在之后的预测中有较好的适应性,采集到的参数数据应按照脱硫系统处于不同性能等级分类,即高效率性能等级,效率在[1,0.95]之间;一般效率性能等级,效率在(0.95,0.85]之间;低效率性能等级,效率在0.85以下。在三个性能等级段中各取至少取500组数据作为训练样本。
(2)对运行参数进行归一化处理:设换热效率的论域为设,是模型对属值的无量纲值,且。
其中,为的标准函数,经过归一化处理,个数据取值范围为。
(3)利用归一化处理后的数据,建立PLS、SA-SVM、GALS-SVM和PSO-BP四个人工智能计算模型。其中:PLS为偏最小二乘回归,SA-SVM为喷淋优化的支持向量机,GALS-SVM为遗传优化的最小二乘支持向量机,PSO-BP为自适应粒子群优化的BP神经网络。
(a)PLS的建模
首先,分别提取换热效率和换热运行指标的第一成分和。从中提取第一成分,因为只有一个因变量,所以就是标准化后的换热效率,从中提取第一成分,是各换热运行指标变量的线性组合,是对原始变量解释力最强的综合变量,满足且=1,,是的第一个轴,取,进而分别建立对和对的线性回归方程:
(2)
其中,和是回归方程系数,和分别是换热运行指标与换热效率的残差矩阵;
然后,计算运行指标中的第h个成份,以换热运行指标和换热效率的残差矩阵和分别取代和,使用上面的方法求出第2个轴以及第二个成分,则,再分别建立对的线性回归方程:
(3)
以此方法可以类推得到第h个成分;
最后建立PLS模型求出m个成分,后,得,因为都是的线性组合,所以把代入方程,可得换热效率偏最小二乘回归方程式:
(4)
其中是变量的系数,是的第j个分量,;
(b)SA-SVM的建模
首先,假设一个样本集,然后选取非线性映射,之后把原空间向量X映射到高纬特征空间得到。最后在该空间内做线性回归,可得线性方程:
(5)
因为会有部分游离于目标函数式(5)的精度以外,所以利用风险最小化原则,引入松弛变量,;构成最优决策函数,即最小化结构风险函数:
(6)
式中,常数C>0为惩罚系数,能对样本超出误差的惩罚度起到控制作用;
由式(6)运用拉格朗日乘子法建立方程:
对式3分别求对L的偏微分并使之为0;
(8)
把式(8)代入式(7),可得非线性回归方程:
(9)
其中,为拉格朗日乘子;称作核函数;b是常数;
然后,选择适当的核函数,核函数的形式决定SVM的形式,能否将线性不可分问题转化成线性可分问题的关键,选用RBF函数作为SVM模型的核函数,
(10)
其中,RBF为径向基,为二范数,为核系数;
最后,利用模拟喷淋算法SA对SVM的惩罚系数C与核系数进行寻优,
Step1:参数初始化,设置模型参数的范围,在此范围内随机生成作为初始解,并算出目标值;分别设置初始温度与终止温度,设定为降温函数,式中t是迭代次数,称作退火系数;
Step2:生成新解,当前解x的基础上加上增量生成新解,并利用算出目标增值量;
Step3:当时,令;当时,按概率生成一个判断值,式中:k是常数,通常k=1;T是温度,当时,令;当时,x保留不变;
Step4:持续在临近区域内生成新解并重复step3;
Step5:按step1中的降温规律降低T;
Step6:重复step2-step5,直到满足收敛条件;
经过寻优,得到最优的惩罚系数C与核函数的组合(C,),作为SVM模型的参数;
(c)GALS-SVM的建模
因为LS-SVM是在SVM的基础上衍生出的一种人工智能模型,所以建立GALS-SVM的第一步与步骤(3)所述的(b)中第一、二段基本一致,只是式(6)的约束条件变为:
(11)
式(11)对偶问题的拉格多项式为:
(12)
其中,称为拉格乘子,式(12)的最优解条件为式(13)所示方程组:
(13)
将式(13)各等式联立得:
(14)
把代入到(14)中,消去w和,根据最优化条件得到关于和b的线性方程组:
(15)
其中,。
设核相关矩阵,由于B为对称正定矩阵,所以存在,计算是求解线性方程组的关键,是方阵第I行1列的元素,定义为核函数,利用样本集解方程组(15)获得模拟参数,再用式(13)中的第一个等式代入式(6)得:
(16)
式中不等于零的支持向量系数所对应的训练样本称作支持向量;
GALS-SVM步依然是选择向基(RBF)函数作为核函数;
最后,利用遗传算法GA对LS-SVM的正规化参数与核函数进行寻优,找出最优组合作为LS-SVM模型的参数,其步骤如下:
Step1染色体编码:因为考虑到只有正规化参数和核函数两个需要优化的参数,所以选用比较简单的二进制编码;
