CN111859562B - 一种基于动态阻力特性的压力无关智能调节阀设计方法 - Google Patents

一种基于动态阻力特性的压力无关智能调节阀设计方法 Download PDF

Info

Publication number
CN111859562B
CN111859562B CN202010660159.1A CN202010660159A CN111859562B CN 111859562 B CN111859562 B CN 111859562B CN 202010660159 A CN202010660159 A CN 202010660159A CN 111859562 B CN111859562 B CN 111859562B
Authority
CN
China
Prior art keywords
regulating valve
pressure
iteration
dynamic resistance
opening
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.)
Active
Application number
CN202010660159.1A
Other languages
English (en)
Other versions
CN111859562A (zh
Inventor
张吉礼
李志伟
朱宏耀
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Dalian University of Technology
Original Assignee
Dalian University of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Dalian University of Technology filed Critical Dalian University of Technology
Priority to CN202010660159.1A priority Critical patent/CN111859562B/zh
Publication of CN111859562A publication Critical patent/CN111859562A/zh
Application granted granted Critical
Publication of CN111859562B publication Critical patent/CN111859562B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/17—Mechanical parametric or variational design
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Geometry (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Computer Hardware Design (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Analysis (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Computational Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明提供一种基于动态阻力特性的压力无关智能调节阀设计方法，属于供热系统调节阀设计技术领域。本发明研究调节阀的动态阻力特性，并就其提出一种压力无关智能调节阀的设计方法，其中包括调节阀结构模型、工作原理和动态阻力特性标定方法。调节阀模型为一种压差阀，可实现主动调节、被动调节和与循环水泵通讯的连锁调节。动态阻力特性标定通过由粒子群优化算法、Newton‑Raphson算法和Elman神经网络组成的混合优化算法完成。本发明可实现动态水力工况下阀门自适应调节，供热系统并联环路水力工况解耦，避免了现有动态平衡阀复杂的设计结构和高昂的生产成本，为进一步提高供热系统的节能潜力奠定了基础。

