CN109376858B - 一种基于部分负荷率对冷凝式换热器性能预测的方法 - Google Patents

Abstract

本发明公开了一种基于部分负荷率对冷凝式换热器性能预测的方法,包括以下步骤：步骤一、建立设计变量和目标函数之间的非线性映射关系；步骤二、建立用于性能预测的BP神经网络结构；步骤三、对BP神经网络进行训练；步骤四、利用训练完成的神经网络对部分负荷率下冷凝式换热器的热效率、NOx和CO浓度进行预测。采用该方法对冷凝式换热器性能进行预测，实验操作方便、数据获取简单、预测精度高。更重要的是，可有效避免冷凝式换热器在过欠负荷和过载负荷工况下进行实验操作时发生危险的可能。

Description

一种基于部分负荷率对冷凝式换热器性能预测的方法

技术领域

本发明涉及到一种针对换热器效能和污染物排放浓度，在部分负荷率工况下的预测方法。

背景技术

换热器作为一种重要的能量转移设备，广泛应用于石油、化工、能源等行业，开发更加高效节能的换热器种类，研究更加稳定高效的换热器运行规律已经成为换热器研究领域的热点。在20世纪中东石油危机之后，欧美等国家开始针对更加高效的冷凝式燃气锅炉、冷凝式换热器进行研究，提出将锅炉排烟温度降低到露点温度以下，回收烟气中大量水蒸气的汽化潜热，从而提高燃气的能源利用效率。并于1979年成功研制出世界上第一台冷凝式燃气热水器。其后，其核心部件-冷凝式换热器作为一款高效换热器，在燃气烟气能量回收、空调冷凝器、以及工业冷凝塔等领域也得到很好的应用。

另一方面，关于冷凝式换热器设备的合理选型，高效运行规律的研究也成为热点领域。其中，在换热器的设备选型过程中，一般都会考虑一定的负荷余量以满足设备长期稳定安全运行。正是由于上述原因，在实际的应用工况下，换热器大部分的运行工况都是在部分负荷率下进行，因此对于长期运行的冷凝式换热器，有针对性的对其在部分负荷率的运行效率，节能减排特性的研究，就显得十分重要。现有的针对冷凝式热水器热效率和污染物浓度的研究中，很少有涉及到热水器在过欠负荷和过载负荷工况下的预测研究。即使针对30％～100％负荷率的热水器热效率和污染物排放的预测研究，也主要以实验测试为主，很少采用以神经网络技术进行预测研究。且在采用实验或理论方法，对热水器在部分负荷率工况下的热效率和污染物排放浓度，很难建立和发现研究对象和研究目标函数之间的非线性映射关系。

发明内容

本发明的目的在于克服已有技术的缺点，提供一种基于部分负荷率对冷凝式换热器热效率和污染物排放浓度的预测方法。本方法在仅对换热器在常规负荷率工况下的热效率和污染物排放浓度进行测试的情况下，可实现对换热器在过载负荷和过欠负荷工况下的热效率和污染物浓度进行预测。

一种基于部分负荷率对冷凝式换热器性能预测的方法，包括以下步骤：

步骤1：建立设计变量和目标函数之间的非线性映射关系，所述的设计变量为影响换热器在20％～100％负荷率工况下的热效率和污染物排放浓度的变量，包括过量空气系数、烟气质量流量、水流质量流量和水流进口温度，所述的目标函数为换热器的换热性能和污染物排放性能函数，包括热效率，NOx和CO排放浓度；

步骤2：建立BP神经网络结构，用来预测所述的目标函数；所述的BP神经网络结构输入层参数为实际测量得到的所述的设计变量，所述的BP神经网络结构输出层参数为实际测量得到的所述的目标函数，BP神经网络结构中间隐含层参数节点数的计算公式如下所示：

n₂＝2×n₁+1

式中，n₂为隐含层参数节点数，n₁为输入层参数的节点数；

步骤3：训练BP神经网络结构，过程为：

(a)网络初始化：根据步骤2建立的BP神经网络结构，首先对通过实验测量得到的输入层参数和输出层参数进行归一化处理，然后随机选择并确定神经网络结构中的权值和阈值，对神经网络进行初始化；

(b)BP神经网络中间隐含层输出参数计算：根据神经网络结构输入层参数及上述步骤(a)中确定的权值和阈值，计算BP神经网络结构的隐含层的输出参数；

(c))BP神经网络输出层输出参数计算：根据上述步骤(b)中的隐含层输出参数，计算得到BP神经网络预测输出参数，输出层的传递函数采用S型对数函数logsig；

(d)误差计算：根据网络预测输出参数和对换热器实际测试得到的输出层参数，计算网络预测误差，若所述的网络预测误差小于10^-3，则停止训练，以所述的网络预测输出参数替代步骤2中的BP神经网络输出层参数，形成训练好的新的BP神经网络结构；若所述的网络预测误差大于等于10^-3，则进行步骤(e)；