Step2选择策略:根据每个个体的适应度值,将其按照数值由大到小排列,把父代种群中适应度高的个体保留下来,进行交叉或变异,剩余个体进行随机遍历抽样;
Step3控制参数选择:自适应GA的交叉方式进行均匀交叉,交叉概率为
(17)
其中,和分别为群体最大适应度值,群体平均适应度值和两个交叉个体中较大的适应度值;
变异方式选用多点变异,即针对所有个体的每位编码随机生成,当d大于自身变异率时,此编码由1变0,或者由0变1,否则编码不产生变异,变异概率为:
(18)
其中f为变异个体适应度值;
Step4个体保留:选出子代种群中适应度值在前50%的较优个体,替换掉父代种群中适应度值在后50%的较差个体,提高寻优效率;
(d)PSO-BP的建模
首先,选用西格蒙函数做隐函层与输出层的变换函数,典型的西格蒙函数为:
(19)
式中y为神经元的加权函数;
然后,确定BP神经网络的拓扑结构,其隐含神经元个数的公式如下:
(20)
(21)
其中x=2;输出层神经元个数k;输入层神经元个数i;m是训练本数;隐含层神经元个数的搜索区间,利用穷举法对模型进行计算,最终隐含神经元个数确定为,获得的BP神经网络拓扑结构为i-n-k;
最后,利用粒子群算法(PSO)对BP神经网络的权值和阀值进行优化,过程如下:
Step1:对PSO模块的惯性权重与种群规模进行初始化,随机给全部粒子分配位置和速度组合;
Step2:构造以粒子位置为参数的BP神经网络,根据公式在测试集上算出适应度值,并将个体最优位置定义为,通过对所有对应适应度值的比较获得全局最优位置;
Step3:根据速度更新方程和位置更新方程,对全部粒子的位置和速度进行更新;
(22)
(23)
Step4:构造以粒子位置为参数的BP神经网络,根据公式在测试集上算出适应度值,将的对应位置作为新的个体最优位置;
Step5:把的对应位置作为新的全局最优位置;
Step6:判断是否满足结束条件,若满足,则结束,否则继续step3。
(4)将实时运行参数作为输入,利用已建好的上述模型分别对喷淋换热效率进行预测,得到四个基于多参数的喷淋换热计算结果。
(5)为进一步减小由于模型自身缺陷给预测结果带来的不利影响,使预测结果更稳定,将四个预测结果中最大和最小的两个舍弃,用剩余两个预测结果的平均值作为最终预测值输出
2、根据上述的计算方法可以设计出一种基于多参数的矿井喷淋换热系统,包括喷淋塔,和喷淋控制装置,其中所述的喷淋塔包括喷头,喷淋控制装置是一种上述的基于多参数的矿井喷淋换热效率预测方法得到的最优化喷淋方法的喷淋控制系统;其中所述的喷淋头与喷淋控制装置相连接。
优选的,所述的喷淋头包括每组两个喷淋头组成的四组喷淋头,每一组的喷淋最大量一致。
进一步优选的,当所述的换热效率在,通过喷淋控制装置控制当前使用的喷淋头数目不变;当所述的换热效率在,通过喷淋控制装置,控制剩余未打开的喷淋头进行喷淋工作,并控制喷淋头数目增加量在之间;当所述的换热效率在0.85以下,控制剩余未打开的喷淋头进行喷淋工作。
本发明的具体实施方式并非穷举,本领域技术人员不经过创造性劳动的简单复制和改进,应属于本发明权利要求的保护范围。
Claims (10)
1.一种基于多参数的矿井喷淋换热效率计算方法,其特征在于,将PLS、SA—SVM、GALS—SVM和PSO—BP四种人工智能计算模型融合在一起,自动对喷淋换热效率进行预测,其中PLS为偏最小二乘回归,SA—SVM为喷淋优化的支持向量机,GALS—SVM为遗传优化的最小二乘支持向量机,PSO—BP为自适应粒子群优化的BP神经网络,具体包括以下步骤:
对喷淋换热系统的运行参数进行采集;
对运行参数进行归一化处理;
利用归一化处理后的数据,对上述四种模型进行建模;
将喷淋系统运行中检测到的实时参数数据输入计算机,利用已训练好的PLS、SA—SVM、GALS—SVM和PSO—BP四种人工智能计算模型分别预测出各自预测值;
将四个预测结果中最大和最小的两个舍弃,用剩余的两个预测结果的平均值作为最终预测值。
2.根据权利要求1所述的一种基于多参数的矿井喷淋换热效率计算方法,其特征在于,将所述的步骤(1)采集的参数数据按照喷淋换热系统处于不同性能等级分类,即高效率性能等级,效率在之间;一般效率性能等级,效率在之间;低效率性能等级,效率在0.85以下,在三个性能等级段中各取至少500组数据作为训练样本。
3.根据权利要求1所述的一种基于多参数的矿井喷淋换热效率计算方法,其特征在于,所述的步骤(2)中的归一化处理,设换热效率的域为,设,是模型对属值的无量纲值,且;
(1)
其中,为的标准函数,经过归一化处理,个数据取值范围为。