Description

一种基于动态阻力特性的压力无关智能调节阀设计方法
技术领域
本发明涉及一种调节阀设计方法，具体涉及一种基于动态阻力特性的压力无关智能调节阀设计方法，属于供热系统调节阀设计技术领域。
背景技术
城市供热作为我国关系民生的基础设施产业，既要保证供热稳定，又要实现节能降耗。2015年，建筑能耗总量达到8.57亿吨标准煤当量，其中供热能耗占我国建筑能耗的近40％，因此供热节能是我国绿色可持续发展节能战略中必不可少的部分。而在城市供热管网中，水力失调常引起供热不均而造成的热损失占建筑供热能耗的20％～30％，导致了严重的能源浪费，而且降低了用户的居住舒适度。随着人工智能技术的发展，清洁低碳能源体系的推进和人民生活需求的提高，智慧供热已成为供热行业新的发展目标。为解决供热管网水力失调问题，实现用户按需供热，传统上系统“大流量，小温差”运行的手段已不再适用，一系列智能调节装置应用而生，如自力式差压/流量阀、静/动态平衡阀、电动调节阀、动态差压平衡阀。它们在一定程度上解决了供热水力失调问题，实现了系统变流量节能运行。但由于其复杂的设计结构，且无法完全适应动态水力工况变化，尤其在供热初、中期阶段，供热系统水力失调问题依然突出。本发明专利公开了一种基于动态阻力特性的压力无关智能调节阀设计方法，通过由粒子群优化(PSO)算法、Newton-Raphson算法和Elman神经网络组成的混合优化算法对调节阀动态阻力特性进行标定，并基于此设计了压力无关智能调节阀的结构模型。根据调节阀动态阻力特性和所需流量，在任意压差下获取调节阀开度。在供热系统动态水力工况下，可实现主动调节、被动调节和与循环水泵通讯的连锁调节，为供热系统并联环路水力工况解耦和进一步提高供热系统的节能潜力奠定了基础。
发明内容
本发明要解决的技术问题是提供一种实现供热系统并联环路水力工况解耦的基于动态阻力特性的压力无关智能调节阀设计方法。
本发明的技术方案：
一种基于动态阻力特性的压力无关智能调节阀设计方法，步骤如下：
S1调节阀动态阻力特性标定方法
S1.1测试调节阀在不同压差下其流量与开度的关系，将它们作为标定调节阀动态阻力特性的样本数据；
ΔP＝f(δ)Gn (1)
其中，ΔP为调节阀两端压差；f(δ)表示调节阀水力特征方程；G为流量；n为随流态变化的指数；
S1.2将调节阀的流量与压差作为Elman神经网络的输入矩阵，调节阀开度作为Elman神经网络的目标输出；
s(k)＝f(ω3s(k-1)+ω1u(k-1)) (2)
y(k)＝g(ω2s(k)) (3)
u(k-1)＝[G ΔP -1]T (4)
O(k)＝[δ] (5)
其中，y(k)表示k时刻的输出向量；s(k)表示k时刻的隐含层输出向量；u(k-1)表示k-1时刻的输入向量；O(k)表示k时刻的目标输出向量；ω1、ω2和ω3分别表示输入层至隐含层、隐含层至输出层和结构层至隐含层的权值矩阵；f(·)和g(·)分别是隐含层和输出层的激发函数；
S1.3引入粒子群优化算法，其中各粒子的位置被视为Elman神经网络的权值和阈值的潜在解，并进入迭代过程；
Figure BDA0002578208640000031
其中，
Figure BDA0002578208640000032
表示第τ次迭代中第p个粒子的位置；
S1.4由式(7)与式(8)完成粒子群进化，修正超过约束范围的粒子；
Figure BDA0002578208640000033
Figure BDA0002578208640000034
其中，
Figure BDA0002578208640000035
表示第τ次迭代中第p个粒子的速度；
Figure BDA0002578208640000036
表示第p个粒子的个人最优值；gbestτ表示粒子群的群体最优值；w表示惯性权重；c1和c2表示学习因子；r1和r2表示[0,1]之间的随机数；
S1.5由式(10)评估粒子优劣，从个人最优值中搜索群体最优值gbestτ；
Figure BDA0002578208640000037
Figure BDA0002578208640000038
其中，fit(τ)表示第τ次迭代的性能评价指标，
Figure BDA0002578208640000039
表示k时刻第τ次迭代的误差向量；
S1.6待粒子群优化算法结束，将其群体最优值gbestτ作为Newton-Raphson算法的初始值，并进入迭代；
S1.7由式(10)计算性能指标，并判断是否满足预设精度，若满足，则算法结束，否则执行下一步；
S1.8由式(11)与式(12)更新Newton-Raphson算法的迭代向量；
Figure BDA00025782086400000310
Figure BDA00025782086400000311
其中，Jτ表示第τ次迭代的雅克比矩阵；
S1.9判断当前迭代次数是否已达到预设最大迭代次数，若是，则算法结束，否则转到S1.7继续迭代；
将混合优化算法的最终迭代向量作为Elman神经网络的权值和阈值；至此，调节阀动态阻力特性标定完成；
S2压力无关智能调节阀结构模型
压力无关智能调节阀主要由压差传感器、调节阀及执行器构成，压差传感器测量调节阀两端压差实时值，执行器用于调节阀门开度，获取被控对象所需流量，以及与循环水泵通讯；
S3压力无关智能调节阀工作原理
S3.1主动调节
主动调节，即被控对象主动改变设定值，调节阀在其动态阻力特性的等压差线上进行开度调节，使被控变量达到设定值；由于调节过程中阀门两端压差未改变，对管网系统水力工况无影响，可实现并联环路水力工况解耦；
S3.2被动调节