(e)反向更新权值和阈值，然后返回到步骤(b)。

步骤4：预测部分负荷率下热水器性能，步骤为：

将换热器在负荷为10％～20％的过欠负荷工况下和负荷为100％～120％的过载负荷工况下的过量空气系数、烟气质量流量、水流质量流量和水流进口温度分别作为输入参数，输入到训练好的BP神经网络结构，直接预测得到换热器在过欠负荷和过载负荷工况下的热效率，NOx和CO排放浓度。

本发明的有益效果是：本方法实验过程简单易操作，无风险；数据获取简单，且预测精度较高。同时，本方法在仅对换热器在常规负荷率(20％～100％)工况下的热效率和污染物排放浓度进行测试的情况下，可实现对换热器在过载负荷(100％～120％)和过欠负荷(10％～20％)工况下的热效率和污染物浓度进行预测。有效避免了换热器在过欠负荷和过载负荷工况下进行实验操作时发生危险的可能。

附图说明

图1是设计变量与预测设计目标函数之间的关系图；

图2是BP神经网络运算逻辑结构图；

图3是BP神经网络结果对不同负荷率下换热器的热效率的预测结果图；

图4是BP神经网络结果对不同负荷率下CO排放浓度的预测结果图；

图5是BP神经网络结果对不同负荷率下NOx排放浓度的预测结果图。

具体实施方式

下面结合附图，对本发明的具体实施方式作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。

本发明提供了一种在部分负荷率下，预测换热器性能和污染物排放浓度的方法。并在下述内容中提供一较佳实施案例，但并不用以限制本发明。凡是在本发明的原则之内，所作的任何修改、等同替换、改进，均应包含在本发明的保护范围之内。

本发明的基于部分负荷率对冷凝式换热器性能预测的方法，包括以下步骤：

步骤1：建立设计变量和目标函数之间的非线性映射关系，所述的设计变量为影响换热器在常规负荷率(20％～100％)工况下的热效率和污染物排放浓度的变量，包括过量空气系数、烟气质量流量、水流质量流量和水流进口温度。所述的目标函数为换热器的换热性能和污染物排放性能函数，包括热效率，NOx和CO排放浓度。

在冷凝式换热器的运行过程中，影响换热器热效率和污染物排放性能的因素有很多，主要可以分为三大类，燃气燃烧工况、换热器形式和水流条件。其中燃烧工况主要包括过量空气系数、燃气种类、燃烧方式，以及燃烧后形成的烟气温度及流量。换热器的形式主要包括换热壁面的结构形式以及强化换热的肋片形式等。水流条件主要包括水流进口的温度，速度等参数。由于上述参数均对换热器的热效率和污染物排放有强烈的非线性映射特性的影响，采用传统的理论分析和实验测试，很难完成上述所有因素对换热器效率和污染物排放浓度规律的研究。

针对结构已固定，且其提供能量的燃气形式也固定的换热器，选择对研究目标具有重要影响的几个因素为研究变量，其中主要为过量空气系数、烟气质量流量、水流质量流量、水流进口温度。

在换热器的实际运行过程中，由于用户侧需要的多样性，会导致换热器机组在大部分时间内都是处于部分负荷工况下运行的。所谓部分负荷运行工况，就是换热器在实际运行的负荷低于其额定负荷的运行工况。当换热器及其机组长期位于部分负荷工况下运行时，一方面造成了设备容量的浪费，同时由于低负荷率工况下，换热器的效率也会发生变化，也会造成能源的浪费。而针对冷凝式换热器，当换热器负荷发生变化时，烟气中的水蒸气的冷凝状态也会发生变化，从而会影响烟气中NOx和CO的排放浓度变化，这也会对环境造成影响。其中关于所研究设计变量与目标函数之间的关系，可以通过图1得到表示。

其中实际负荷率PLR的计算可以通过如下公式得到：

其中：其中：c_w为水的定压比热容，4.12×10³kJ/(kg℃)；m_w为水的质量流量，单位为kg/h，△T_w为水流的进出口温差，单位为℃；Q_e为换热器的额定热容量。