4.根据权利要求1所述的一种基于多参数的矿井喷淋换热效率计算方法,其特征在于,所述的步骤(3)的PLS、SA-SVM、GALA-SVM和PSO-BP四中人工智能计算模型的建模过程为:
PLS的建模
首先,分别提取换热效率和换热运行指标的第一成分和。
5.从中提取第一成分,因为只有一个因变量,所以就是标准化后的换热效率,从中提取第一成分,是各换热运行指标变量的线性组合,是对原始变量解释力最强的综合变量,满足且=1,,是的第一个轴,取,进而分别建立对和对的线性回归方程:
(2)
其中,和是回归方程系数,和分别是换热运行指标与换热效率的残差矩阵;
然后,计算运行指标中的第h个成份,以换热运行指标和换热效率的残差矩阵和分别取代和,使用上面的方法求出第2个轴以及第二个成分,则,再分别建立对的线性回归方程:
(3)
以此方法可以类推得到第h个成分;
最后建立PLS模型求出m个成分,后,得,因为都是的线性组合,所以把代入方程,可得换热效率偏最小二乘回归方程式:
(4)
其中是变量的系数,是的第j个分量,;
SA-SVM的建模
首先,假设一个样本集,然后选取非线性映射,之后把原空间向量X映射到高纬特征空间得到。
6.最后在该空间内做线性回归,可得线性方程:
(5)
因为会有部分游离于目标函数式(5)的精度以外,所以利用风险最小化原则,引入松弛变量,;构成最优决策函数,即最小化结构风险函数:
(6)
式中,常数C>0为惩罚系数,能对样本超出误差的惩罚度起到控制作用;
由式(6)运用拉格朗日乘子法建立方程:
对式3分别求对L的偏微分并使之为0;
(8)
把式(8)代入式(7),可得非线性回归方程:
(9)
其中,为拉格朗日乘子;称作核函数;b是常数;
然后,选择适当的核函数,核函数的形式决定SVM的形式,能否将线性不可分问题转化成线性可分问题的关键,选用RBF函数作为SVM模型的核函数,
(10)
其中,RBF为径向基,为二范数,为核系数;
最后,利用模拟喷淋算法SA对SVM的惩罚系数C与核系数进行寻优,
Step1:参数初始化,设置模型参数的范围,在此范围内随机生成作为初始解,并算出目标值;分别设置初始温度与终止温度,设定为降温函数,式中t是迭代次数,称作退火系数;
Step2:生成新解,当前解x的基础上加上增量生成新解,并利用算出目标增值量;
Step3:当时,令;当时,按概率生成一个判断值,式中:k是常数,通常k=1;T是温度,当时,令;当时,x保留不变;
Step4:持续在临近区域内生成新解并重复step3;
Step5:按step1中的降温规律降低T;
Step6:重复step2-step5,直到满足收敛条件;
经过寻优,得到最优的惩罚系数C与核函数的组合(C,),作为SVM模型的参数;
GALS-SVM的建模
因为LS-SVM是在SVM的基础上衍生出的一种人工智能模型,所以建立GALS-SVM的第一步与步骤(3)所述的(b)中第一、二段基本一致,只是式(6)的约束条件变为:
(11)
式(11)对偶问题的拉格多项式为:
(12)
其中,称为拉格乘子,式(12)的最优解条件为式(13)所示方程组:
(13)
将式(13)各等式联立得:
(14)
把代入到(14)中,消去w和,根据最优化条件得到关于和b的线性方程组:
(15)
其中,。
7.设核相关矩阵,由于B为对称正定矩阵,所以存在,计算是求解线性方程组的关键,是方阵第I行1列的元素,定义为核函数,利用样本集解方程组(15)获得模拟参数,再用式(13)中的第一个等式代入式(6)得:
(16)
式中不等于零的支持向量系数所对应的训练样本称作支持向量;
GALS-SVM步依然是选择向基(RBF)函数作为核函数;
最后,利用遗传算法GA对LS-SVM的正规化参数与核函数进行寻优,找出最优组合作为LS-SVM模型的参数,其步骤如下:
Step1染色体编码:因为考虑到只有正规化参数和核函数两个需要优化的参数,所以选用比较简单的二进制编码;
Step2选择策略:根据每个个体的适应度值,将其按照数值由大到小排列,把父代种群中适应度高的个体保留下来,进行交叉或变异,剩余个体进行随机遍历抽样;
Step3控制参数选择:自适应GA的交叉方式进行均匀交叉,交叉概率为
(17)
其中,和分别为群体最大适应度值,群体平均适应度值和两个交叉个体中较大的适应度值;
变异方式选用多点变异,即针对所有个体的每位编码随机生成,当d大于自身变异率时,此编码由1变0,或者由0变1,否则编码不产生变异,变异概率为:
(18)
其中f为变异个体适应度值;