被动调节，即未安装压力无关智能调节阀的被控对象改变了其设定值，或主动调节中被控变量无法达到设定值而在变压差线上进行开度调节时，阀门压差传感器测量管网系统水力工况改变后的两端压差值，由动态阻力特性计算调节阀开度并输出，使被控变量达到设定值；
S3.2连锁调节
当全体被控对象的调节阀开度均处于小开度(<75％)时，此时可降低循环水泵频率，增大调节阀开度以减小系统阻抗，实现节能的目的。当某一被控对象的调节阀开度接近全开(>95％)时，此时提高循环水泵频率以使调节阀有足够的调节空间。
该方法可将结构简单的调节阀设计为压力无关智能调节阀，解决供热系统并联环路水力失调问题。
本发明的有益效果：与现有技术相比，本发明提供了一种解决供热系统水力失调的智能调节装置设计方法，可在系统动态水力工况中实现自适应调节，避免了复杂的设计结构，可有效降低生产成本，为进一步提高供热系统的节能潜力奠定了基础。
附图说明
图1为Elman神经网络结构图。
图2为调节阀动态阻力特性标定流程图。
图3为压力无关智能调节阀结构模型图，图中1为压力传感器，2为调节阀，3为执行器，4为管道。
图4为压力无关智能调节阀主动调节原理图，(a)应用场景图，(b)调节阀动态阻力特性图。
图5为压力无关智能调节阀被动调节原理图。
图6为压力无关智能调节阀连锁调节原理图，(a)应用场景图，(b)调节阀动态阻力特性图。
具体实施方式
以下结合发明内容和说明书附图与公式详细描述本发明的具体实施方式。
本发明是一种基于动态阻力特性的压力无关智能调节阀设计方法，具体步骤如下：
S1调节阀动态阻力特性标定方法
S1.1测试调节阀在不同压差下其流量与开度的关系，将它们作为标定调节阀动态阻力特性的样本数据；
ΔP＝f(δ)Gn (1)
其中，ΔP为调节阀两端压差；f(δ)表示调节阀水力特征方程；G为流量；n为随流态变化的指数；
S1.2如图1所示，将调节阀的流量与压差作为Elman神经网络的输入矩阵，
调节阀开度作为Elman神经网络的目标输出；
s(k)＝f(ω3s(k-1)+ω1u(k-1)) (2)
y(k)＝g(ω2s(k)) (3)
u(k-1)＝[G ΔP -1]T (4)
O(k)＝[δ] (5)
其中，y(k)表示k时刻的输出向量；s(k)表示k时刻的隐含层输出向量；u(k-1)表示k-1时刻的输入向量；O表示k时刻的目标输出向量；ω1、ω2和ω3分别表示输入层至隐含层、隐含层至输出层和结构层至隐含层的权值矩阵；f(·)和g(·)分别是隐含层和输出层的激发函数；
S1.3引入粒子群优化算法，其中各粒子的位置被视为Elman神经网络的权值和阈值的潜在解，并进入迭代过程；
Figure BDA0002578208640000061
其中，
Figure BDA0002578208640000062
表示第τ次迭代中第p个粒子的位置；
S1.4由式(7)与式(8)完成粒子群进化，修正超过约束范围的粒子；
Figure BDA0002578208640000063
Figure BDA0002578208640000064
其中，
Figure BDA0002578208640000065
表示第τ次迭代中第p个粒子的速度；
Figure BDA0002578208640000066
表示第p个粒子的个人最优值；gbestτ表示粒子群的群体最优值；w表示惯性权重；c1和c2表示学习因子；r1和r2表示[0,1]之间的随机数；
S1.5由式(10)评估粒子优劣，从个人最优值中搜索群体最优值gbestτ；
Figure BDA0002578208640000071
Figure BDA0002578208640000072
其中，fit(τ)表示第τ次迭代的性能评价指标，
Figure BDA0002578208640000073
表示k时刻第τ次迭代的误差向量；
S1.6待粒子群优化算法结束，将其群体最优值gbestτ作为Newton-Raphson算法的初始值，并进入迭代；
S1.7由式(10)计算性能指标，并判断是否满足预设精度，若满足，则算法结束，否则执行下一步；
S1.8由式(11)与式(12)更新Newton-Raphson算法的迭代向量；
Figure BDA0002578208640000074
Figure BDA0002578208640000075
其中，Jτ表示第τ次迭代的雅克比矩阵；
S1.9判断当前迭代次数是否已达到预设最大迭代次数，若是，则算法结束，否则转到S1.7继续迭代；
将混合优化算法的最终迭代向量作为Elman神经网络的权值和阈值。至此，调节阀动态阻力特性标定完成，其算法流程如图2所示。
S2压力无关智能调节阀结构模型
压力无关智能调节阀由压差传感器、调节阀及执行器构成，结构模型如图3所示。压差传感器测量调节阀两端压差实时值，执行器用于调节阀门开度，获取被控对象所需流量，以及与循环水泵通讯。
S3压力无关智能调节阀工作原理
S3.1主动调节
主动调节，即被控对象主动改变设定值，调节阀在其动态阻力特性的等压差线上进行开度调节，使被控变量达到设定值。由于调节过程中阀门两端压差未改变，对管网系统水力工况无影响，可实现并联环路水力工况解耦。原理如图4所示。
S3.2被动调节
被动调节，即未安装压力无关智能调节阀的被控对象改变了其设定值，或主动调节中被控变量无法达到设定值而在变压差线上进行开度调节时，阀门压差传感器测量管网系统水力工况改变后的两端压差值，由动态阻力特性计算调节阀开度并输出，使被控变量达到设定值。原理如图5所示。
S3.3连锁调节
当全体被控对象的调节阀开度均处于小开度(<75％)时，此时可降低循环水泵频率，增大调节阀开度以减小系统阻抗，实现节能的目的。当某一被控对象的调节阀开度接近全开(>95％)时，此时提高循环水泵频率以使调节阀有足够的调节空间。原理如图6所示。

