CN109343340B - 数据驱动的固定拓扑结构换热网络智能优化改造方法 - Google Patents

Abstract

一种基于数据驱动的固定拓扑结构换热网络智能优化改造方法，包括以下步骤：1)对换热网络进行性能模拟；2)建立BP神经网络；3)采用遗传算法对换热网络进行优化，获得最佳改造方案。本发明以固定的换热网络拓扑结构为出发点，不需要对原有换热网络的拓扑结构和换热匹配关系进行任何修改，不仅减少了改造的时间和投资的成本，确保了改造的可行性，而且能获得良好的改造收益。本发明建立了一种智能优化方法，可以为换热网络的优化改造提供科学的指导，仅需要知道换热网络的工艺参数，就可以自动获得各台换热设备的最优性能指标UA值和换热网络的最小能源消耗，给出最佳的节能改造方案，从而减少公用工程的消耗、实现节能降耗的目的。

Description

数据驱动的固定拓扑结构换热网络智能优化改造方法

技术领域

本发明涉及化工过程工业的换热网络，特别涉及数据驱动的固定拓扑结构换热网络智能优化改造方法。

技术背景

随着生产的发展和人民生活水平的提高，能量回收与合理的利用等问题得到了广泛的发展。节能对能源供需平衡起着无可替代的作用。因此，对于耗能巨大的化工过程工业提出了节约能量、降低消耗等更高的要求。作为能量回收利用的一个重要子系统的换热网络，在其中的作用不言而喻。对于固定拓扑结构或已经在运行的换热网络，如何优化改造使其达到最大的节能量，减少公用工程的消耗对节能减排具有重要的意义。企业往往需要根据市场的需求、原料和产品的供需关系与设备的运行情况等对能量集成网络进行升级改造。若对网络进行重新布管或改变现有换热器的使用位置，不仅需要花费大量的改造时间，还要投资大笔的资金进行升级改造，其可行性还要受到空间位置等现场因素的制约。因此，建立一种智能、经济、高效、可行的换热网络优化改造方法，来指导企业科学有效地开展节能优化工作，具有很强的现实意义。

因此本发明提供了一种基于数据驱动的固定拓扑结构换热网络智能优化改造方法，用以对现有换热网络进行经济高效的节能优化和升级改造。本发明对换热网络进行了大量的性能模拟，即通过改变现有换热网络的某些参数，获得其他的一些性能参数，通过对换热网络的性能数据进行原始的大量积累的基础上，获得其内部的某种关联关系。本发明以固定换热网络的拓扑结构为出发点，即不对换热网络进行任何换热器重新匹配、变动换热器的使用位置、增加新的换热匹配、重新布管等操作，仅对现有换热器的传热性能进行改变，以确保换热网络改造的经济性和可行性，实现经济、高效、可行的换热网络优化改造。同时，本发明采用了神经网络与遗传算法相结合的智能优化算法来获得换热网络的最佳优化改造方案。换热网络升级改造问题，通常都是非线性问题，难以优化求解。神经网络具有可以拟合任意非线性函数的优势，而遗传算法可以找到非线性函数的全局最优解，将两种算法相结合为求解换热网络的最佳优化改造方案，提供了解决办法。

发明内容

为了克服现有技术的不足，本发明基于数据驱动的固定拓扑结构换热网络智能优化改造方法，可获得固定拓扑结构下的换热网络的最大节能量与各处换热器的最优性能指标UA值，其中U是换热器的传热系数，A是换热器的换热面积。

为了解决上述技术问题，本发明提供如下的技术方案：

一种基于数据驱动的固定拓扑结构换热网络智能优化改造方法，包括以下步骤：

1)对换热网络进行性能模拟，过程如下：

1.1)获取现有换热网络的物流数据，冷物流和热物流的进出口温度和热容流率，所有换热器的传热系数、换热面积、热负荷和进出口温度；

1.2)将各换热器的传热系数U与换热面积A相乘，获得各换热器性能指标UA的值；

1.3)为积累性能数据，改变每一台换热器的性能指标UA的值，使其在设定范围之间变化，然后固定换热网络的进出口温度，通过换热网络性能模拟计算出每股流体所需的公用工程消耗量，再获得总的公用工程消耗量，并将这些原始数据收集并保存下来；

2)建立BP神经网络，过程如下：

2.1)数据预处理：读取由步骤1)所获得的数据集，即各换热器不同的性能指标UA值及其所对应的换热网络公用工程消耗量，然后将这些数据作归一化处理，即将这些数据映射在[0,1]上，由如下公式求得：

说明：x、x'分别为转换前后的值，(UA)_max、(UA)_min分别为性能指标UA的最大、最小值；

2.2)初始化神经网络结构：设置隐含层神经元个数，神经元的个数根据经验公式：

确定，其中n、l为输入与输出的神经元数，a通常取1～10；神经网络的输入层与输出层的神经元数由所提供的数据集所决定，输入层的神经元个数等于换热器的台数，输出层神经元的个数为1，设置神经网络的学习效率、最大收敛次数和训练目标最小误差；

2.3)训练神经网络：将步骤1)获得的数据集划分为训练数据集与测试数据集两部分；

2.4)随机从训练集中选取第k组换热器性能指标UA值和对应公用工程消耗量，然后计算其隐含层各神经元之间的输入和输出；

2.5)计算神经网络输出与期望输出的均方根误差；

2.6)判断神经网络误差是否满足要求，当误差达到训练目标最小误差或最大收敛次数，则结束计算；否则选取下一组换热器的性能指标UA值及其对应的公用工程消耗量，返回步骤2.4)，进入下一轮的训练学习；

2.7)完成所有的训练数据集的训练后，再使用测试数据集对神经网络进行测试，直到满足最大收敛次数与目标误差的要求后，完成神经网络模型的建立；

3)采用遗传算法对换热网络进行优化，获得最佳改造方案，过程如下：

3.1)初始化遗传算法的各参数，采用实数编码的方式对种群及个体进行编码，设置种群规模、交叉概率、变异概率和最大迭代次数；

3.2)种群初始化，设置进化代数计数器t＝0，最大进化代数maxgen，并随机生成初始种群；

3.3)适应度计算，应用步骤2)得到的BP神经网络模型来预测公用工程消耗量，并将其作为遗传算法的适应度值，来衡量各染色体的优劣，其中适应度越小，即公用工程消耗量越小，获得的个体越优；

3.4)通过选择、交叉和变异操作，达到更新种群的目的，寻找目标函数的全局最优值及对应的输入值，即获得最小公用工程和与其对应的各换热器的UA值，其中选择机制为比例选择，交叉形式为模拟二进制交叉，变异形式为多项式变异；

3.5)直到达到最大迭代次数，停止遗传算法的寻优计算，获得最小的公用工程消耗量与其对应的最优性能指标UA的组合。

本发明的有益效果主要表现在：本发明以固定的换热网络拓扑结构为出发点，不需要对原有换热网络的拓扑结构和换热匹配关系进行任何修改，不仅减少了改造的时间和投资的成本，确保了改造的可行性，而且能获得良好的改造收益。本发明建立了一种智能优化方法，可以为换热网络的优化改造提供科学的指导，仅需要知道换热网络的工艺参数，就可以自动获得各台换热设备的最优性能指标UA值和换热网络的最小能源消耗，给出最佳的节能改造方案，从而减少公用工程的消耗、实现节能降耗的目的。

附图说明

图1是基于数据驱动的固定拓扑结构换热网络智能优化改造方法的流程图。

图2是原有换热网络拓扑结构图。

图3是改造优化后的换热网络结构图。

具体实施方式

为了更好的说明本发明的应用效果，现对该方法应用实例进行说明。

参照图1～图3，一种基于数据驱动的固定拓扑结构换热网络智能优化改造方法，设有三条热物流、三条冷物流，两个冷公用工程和一个热公用工程，四台中间换热器组成。换热网络物流数据如表1所示，现有换热器数据如表2，原始换热网络拓扑结构图如图2所示。原换热网络中所有的换热器的总传热系数U均为0.8kW/(m²·K)，总的公用工程消耗量为1160kW/y。

表1

表2

所述基于数据驱动的固定拓扑结构换热网络智能优化改造方法，包括以下步骤：

1).对换热网络进行性能模拟，过程如下：

1.1)获取现有换热网络的物流数据与换热器数据，见表1和表2；

1.2)将各换热器的传热系数U与换热面积A相乘，获得各换热器性能指标UA值，见表2；

1.3)为积累性能数据，改变每一台换热器的性能指标UA的值，使其以0.2的步长在[0.3UA,1.5UA]之间变化，获得7⁴＝2401组性能指标UA的数据集。然后通过换热网络性能模拟，模拟计算得到4台中间换热器在2401组性能指标UA下公用工程的消耗量，将这些原始数据收集并保存下来；

2).建立BP神经网络，过程如下：

2.1)数据预处理：读取由步骤1)所获得的2401组数据集，即4台中间换热器不同的性能指标UA及其所对应的换热网络公用工程消耗量，然后将这些数据作归一化处理，将这些数据映射在[0,1]上，由如下公式求得：

说明：x、x'分别为转换前后的值，(UA)_max、(UA)_min分别为性能指标UA的最大、最小值；

2.2)初始化神经网络结构：由数据集可知，该网络输入层为4个神经元(即有4台换热器性能指标UA)，1个输出层(公用工程消耗量)。设置一个隐藏层，其神经元数由经验公式求得为4～13，这里取为6，最大收敛次数为500，学习速率为0.05，训练目标最小误差为0.0000001；

2.3)训练神经网络：将2401组数据集划分为2300组训练数据集与101组测试数据集；

2.4)随机从训练集中选取第k组换热器性能指标UA值和对应公用工程消耗量，然后计算其隐含层各神经元之间的输入和输出；

2.5)计算神经网络输出与期望输出的均方根误差；

2.6)判断神经网络误差是否满足要求，当误差达到训练目标最小误差0.0000001或最大收敛次数500时，则结束计算；否则选取下一组换热器的性能指标UA值及其对应的公用工程消耗量，返回步骤2.4)，进入下一轮的训练学习；

2.7)完成所有的训练数据集的训练后，再使用测试数据集对神经网络进行测试，直到满足最大收敛次数500与目标误差0.0000001的要求后，完成神经网络模型的建立；

3).采用遗传算法对换热网络进行优化，获得最佳改造方案，过程如下：

3.1)初始化遗传算法的各参数，采用实数编码的方式对种群及个体进行编码，最大迭代次数为100次，种群规模为30，交叉概率为0.6，变异概率为0.05；

3.2)种群初始化，设置进化代数计数器t＝0，最大进化代数maxgen，并随机生成初始种群；

3.3)适应度计算，应用步骤2)得到的BP神经网络模型来预测公用工程消耗量，并将其作为遗传算法的适应度值，来衡量各染色体的优劣，其中适应度越小，即公用工程消耗量越小，获得个体越优；

3.4)通过选择、交叉和变异操作，达到更新种群的目的，寻找目标函数的全局最优值及对应的输入值，即获得最小公用工程和与其对应的各换热器的UA值，其中选择机制为比例选择，交叉形式为模拟二进制交叉(即SBX交叉)，变异形式为多项式变异；

3.5)直到达到最大迭代次数100，则停止遗传算法的寻优计算，获得最小的公用工程消耗量与其对应的最优性能指标UA的组合，优化方案见表3。

表3

由表3我们可以看出，在固定换热网络拓扑结构的情况下，我们仅对换热器E3略微进行强化改造，就可以快速获得5.2％的能量节约效果。同时该方法的改造周期与改造成本较其他方法来说也少的多，而且优化效率高。本发明建立了一种智能、经济、高效、可行的换热网络优化改造方法，可用于指导企业科学有效地开展节能优化工作。

Claims (1)

1.一种基于数据驱动的固定拓扑结构换热网络智能优化改造方法，其特征在于，所述方法包括以下步骤：

1)对换热网络进行性能模拟，过程如下：

1.1)获取现有换热网络的物流数据，冷物流和热物流的进出口温度和热容流率，所有换热器的传热系数、换热面积、热负荷和进出口温度；

1.2)将各换热器的传热系数U与换热面积A相乘，获得各换热器性能指标UA的值；

1.3)为积累性能数据，改变每一台换热器的性能指标UA的值，使其在设定范围之间变化，然后固定换热网络的进出口温度，通过换热网络性能模拟计算出每股流体所需的公用工程消耗量，再获得总的公用工程消耗量，并将这些原始数据收集并保存下来；

2)建立BP神经网络，过程如下：

2.1)数据预处理：读取由步骤1)所获得的数据集，即各换热器不同的性能指标UA值及其所对应的换热网络公用工程消耗量，然后将这些数据作归一化处理，即将这些数据映射在[0,1]上，由如下公式求得：

说明：x、x'分别为转换前后的值，(UA)_max、(UA)_min分别为性能指标UA的最大、最小值；

2.2)初始化神经网络结构：设置隐含层神经元个数，神经元的个数根据经验公式：

确定，其中n、l为输入与输出的神经元数，a取1～10；神经网络的输入层与输出层的神经元数由所提供的数据集所决定，输入层的神经元个数等于换热器的台数，输出层神经元的个数为1，设置神经网络的学习效率、最大收敛次数和训练目标最小误差；

2.3)训练神经网络：将步骤1)获得的数据集划分为训练数据集与测试数据集两部分；

2.4)随机从训练集中选取第k组换热器性能指标UA值和对应公用工程消耗量，然后计算其隐含层各神经元之间的输入和输出；

2.5)计算神经网络输出与期望输出的均方根误差；

2.6)判断神经网络误差是否满足要求，当误差达到训练目标最小误差或最大收敛次数，则结束计算；否则选取下一组换热器的性能指标UA值及其对应的公用工程消耗量，返回步骤2.4)，进入下一轮的训练学习；

2.7)完成所有的训练数据集的训练后，再使用测试数据集对神经网络进行测试，直到满足最大收敛次数与目标误差的要求后，完成神经网络模型的建立；

3)采用遗传算法对换热网络进行优化，获得最佳改造方案，过程如下：

3.1)初始化遗传算法的各参数，采用实数编码的方式对种群及个体进行编码，设置种群规模、交叉概率、变异概率和最大迭代次数；

3.2)种群初始化，设置进化代数计数器t＝0，最大进化代数maxgen，并随机生成初始种群；

3.3)适应度计算，应用步骤2)得到的BP神经网络模型来预测公用工程消耗量，并将其作为遗传算法的适应度值，来衡量各染色体的优劣，其中适应度越小，即公用工程消耗量越小，获得的个体越优；

3.4)通过选择、交叉和变异操作，达到更新种群的目的，寻找目标函数的全局最优值及对应的输入值，即获得最小公用工程和与其对应的各换热器的UA值，其中选择机制为比例选择，交叉形式为模拟二进制交叉，变异形式为多项式变异；

3.5)直到达到最大迭代次数，停止遗传算法的寻优计算，获得最小的公用工程消耗量与其对应的最优性能指标UA的组合。

Images