图1中，设计变量选择为过量空气系数、烟气流量、水流流量和水流进口温度四个参数，而目标函数则选择为热水器的整体热效率、NOx和CO的排放浓度三个参数。根据前面的分析可知，过量空气系数和烟气质量流量主要对热水器的负荷率产生影响；而过量空气系数、水流流量和水流进口温度主要是对热水器污染物排出浓度产生影响。如不同的水流进口温度，会影响烟气排烟温度，而当排烟温度低于水蒸气的冷凝温度时，烟气中水蒸气会发生冷凝现象，烟气中的NOx和CO浓度也会因此发生变化。因此对换热器热效率和污染物排放浓度的研究中，选择上述四个变量作为设计参数。

步骤2：建立BP神经网络结构，用来预测所述的目标函数。所述的BP神经网络结构输入层参数为实际测量得到的所述的设计变量(过量空气系数、烟气质量流量、水流质量流量、水流进口温度等)；所述的BP神经网络结构输出层参数为实际测量得到的所述的目标函数(热效率，NOx和CO浓度)。BP神经网络结构中间隐含层参数节点数的计算公式如下所示：

n₂＝2×n₁+1

式中，n₂为隐含层参数节点数，n₁为输入层参数的节点数。

具体BP神经网络预测逻辑如图2所示：

图2是采用BP神经网络，对热水器热效率和NOx和CO两种污染物排放浓度预测的运算逻辑结构图，其中x₁，x₂，x₃和x₄分别表示神经网络系统中四个输入，作为本发明的实施例；x₁，x₂，x₃和x₄分别为过量空气系数、烟气流量、水流流量和水流进口温度；y₁，y₂和y₃表示神经网络的三个的输出，y₁，y₂和y₃分别为热效率、CO浓度和NOx浓度；w₁，w₂，w₃，和w₄分别表示输入层参数对隐含层参数的权值；θ_i表示隐含层内参数的兴奋阈值，所述的权值和兴奋阈值在运行开始时随机产生，之后根据误差的大小，自行调节；F(x_i)表示激励函数，该函数有多种表达形式，作为本发明实施例，所述传递函数可选择为如下公式：

式中x_i代表输入参数，i＝1，2，3，和4。

从图2中可看出，BP神经网络是一个非线性函数，网络输入值和预测值分别为该函数的自变量和因变量。当输入节点数为n，输出节点数为m时，BP神经网络就表达了从n个自变量到m个因变量的函数映射关系。本实施例建立了，一个4(输入层参数的节点数)-9(隐含层参数节点数)-3(输出层参数的节点数)结构的神经网预测模型。

步骤3：训练BP神经网络结构，过程为：

神经网络的训练，目的是通过训练使得网络具有联想记忆和预测能力，其网络训练的过程如下：

(a)网络初始化：根据步骤2建立的BP神经网络结构，首先对通过实验测量得到的输入层参数和输出层参数进行归一化处理，然后随机选择并确定神经网络结构中的权值和阈值，对神经网络进行初始化；

(b)隐含层输出计算：根据神经网络结构输入层参数及上述步骤(a)中确定的权值和阈值，计算BP神经网络结构的隐含层的输出参数；

(c)输出层输出计算：根据上述步骤(b)中的隐含层输出参数，计算得到BP神经网络预测输出参数。输出层的传递函数采用S型对数函数logsig，这是由于输出模式为0-1，正好满足网络的输出要求。

(d)误差计算：根据网络预测输出参数和对换热器实际测试得到的目标函数值，计算网络预测误差(可采用全局误差等方法，预测误差的计算方法还可参考高等教育出版社：人工神经网络导论，蒋宗礼编著教材)。为了能够更高精度的对预测数据进行分析，若所述的网络预测误差小于10^-3，则停止训练，以所述的网络预测输出参数替代步骤2中的BP神经网络输出层参数，形成训练好的新的BP神经网络结构；若所述的网络预测误差大于等于10^-3，则进行步骤(e)；

(e)反向更新权值和阈值，然后返回到步骤(b)。

步骤4：预测部分负荷率下热水器性能，步骤为：

将换热器在过欠负荷(过欠负荷率主要选择为10％～20％)和过载负荷工况下(过载负荷率主要选择为100％～120％的)的过量空气系数、烟气质量流量、水流质量流量和水流进口温度分别作为输入参数，输入到训练好的BP神经网络结构，直接预测得到换热器在过欠负荷和过载负荷工况下的热效率，NOx和CO排放浓度。

实施例1

在本实施例中，步骤1～步骤3均和上文具体实施方式中内容相同，在此对步骤4中热水器性能的预测结果进行研究。

根据步骤1～步骤3中的设计变量和目标函数的确定、神经网络结构的确立，以及对神经网络的训练和预测研究，得到一个训练完成的神经网络结构。再将所述的神经网络用于对冷凝式热水器在部分负荷率下的热效率、NOx和CO排放浓度进行预测研究，结果如图3、图4和图5所示。

图3表示在BP神经网络和实验测试对比过程中，换热器10～120％的梯度负荷工况下，预测得到的换热器热效率分布规律。可以看出在20％～100％负荷工况下，BP神经网络系统均可很好的对换热器效率进行预测，它们与实验测试结果的误差分别为0.047。在过欠负荷工况(小于20％负荷率)和过载负荷(大于100％负荷率)工况下，BP神经网络也相应预测出该运行工况下的换热器效率。还可以看出，当换热器的负荷率在30％时，换热器的热效率此时达到了94.3％，

同理，冷凝式热水器排放烟气中的NOx和CO浓度也会受到过量空气系数，烟气流量、水流量和水流温度的影响。上述四个参数(过量空气系数，烟气流量、水流量和水流温度)不仅会对换热器的负荷率造成影响，同时还会对换热器内部烟气和水流的温度分布规律产生影响。当烟气温度接触到的壁面温度低于烟气中酸性蒸汽的冷凝温度时，烟气的酸性蒸汽就会发生冷凝；而当壁面温度低于水蒸气的冷凝温度时，此时烟气中的水蒸气也会发生冷凝现象。上述两个冷凝过程，一般会耦合发生，且部分酸性冷凝蒸汽和酸性冷凝液还会溶解于冷凝水中，从而会使得排放烟气中的NOx和CO的浓度发生变化。关于换热器在不同负荷率工况下，NOx和CO浓度的排放规律如图4和图5所示。

从图4和图5换热器在不同负荷率下，NOx和CO排放浓度的预测结果可以看出，在20％～100％负荷范围内，CO和NOx浓度均呈现先下降后上升的相似趋势。其中在20％～90％范围内，NOx浓度的下降速度相对高于CO，但两者均在90％负荷率附近，达到最低值。随后在随着换热器负荷率的增加，CO和NOx的浓度均开启回升模式。再针对图4中NOx浓度和图5中的CO浓度的预测结果进行分析，可知，BP神经网络对预测样本实现了较高精度的预测，且与实验测试结果的误差为0.021和0.072。其中在过载负荷范围内，神经网络也可呈现出较为一致的预测结果。

Claims (1)

1.一种基于部分负荷率对冷凝式换热器性能预测的方法，其特征在于包括以下步骤：

步骤1：建立设计变量和目标函数之间的非线性映射关系，所述的设计变量为影响换热器在20％～100％负荷率工况下的热效率和污染物排放浓度的变量，包括过量空气系数、烟气质量流量、水流质量流量和水流进口温度，所述的目标函数为换热器的换热性能和污染物排放性能函数，包括热效率，NOx和CO排放浓度；

步骤2：建立BP神经网络结构，用来预测所述的目标函数；所述的BP神经网络结构输入层参数为实际测量得到的所述的设计变量，所述的BP神经网络结构输出层参数为实际测量得到的所述的目标函数，BP神经网络结构中间隐含层参数节点数的计算公式如下所示：

n₂＝2×n₁+1

式中，n₂为隐含层参数节点数，n₁为输入层参数的节点数；

步骤3：训练BP神经网络结构，过程为：

(a)网络初始化：根据步骤2建立的BP神经网络结构，首先对通过实验测量得到的输入层参数和输出层参数进行归一化处理，然后随机选择并确定神经网络结构中的权值和阈值，对神经网络进行初始化；

(b)BP神经网络中间隐含层输出参数计算：根据神经网络结构输入层参数及上述步骤(a)中确定的权值和阈值，计算BP神经网络结构的隐含层的输出参数；

(c))BP神经网络输出层输出参数计算：根据上述步骤(b)中的隐含层输出参数，计算得到BP神经网络预测输出参数，输出层的传递函数采用S型对数函数logsig；

(d)误差计算：根据网络预测输出参数和对换热器实际测试得到的输出层参数，计算网络预测误差，若所述的网络预测误差小于10^-3，则停止训练，以所述的网络预测输出参数替代步骤2中的BP神经网络输出层参数，形成训练好的新的BP神经网络结构；若所述的网络预测误差大于等于10^-3，则进行步骤(e)；

(e)反向更新权值和阈值，然后返回到步骤(b)；

步骤4：预测部分负荷率下热水器性能，步骤为：

将换热器在负荷为10％～20％的过欠负荷工况下和负荷为100％～120％的过载负荷工况下的过量空气系数、烟气质量流量、水流质量流量和水流进口温度分别作为输入参数，输入到训练好的BP神经网络结构，直接预测得到换热器在过欠负荷和过载负荷工况下的热效率，NOx和CO排放浓度。

Images