Claims (1)

1.一种基于动态阻力特性的压力无关智能调节阀设计方法，其特征在于，步骤如下：
S1调节阀动态阻力特性标定方法
S1.1测试调节阀在不同压差下其流量与开度的关系，将它们作为标定调节阀动态阻力特性的样本数据；
ΔP＝f(δ)Gn (1)
其中，ΔP为调节阀两端压差；f(δ)表示调节阀水力特征方程；G为流量；n为随流态变化的指数；
S1.2将调节阀的流量与压差作为Elman神经网络的输入矩阵，调节阀开度作为Elman神经网络的目标输出；
s(k)＝f(ω3s(k-1)+ω1u(k-1)) (2)
y(k)＝g(ω2s(k)) (3)
u(k-1)＝[G ΔP -1]T (4)
O(k)＝[δ] (5)
其中，y(k)表示k时刻的输出向量；s(k)表示k时刻的隐含层输出向量；u(k-1)表示k-1时刻的输入向量；O(k)表示k时刻的目标输出向量；ω1、ω2和ω3分别表示输入层至隐含层、隐含层至输出层和结构层至隐含层的权值矩阵；f(·)和g(·)分别是隐含层和输出层的激发函数；
S1.3引入粒子群优化算法，其中各粒子的位置被视为Elman神经网络的权值和阈值的潜在解，并进入迭代过程；
Figure RE-FDA0002631109200000011
其中，
Figure RE-FDA0002631109200000012
表示第τ次迭代中第p个粒子的位置；
S1.4由式(7)与式(8)完成粒子群进化，修正超过约束范围的粒子；
Figure RE-FDA0002631109200000021
Figure RE-FDA0002631109200000022
其中，
Figure RE-FDA0002631109200000023
表示第τ次迭代中第p个粒子的速度；
Figure RE-FDA0002631109200000024
表示第p个粒子的个人最优值；gbestτ表示粒子群的群体最优值；w表示惯性权重；c1和c2表示学习因子；r1和r2表示[0，1]之间的随机数；
S1.5由式(10)评估粒子优劣，从个人最优值中搜索群体最优值gbestτ；
Figure RE-FDA0002631109200000025
Figure RE-FDA0002631109200000026
其中，fit(τ)表示第τ次迭代的性能评价指标，
Figure RE-FDA0002631109200000027
表示k时刻第τ次迭代的误差向量；
S1.6待粒子群优化算法结束，将其群体最优值gbestτ作为Newton-Raphson算法的初始值，并进入迭代；
S1.7由式(10)计算性能指标，并判断是否满足预设精度，若满足，则算法结束，否则执行下一步；
S1.8由式(11)与式(12)更新Newton-Raphson算法的迭代向量；
Figure RE-FDA0002631109200000028
Figure RE-FDA0002631109200000029
其中，Jτ表示第τ次迭代的雅克比矩阵；
S1.9判断当前迭代次数是否已达到预设最大迭代次数，若是，则算法结束，否则转到S1.7继续迭代；
将混合优化算法的最终迭代向量作为Elman神经网络的权值和阈值；至此，调节阀动态阻力特性标定完成；
S2压力无关智能调节阀结构模型
压力无关智能调节阀主要由压差传感器、调节阀及执行器构成，压差传感器测量调节阀两端压差实时值，执行器用于调节阀门开度，获取被控对象所需流量，以及与循环水泵通讯；
S3压力无关智能调节阀工作原理
S3.1主动调节
主动调节，即被控对象主动改变设定值，调节阀在其动态阻力特性的等压差线上进行开度调节，使被控变量达到设定值；由于调节过程中阀门两端压差未改变，对管网系统水力工况无影响，可实现并联环路水力工况解耦；
S3.2被动调节
被动调节，即未安装压力无关智能调节阀的被控对象改变了其设定值，或主动调节中被控变量无法达到设定值而在变压差线上进行开度调节时，阀门压差传感器测量管网系统水力工况改变后的两端压差值，由动态阻力特性计算调节阀开度并输出，使被控变量达到设定值；
S3.2连锁调节
当全体被控对象的调节阀开度均处于开度＜75％时，此时降低循环水泵频率，增大调节阀开度以减小系统阻抗，实现节能的目的；当某一被控对象的调节阀开度＞95％时，此时提高循环水泵频率以使调节阀有足够的调节空间。
CN202010660159.1A 2020-07-10 2020-07-10 一种基于动态阻力特性的压力无关智能调节阀设计方法 Active CN111859562B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010660159.1A CN111859562B (zh) 2020-07-10 2020-07-10 一种基于动态阻力特性的压力无关智能调节阀设计方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010660159.1A CN111859562B (zh) 2020-07-10 2020-07-10 一种基于动态阻力特性的压力无关智能调节阀设计方法