Step4个体保留:选出子代种群中适应度值在前50%的较优个体,替换掉父代种群中适应度值在后50%的较差个体,提高寻优效率;
PSO-BP的建模
首先,选用西格蒙函数做隐函层与输出层的变换函数,典型的西格蒙函数为:
(19)
式中y为神经元的加权函数;
然后,确定BP神经网络的拓扑结构,其隐含神经元个数的公式如下:
(20)
(21)
其中x=2;输出层神经元个数k;输入层神经元个数i;m是训练本数;隐含层神经元个数的搜索区间,利用穷举法对模型进行计算,最终隐含神经元个数确定为,获得的BP神经网络拓扑结构为i-n-k;
最后,利用粒子群算法(PSO)对BP神经网络的权值和阀值进行优化,过程如下:
Step1:对PSO模块的惯性权重与种群规模进行初始化,随机给全部粒子分配位置和速度组合;
Step2:构造以粒子位置为参数的BP神经网络,根据公式在测试集上算出适应度值,并将个体最优位置定义为,通过对所有对应适应度值的比较获得全局最优位置;
Step3:根据速度更新方程和位置更新方程,对全部粒子的位置和速度进行更新;
(22)
(23)
Step4:构造以粒子位置为参数的BP神经网络,根据公式在测试集上算出适应度值,将的对应位置作为新的个体最优位置;
Step5:把的对应位置作为新的全局最优位置;
Step6:判断是否满足结束条件,若满足,则结束,否则继续step3。
8.一种基于多参数的矿井喷淋换热系统,其特征在于,包括喷淋塔,和喷淋控制装置,其中所述的喷淋塔包括喷头,喷淋控制装置是一种使用权利要求1—4所述的基于多参数的矿井喷淋换热效率预测方法得到的最优化喷淋方法的喷淋控制系统;其中所述的喷淋头与喷淋控制装置相连接。
9.根据权利要求5所述的一种基于多参数的矿井喷淋换热系统,其特征在于,所述的喷淋头包括每组两个喷淋头组成的四组喷淋头,每一组的喷淋最大量一致。
10.根据权利要求2或6所述的一种基于多参数的矿井喷淋换热系统,其特征在于,当所述的换热效率在,通过喷淋控制装置控制当前使用的喷淋头数目不变;当所述的换热效率在,通过喷淋控制装置,控制剩余未打开的喷淋头进行喷淋工作,并控制喷淋头数目增加量在之间;当所述的换热效率在0.85以下,控制剩余未打开的喷淋头进行喷淋工作。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510251867.9A CN105807609A (zh) | 2015-05-18 | 2015-05-18 | 一种基于多参数的矿井喷淋换热效率计算方法的喷淋系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510251867.9A CN105807609A (zh) | 2015-05-18 | 2015-05-18 | 一种基于多参数的矿井喷淋换热效率计算方法的喷淋系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105807609A true CN105807609A (zh) | 2016-07-27 |
Family
ID=56465491
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510251867.9A Pending CN105807609A (zh) | 2015-05-18 | 2015-05-18 | 一种基于多参数的矿井喷淋换热效率计算方法的喷淋系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105807609A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107514716A (zh) * | 2017-07-27 | 2017-12-26 | 上海救要救信息科技有限公司 | 救援保障用智能喷淋系统及其控制方法 |
CN108694023A (zh) * | 2018-02-22 | 2018-10-23 | 长安大学 | 一种马歇尔试件稳定度和流值的测试方法 |
CN109376858A (zh) * | 2018-09-12 | 2019-02-22 | 天津大学 | 一种基于部分负荷率对冷凝式换热器性能预测的方法 |
CN110009089A (zh) * | 2019-03-15 | 2019-07-12 | 重庆科技学院 | 一种基于pls-pso神经网络的自闭症拥抱机智能设计建模与决策参数优化方法 |
CN111723472A (zh) * | 2020-05-29 | 2020-09-29 | 同济大学 | 基于热熔体型气液双相换热结构的换热器结构优化方法 |
CN112526889A (zh) * | 2021-02-09 | 2021-03-19 | 华东交通大学 | 含硫烟气换热系统pid-p温度控制器优化算法 |
CN114548188A (zh) * | 2022-04-21 | 2022-05-27 | 武汉格蓝若智能技术有限公司 | 一种变电站内电容式电压互感器运行模式识别方法 |
CN115293040A (zh) * | 2022-08-04 | 2022-11-04 | 北京百度网讯科技有限公司 | 深度学习模型的训练、换热特性数据的确定以及退火方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000222005A (ja) * | 1999-02-03 | 2000-08-11 | Hitachi Ltd | プロセスの制御装置 |
CN201852361U (zh) * | 2010-11-09 | 2011-06-01 | 北京矿大节能科技有限公司 | 一种矿井回风源热泵系统 |
CN102242946A (zh) * | 2011-04-29 | 2011-11-16 | 清华大学 | 利用吸收式热泵回收烟气余热的集中供热系统 |
CN102518461A (zh) * | 2011-12-02 | 2012-06-27 | 清华大学 | 一种煤矿低位次生热能资源化综合利用系统 |
CN102693451B (zh) * | 2012-06-14 | 2014-11-19 | 东北电力大学 | 基于多参数的氨法烟气脱硫效率预测方法 |
CN104567472A (zh) * | 2014-12-16 | 2015-04-29 | 上海腾邦环境科技有限公司 | 空冷辅助蒸发节能系统及其控制方法 |
-
2015
- 2015-05-18 CN CN201510251867.9A patent/CN105807609A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000222005A (ja) * | 1999-02-03 | 2000-08-11 | Hitachi Ltd | プロセスの制御装置 |
CN201852361U (zh) * | 2010-11-09 | 2011-06-01 | 北京矿大节能科技有限公司 | 一种矿井回风源热泵系统 |
CN102242946A (zh) * | 2011-04-29 | 2011-11-16 | 清华大学 | 利用吸收式热泵回收烟气余热的集中供热系统 |
CN102518461A (zh) * | 2011-12-02 | 2012-06-27 | 清华大学 | 一种煤矿低位次生热能资源化综合利用系统 |
CN102693451B (zh) * | 2012-06-14 | 2014-11-19 | 东北电力大学 | 基于多参数的氨法烟气脱硫效率预测方法 |
CN104567472A (zh) * | 2014-12-16 | 2015-04-29 | 上海腾邦环境科技有限公司 | 空冷辅助蒸发节能系统及其控制方法 |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107514716A (zh) * | 2017-07-27 | 2017-12-26 | 上海救要救信息科技有限公司 | 救援保障用智能喷淋系统及其控制方法 |
CN108694023A (zh) * | 2018-02-22 | 2018-10-23 | 长安大学 | 一种马歇尔试件稳定度和流值的测试方法 |
CN108694023B (zh) * | 2018-02-22 | 2021-04-27 | 长安大学 | 一种马歇尔试件稳定度和流值的测试方法 |
CN109376858A (zh) * | 2018-09-12 | 2019-02-22 | 天津大学 | 一种基于部分负荷率对冷凝式换热器性能预测的方法 |
CN109376858B (zh) * | 2018-09-12 | 2021-12-31 | 天津大学 | 一种基于部分负荷率对冷凝式换热器性能预测的方法 |
CN110009089A (zh) * | 2019-03-15 | 2019-07-12 | 重庆科技学院 | 一种基于pls-pso神经网络的自闭症拥抱机智能设计建模与决策参数优化方法 |
CN111723472A (zh) * | 2020-05-29 | 2020-09-29 | 同济大学 | 基于热熔体型气液双相换热结构的换热器结构优化方法 |
CN111723472B (zh) * | 2020-05-29 | 2022-06-03 | 同济大学 | 基于热熔体型气液双相换热结构的换热器结构优化方法 |
CN112526889A (zh) * | 2021-02-09 | 2021-03-19 | 华东交通大学 | 含硫烟气换热系统pid-p温度控制器优化算法 |
CN114548188A (zh) * | 2022-04-21 | 2022-05-27 | 武汉格蓝若智能技术有限公司 | 一种变电站内电容式电压互感器运行模式识别方法 |
CN115293040A (zh) * | 2022-08-04 | 2022-11-04 | 北京百度网讯科技有限公司 | 深度学习模型的训练、换热特性数据的确定以及退火方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105807609A (zh) | 一种基于多参数的矿井喷淋换热效率计算方法的喷淋系统 | |
CN102693451B (zh) | 基于多参数的氨法烟气脱硫效率预测方法 | |
Duan et al. | Forecasting crude oil consumption in China using a grey prediction model with an optimal fractional-order accumulating operator | |
WO2022193642A1 (zh) | 一种基于图卷积神经网络和nsga-ⅱ算法的水库调度多目标优化方法 | |
CN107370188A (zh) | 一种计及风电出力的电力系统多目标调度方法 | |
CN109146121A (zh) | 基于pso-bp模型的停限产情况下的电量预测方法 | |
CN108846526A (zh) | 一种二氧化碳排放量预测方法 | |
CN107203687B (zh) | 吸收塔脱硫过程多目标协同智能优化控制方法 | |
CN105701571A (zh) | 一种基于神经网络组合模型的短时交通流量预测方法 | |
CN103733210A (zh) | 用于对技术系统进行计算机辅助的建模的方法 | |
CN105302973A (zh) | 基于moea/d算法的铝电解生产优化方法 | |
CN110837915B (zh) | 一种基于混合集成深度学习的电力系统低压负荷点预测及概率预测方法 | |
Xuemei et al. | Particle swarm optimization-based LS-SVM for building cooling load prediction | |
CN108038538A (zh) | 基于强化学习的多目标进化算法 | |
CN107909221A (zh) | 基于组合神经网络的电力系统短期负荷预测方法 | |
CN101968832B (zh) | 基于构造-剪枝混合优化rbf网络的煤灰熔点预测方法 | |
CN116914751B (zh) | 一种智能配电控制系统 | |
CN109886448A (zh) | 采用变学习率bp神经网络以及nsga-ii算法的热泵多目标优化控制方法 | |
CN104778368A (zh) | 一种针对高维多目标优化问题的Pareto集个体排序方法 | |
CN105334824A (zh) | 基于nsga-ⅱ算法的铝电解生产优化方法 | |
CN105426959A (zh) | 基于bp神经网络与自适应mbfo算法的铝电解节能减排方法 | |
CN108734349A (zh) | 基于改进遗传算法的分布式电源选址定容优化方法及系统 | |
Jian-Ming | Traffic prediction based on improved neural network | |
CN105334730A (zh) | 加热炉氧含量的iga优化t-s模糊arx建模方法 | |
CN114429248A (zh) | 一种变压器视在功率预测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20160727 |