Publications (2)

Publication Number Publication Date
CN111859562A CN111859562A (zh) 2020-10-30
CN111859562B true CN111859562B (zh) 2022-09-20

Family

ID=73153736

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010660159.1A Active CN111859562B (zh) 2020-07-10 2020-07-10 一种基于动态阻力特性的压力无关智能调节阀设计方法

Country Status (1)

Country Link
CN (1) CN111859562B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114046259B (zh) * 2021-11-12 2024-05-28 利欧集团浙江泵业有限公司 一种基于双神经网络模型的离心泵变频控制方法
CN113835449B (zh) * 2021-11-29 2022-03-18 常州高凯电子有限公司 一种基于压力波动快速调节流量控制器阀门的控制方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103164742B (zh) * 2013-04-02 2016-02-17 南京邮电大学 一种基于粒子群优化神经网络的服务器性能预测方法
CN107316099A (zh) * 2017-05-22 2017-11-03 沈阳理工大学 基于粒子群优化bp神经网络的弹药贮存可靠性预测方法
CN107547457A (zh) * 2017-09-15 2018-01-05 重庆大学 一种基于改进粒子群优化bp神经网络的盲信道均衡方法
DE102017009709A1 (de) * 2017-10-18 2019-04-18 Hartmuth Dambier Regelventil zur Linearisierung von Arbeitskennlinien
CN109636037B (zh) * 2018-12-12 2023-02-14 石家庄华电供热集团有限公司 一种基于pso算法的多热源环状热网水力优化调度方法

Also Published As

Publication number Publication date
CN111859562A (zh) 2020-10-30

Similar Documents

Publication Publication Date Title
CN111859562B (zh) 一种基于动态阻力特性的压力无关智能调节阀设计方法
CN107563007B (zh) 一种供水管网模型快速校正方法
WO2021196997A1 (zh) 基于模糊神经网络的串联输水渠道水位预测与控制方法
CN103809557A (zh) 一种基于神经网络的污水处理过程优化控制方法
CN104834215A (zh) 一种变异粒子群优化的bp神经网络pid控制算法
CN109409614A (zh) 一种基于贝叶斯正则化神经网络的电力负荷预测方法
CN112634083A (zh) 一种建筑节能监测方法
CN114413613B (zh) 用于空气源热泵干燥系统的多物理场解耦控制方法及系统
CN113757789A (zh) 一种面向智慧校园建设的供热节能预测控制方法
CN106532691A (zh) 基于自适应动态规划的单区域电力系统频率复合控制方法
CN112093025A (zh) 一种变风量布风器风阀的控制系统及其控制方法
CN102252366B (zh) 一种基于水工、热工平衡的换热站控制系统的控制方法
CN113361214A (zh) 一种基于水位流量数据的明渠控制模型参数辨识方法
CN111967181A (zh) 一种基于apso-elm和模糊逻辑的灌溉时间计算方法
Pan et al. Optimization of industrial boiler combustion control system based on genetic algorithm
CN108459570B (zh) 基于生成对抗网络架构的灌溉配水智能控制系统及方法
CN111769312B (zh) 一种基于压力补偿的燃料电池供给路解耦控制方法
CN112648717A (zh) 一种基于径向基神经网络的多区域变风量空调系统末端控制方法
Ding et al. A flow inferential measurement of the independent metering multi-way valve based on an improved RBF neural network
CN114777191A (zh) 基于神经网络算法的供暖系统户阀调控方法
CN109244510A (zh) 一种基于未建模动态补偿的固体氧化物燃料电池控制方法
LI et al. Construction Equipment Control Research Based on Predictive Technology
CN112230552A (zh) 针对离散时间多智能体博弈的抗干扰控制方法
CN113283006A (zh) 基于rbf神经网络控制燃料电池电堆多参数响应方法
Zhuang et al. The internal mode fractional-order PID control based on neural network for the temperature of air-conditioned rooms

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant