CN114509951A - 一种基于神经网络的加氢自适应控制方法及装置 - Google Patents
一种基于神经网络的加氢自适应控制方法及装置 Download PDFInfo
- Publication number
- CN114509951A CN114509951A CN202210417398.3A CN202210417398A CN114509951A CN 114509951 A CN114509951 A CN 114509951A CN 202210417398 A CN202210417398 A CN 202210417398A CN 114509951 A CN114509951 A CN 114509951A
- Authority
- CN
- China
- Prior art keywords
- filling
- temperature
- gas cylinder
- neural network
- hydrogenation machine
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
- Y02E60/30—Hydrogen technology
- Y02E60/32—Hydrogen storage
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Filling Or Discharging Of Gas Storage Vessels (AREA)
Abstract
本发明实施例提供一种基于神经网络的加氢自适应控制方法及装置,所述方法包括:获取加氢机加注氢气温度及加注参数,输入到神经网络模型进行模型训练,得到加氢机加注氢气温度与加注参数的神经网络模型;获取实际加注时的充装气瓶的类型,获取实际充装气瓶的类型对应的热力学模型;测量得到实际加注时的加注参数,将加注参数输入到神经网络模型,得到输出的加氢机加注氢气温度;代入热力学模型,得到理想最大压力上升率;实时测量当前压力上升率,根据两者的差值,对加氢机的调压阀进行实时调节。采用本方法能够通过神经网络算法及热力学模型使最终加注压力上升率始终尽可能的接近允许的最大压力上升率,在允许的范围内尽可能地提高加氢速率。
Description
技术领域
本发明涉及新能源技术领域,尤其涉及一种基于神经网络的加氢自适应控制方法及装置。
背景技术
氢气作为燃料电池车辆的燃料目前主要通过氢瓶储存,需要在加氢站中通过专门的加氢机加注氢气,利用加氢机的储氢罐内的高压氢气与车辆的氢瓶内的低压氢气的压力差,将氢气加注至氢瓶内,在加氢机控制中,从增压模块/储氢罐中出来的高压氢气,经过加氢站内预冷器的处理后,变成预冷后的低温高压氢气,通过加氢机后向车载气瓶充装氢气,由于加注速率与加氢机加注压力上升率相关,即加注压力上升率越高,加注速率越快,而加氢机给车载气瓶加注时前端压力值并不是一成不变的,有很多因素会对其造成影响。
现有的加氢机在加注时无法根据外部影响调整加注压力上升率,从而无法使加氢机加注压力上升率可以始终尽可能的接近允许的最大压力上升率,进而使得加注速率无法达到最高。
发明内容
针对现有技术中存在的问题,本发明实施例提供一种基于神经网络的加氢自适应控制方法及装置。
本发明实施例提供一种基于神经网络的加氢自适应控制方法,包括:
获取加氢机历史加注记录中的加氢机加注氢气温度及加注参数,以所述加氢机加注氢气温度及加注参数作为输入数据,输入到神经网络模型进行模型训练,得到加氢机加注氢气温度与加注参数的神经网络模型,所述加注参数包括:氢气初始温度、流速、压力、环境温度;
获取充装气瓶的类型,基于充装气瓶的类型建立对应的热力学模型;
获取实际加注时的充装气瓶的类型,并获取实际充装气瓶的类型对应的热力学模型;
测量得到实际加注时的加注参数及加氢机加注质量流速、车载气瓶压力、车载气瓶温度、环境温度,并将所述加注参数输入到所述神经网络模型,得到输出的加氢机加注氢气温度;
将所述加氢机加注氢气温度、加氢机加注质量流速、车载气瓶压力、车载气瓶温度、环境温度代入所述热力学模型,计算得到理想最大压力上升率;
实时测量当前压力上升率,根据所述理想最大压力上升率与当前压力上升率之间的差值,对所述加氢机的调压阀进行实时调整,使所述当前压力上升率等于所述理想最大压力上升率。
在其中一个实施例中,所述方法还包括:
所述神经网络模型包括输入层、隐层和输出层三层节点;
所述以加氢机加注氢气温度及加注参数作为输入数据,输入到神经网络模型进行模型训练,包括:
对所述输入数据进行归一化处理,并将归一化处理后的输入数据输入到神经网络模型的输入层,并通过神经网络模型的训练确定神经网络模型的隐层的节点个数,并通过神经网络模型的输出层输出训练后的加氢机加注氢气温度。
在其中一个实施例中,所述方法还包括:
通过自适应系统对所述神经网络模型进行动态优化,所述动态优化包括在实际加注时,实时获取加注参数并结合所述神经网络模型,得到动态的加氢机加注氢气温度;
通过动态的加氢机加注氢气温度、加氢机加注质量流速、车载气瓶压力、车载气瓶温度、环境温度代入所述热力学模型,计算得到动态的理想最大压力上升率,实时根据动态的理想最大压力上升率进行加氢机的调压阀的调整。
在其中一个实施例中,所述方法还包括:
根据充装气瓶的类型确定充装气瓶对应的换热系数,结合充装气瓶的质量守恒及能量守恒定理,得到不同状态参数下的理想最大压力上升率,所述不同状态参数包括加氢机加注氢气温度、加氢机加注质量流速、车载气瓶压力、车载气瓶温度、环境温度。
在其中一个实施例中,所述方法还包括:
在实际加注时,检测气瓶温度,并保持所述气瓶温度不超过85℃。
本发明实施例提供一种基于神经网络的加氢自适应控制装置,包括:
第一获取模块,用于获取加氢机历史加注记录中的加氢机加注氢气温度及加注参数,以所述加氢机加注氢气温度及加注参数作为输入数据,输入到神经网络模型进行模型训练,得到加氢机加注氢气温度与加注参数的神经网络模型,所述加注参数包括:氢气初始温度、流速、压力、环境温度;
热力学模型建立模块,用于获取充装气瓶的类型,基于充装气瓶的类型建立对应的热力学模型;
第二获取模块,用于获取实际加注时的充装气瓶的类型,并获取实际充装气瓶的类型对应的热力学模型;
测量模块,用于测量得到实际加注时的加注参数及加氢机加注质量流速、车载气瓶压力、车载气瓶温度、环境温度,并将所述加注参数输入到所述神经网络模型,得到输出的加氢机加注氢气温度;
计算模块,用于将所述加氢机加注氢气温度、加氢机加注质量流速、车载气瓶压力、车载气瓶温度、环境温度代入所述热力学模型,计算得到理想最大压力上升率;
调整模块,用于实时测量当前压力上升率,根据所述理想最大压力上升率与当前压力上升率之间的差值,对所述加氢机的调压阀进行实时调整,使所述当前压力上升率等于所述理想最大压力上升率。
在其中一个实施例中,所述装置还包括:
训练模块,用于对所述输入数据进行归一化处理,并将归一化处理后的输入数据输入到神经网络模型的输入层,并通过神经网络模型的训练确定神经网络模型的隐层的节点个数,并通过神经网络模型的输出层输出训练后的加氢机加注氢气温度。
在其中一个实施例中,所述装置还包括:
动态优化模块,用于通过自适应系统对所述神经网络模型进行动态优化,所述动态优化包括在实际加注时,实时获取加注参数并结合所述神经网络模型,得到动态的加氢机加注氢气温度,并实时测量加氢机加注质量流速、车载气瓶压力、车载气瓶温度、环境温度,得到动态的加氢机加注质量流速、车载气瓶压力、车载气瓶温度、环境温度;
第二调整模块,用于通过动态的加氢机加注氢气温度、加氢机加注质量流速、车载气瓶压力、车载气瓶温度、环境温度代入所述热力学模型,计算得到动态的理想最大压力上升率,实时根据动态的理想最大压力上升率进行加氢机的调压阀的调整。
本发明实施例提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现上述基于神经网络的加氢自适应控制方法的步骤。
本发明实施例提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现上述基于神经网络的加氢自适应控制方法的步骤。
本发明实施例提供的一种基于神经网络的加氢自适应控制方法及装置,获取加氢机历史加注记录中的加氢机加注氢气温度及加注参数,以加氢机加注氢气温度及加注参数作为输入数据,输入到神经网络模型进行模型训练,得到加氢机加注氢气温度与加注参数的神经网络模型,加注参数包括:氢气初始温度、流速、压力、环境温度;获取充装气瓶的类型,基于充装气瓶的类型建立对应的热力学模型;获取实际加注时的充装气瓶的类型,并获取实际充装气瓶的类型对应的热力学模型;测量得到实际加注时的加注参数及加氢机加注质量流速、车载气瓶压力、车载气瓶温度、环境温度,并将加注参数输入到神经网络模型,得到输出的加氢机加注氢气温度;将加氢机加注氢气温度、加氢机加注质量流速、车载气瓶压力、车载气瓶温度、环境温度代入热力学模型,计算得到理想最大压力上升率;实时测量当前压力上升率,根据理想最大压力上升率与当前压力上升率之间的差值,对加氢机的调压阀进行实时调整,使当前压力上升率等于所述理想最大压力上升率。这样通过神经网络算法及热力学模型使最终加注压力上升率始终尽可能的接近允许的最大压力上升率,在允许的范围内尽可能地提高加氢速率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例中一种基于神经网络的加氢自适应控制方法的流程图;
图2为本发明实施例中一种车载气瓶的结构示意图;
图3为本发明实施例中加氢机控制系统的结构示意图;
图4为本发明实施例中一种基于神经网络的加氢自适应控制装置的结构图;
图5为本发明实施例中电子设备结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
图1为本发明实施例提供的一种基于神经网络的加氢自适应控制方法的流程示意图,如图1所示,本发明实施例提供了一种基于神经网络的加氢自适应控制方法,包括:
步骤S101,获取加氢机历史加注记录中的加氢机加注氢气温度及加注参数,以所述加氢机加注氢气温度及加注参数作为输入数据,输入到神经网络模型进行模型训练,得到加氢机加注氢气温度与加注参数的神经网络模型,所述加注参数包括:氢气初始温度、流速、压力、环境温度。
具体地,从加氢机的历史加注记录中选取历史参数,历史参数包括加氢机加注氢气温度及加注参数,以及加氢机加注氢气温度及加注参数之间的联系,加注参数可以包括影响加氢机加注氢气温度的参数,比如加注时的氢气初始温度、流速、压力、环境温度,然后以加氢机加注氢气温度及加注参数作为输入数据,输入到神经网络模型进行模型训练,神经网络模型可以为误差反向传播神经网络,是一种前向映射网络,也简称为BP神经网络,主要包含输入层、隐层和输出层三层节点,神经元用节点表示,隐层可以是一层也可以是多层,首先对输入数据进行归一化处理,并将归一化处理后的输入数据输入到神经网络模型的输入层,并通过神经网络模型的训练确定神经网络模型的隐层的节点个数,比如当加注参数为4个参数时,隐层的神经元节点数为7时,训练结果最好,然后通过神经网络模型的输出层输出训练后的加氢机加注氢气温度。
步骤S102,获取充装气瓶的类型,基于充装气瓶的类型建立对应的热力学模型。
具体地,整个热力学模型主要考虑氢气由进气口进入车载气瓶,如图2所示,外界做功引起整套系统发生能量变化,其中一部分能量经过车载气瓶壁传递给环境换热,一部分转化为车载气瓶内氢气内能。因此该模型主要通过质量守恒、能量守恒以及非稳态导热情况来分析,
氢气质量守恒:
m为车载气瓶内氢气质量,t为加注时间,Vin为加注质量流率;
氢气能量守恒:
u为车载气瓶内氢气比内热,hin为加注氢气比焓,q为单位时间气瓶内氢气与外界换热量(传热率);
换热量q:
As车载气瓶壁表面积,ks车载气瓶壁表面换热系数,T车载气瓶壁内氢气温度, Ta环境温度;
当默认加氢机加注速率为常数时,公式(1)可变更为:
结合公示(3)与公示(4),公式(2)可变更为:
通过上述模型,来计算得到不同状态下(加氢机加注氢气温度、加氢机加注质量流速、车载气瓶压力、车载气瓶温度、环境温度)的最佳氢气压力上升率。
步骤S103,获取实际加注时的充装气瓶的类型,并获取实际充装气瓶的类型对应的热力学模型。
具体地,根据充装气瓶的类型确定充装气瓶对应的换热系数,结合上述的热力学模型,确定实际充装气瓶的类型对应的热力学模型。
另外,根据上述热力学模型,可以确定加注结束后车载气瓶内氢气温度不超过85℃时存在最佳氢气压力上升率,在实际加注时,检测气瓶温度,并保持气瓶温度不超过85℃,以达到最佳氢气压力上升率。
步骤S104,测量得到实际加注时的加注参数及加氢机加注质量流速、车载气瓶压力、车载气瓶温度、环境温度,并将所述加注参数输入到所述神经网络模型,得到输出的加氢机加注氢气温度。
具体地,通过对应的传感器测量得到实际加注时的加注参数,以及加注时的加氢机加注质量流速、车载气瓶压力、车载气瓶温度、环境温度,并将加注参数输入到神经网络模型的输入层,得到神经网络模型输出的加氢机加注氢气温度。
步骤S105,将所述加氢机加注氢气温度、加氢机加注质量流速、车载气瓶压力、车载气瓶温度、环境温度代入所述热力学模型,计算得到理想最大压力上升率。
具体地,将加氢机加注氢气温度、加氢机加注质量流速、车载气瓶压力、车载气瓶温度、环境温度代入上述的热力学模型,计算得到当前状态下的最佳氢气压力上升率。
步骤S106,实时测量当前压力上升率,根据所述理想最大压力上升率与当前压力上升率之间的差值,对所述加氢机的调压阀进行实时调整,使所述当前压力上升率等于所述理想最大压力上升率。
具体地,通过加氢机的测量装置实时测量当前的压力上升率,并检测最大压力上升率与当前压力上升率之间的差值,根据差值对加氢机的调压阀进行实时调整,使当前压力上升率等于理想最大压力上升率。
本发明实施例提供的一种基于神经网络的加氢自适应控制方法,获取加氢机历史加注记录中的加氢机加注氢气温度及加注参数,以加氢机加注氢气温度及加注参数作为输入数据,输入到神经网络模型进行模型训练,得到加氢机加注氢气温度与加注参数的神经网络模型,加注参数包括:氢气初始温度、流速、压力、环境温度;获取充装气瓶的类型,基于充装气瓶的类型建立对应的热力学模型;获取实际加注时的充装气瓶的类型,并获取实际充装气瓶的类型对应的热力学模型;测量得到实际加注时的加注参数及加氢机加注质量流速、车载气瓶压力、车载气瓶温度、环境温度,并将加注参数输入到神经网络模型,得到输出的加氢机加注氢气温度;将加氢机加注氢气温度、加氢机加注质量流速、车载气瓶压力、车载气瓶温度、环境温度代入热力学模型,计算得到理想最大压力上升率;实时测量当前压力上升率,根据理想最大压力上升率与当前压力上升率之间的差值,对加氢机的调压阀进行实时调整,使当前压力上升率等于所述理想最大压力上升率。这样通过神经网络算法及热力学模型使最终加注压力上升率始终尽可能的接近允许的最大压力上升率,在允许的范围内尽可能地提高加氢速率。
在上述实施例的基础上,所述基于神经网络的加氢自适应控制方法,还包括:
通过自适应系统对所述神经网络模型进行动态优化,所述动态优化包括在实际加注时,实时获取加注参数并结合所述神经网络模型,得到动态的加氢机加注氢气温度,并实时测量加氢机加注质量流速、车载气瓶压力、车载气瓶温度、环境温度,得到动态的加氢机加注质量流速、车载气瓶压力、车载气瓶温度、环境温度;
通过动态的加氢机加注氢气温度、加氢机加注质量流速、车载气瓶压力、车载气瓶温度、环境温度代入所述热力学模型,计算得到动态的理想最大压力上升率,实时根据动态的理想最大压力上升率进行加氢机的调压阀的调整。
在本发明实施例中,通过自适应系统对神经网络模型进行动态优化,动态优化对象为加氢机加注氢气温度,具体为:
为了得到期望的输出值,通过向后反馈的学习机制可以不断地更改网络的阈值和权值,使输出值无限的接近期望输出值。其中隐含层的输出表示为:
输出层输出可以表示为:
还可以实时测量加氢机加注质量流速、车载气瓶压力、车载气瓶温度、环境温度,得到动态的加氢机加注质量流速、车载气瓶压力、车载气瓶温度、环境温度;通过动态的加氢机加注氢气温度、加氢机加注质量流速、车载气瓶压力、车载气瓶温度、环境温度代入热力学模型,计算得到动态的理想最大压力上升率,实时根据动态的理想最大压力上升率进行加氢机的调压阀的调整。
另外,在上述实施例的基础上,如图3的加氢机控制系统的结构图所示,结合算法输入变量(c,包括加氢机加注氢气温度、加氢机加注质量流速、车载气瓶压力、车载气瓶温度、环境温度)的计算得出理论最大加氢机加注压力上升率(y1)。将理论最大加氢机加注压力上升率(y1)与车载气瓶实际加注压力上升率(y2)进行PID自适应算法,应用自适应系统不断比较得到动态差值ey,然后根据差值不断优化加氢机压力上升率与调压阀设定值之间的数值关系,使其不断实际加注压力上升率不断趋向于期望值。
本发明实施例通过进行数据的自适应系统的动态数据获取,使得在实际加注种,压力上升率不断趋向于期望值。
图4为本发明实施例提供的一种基于神经网络的加氢自适应控制装置,包括:第一获取模块S201、热力学模型建立模块S202、第二获取模块S203、测量模块S204、计算模块S205、调整模块S206,其中:
第一获取模块S201,用于获取加氢机历史加注记录中的加氢机加注氢气温度及加注参数,以所述加氢机加注氢气温度及加注参数作为输入数据,输入到神经网络模型进行模型训练,得到加氢机加注氢气温度与加注参数的神经网络模型,所述加注参数包括:氢气初始温度、流速、压力、环境温度。
热力学模型建立模块S202,用于获取充装气瓶的类型,基于充装气瓶的类型建立对应的热力学模型。
第二获取模块S203,用于获取实际加注时的充装气瓶的类型,并获取实际充装气瓶的类型对应的热力学模型。
测量模块S204,用于测量得到实际加注时的加注参数及加氢机加注质量流速、车载气瓶压力、车载气瓶温度、环境温度,并将所述加注参数输入到所述神经网络模型,得到输出的加氢机加注氢气温度。
计算模块S205,用于将所述加氢机加注氢气温度、加氢机加注质量流速、车载气瓶压力、车载气瓶温度、环境温度代入所述热力学模型,计算得到理想最大压力上升率。
调整模块S206,用于实时测量当前压力上升率,根据所述理想最大压力上升率与当前压力上升率之间的差值,对所述加氢机的调压阀进行实时调整,使所述当前压力上升率等于所述理想最大压力上升率。
在一个实施例中,装置还可以包括:
训练模块,用于对所述输入数据进行归一化处理,并将归一化处理后的输入数据输入到神经网络模型的输入层,并通过神经网络模型的训练确定神经网络模型的隐层的节点个数,并通过神经网络模型的输出层输出训练后的加氢机加注氢气温度。
在一个实施例中,装置还可以包括:
动态优化模块,用于通过自适应系统对所述神经网络模型进行动态优化,所述动态优化包括在实际加注时,实时获取加注参数并结合所述神经网络模型,得到动态的加氢机加注氢气温度,并实时测量加氢机加注质量流速、车载气瓶压力、车载气瓶温度、环境温度,得到动态的加氢机加注质量流速、车载气瓶压力、车载气瓶温度、环境温度。
第二调整模块,用于通过动态的加氢机加注氢气温度、加氢机加注质量流速、车载气瓶压力、车载气瓶温度、环境温度代入所述热力学模型,计算得到动态的理想最大压力上升率,实时根据动态的理想最大压力上升率进行加氢机的调压阀的调整。
关于基于神经网络的加氢自适应控制装置的具体限定可以参见上文中对于基于神经网络的加氢自适应控制方法的限定,在此不再赘述。上述基于神经网络的加氢自适应控制装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
图5示例了一种电子设备的实体结构示意图,如图5所示,该电子设备可以包括:处理器(processor)301、存储器(memory)302、通信接口(Communications Interface)303和通信总线304,其中,处理器301,存储器302,通信接口303通过通信总线304完成相互间的通信。处理器301可以调用存储器302中的逻辑指令,以执行如下方法:获取加氢机历史加注记录中的加氢机加注氢气温度及加注参数,以加氢机加注氢气温度及加注参数作为输入数据,输入到神经网络模型进行模型训练,得到加氢机加注氢气温度与加注参数的神经网络模型,加注参数包括:氢气初始温度、流速、压力、环境温度;获取充装气瓶的类型,基于充装气瓶的类型建立对应的热力学模型;获取实际加注时的充装气瓶的类型,并获取实际充装气瓶的类型对应的热力学模型;测量得到实际加注时的加注参数及加氢机加注质量流速、车载气瓶压力、车载气瓶温度、环境温度,并将加注参数输入到神经网络模型,得到输出的加氢机加注氢气温度;将加氢机加注氢气温度、加氢机加注质量流速、车载气瓶压力、车载气瓶温度、环境温度代入热力学模型,计算得到理想最大压力上升率;实时测量当前压力上升率,根据理想最大压力上升率与当前压力上升率之间的差值,对加氢机的调压阀进行实时调整,使当前压力上升率等于所述理想最大压力上升率。
此外,上述的存储器302中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面,本发明实施例还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各实施例提供的传输方法,例如包括:获取加氢机历史加注记录中的加氢机加注氢气温度及加注参数,以加氢机加注氢气温度及加注参数作为输入数据,输入到神经网络模型进行模型训练,得到加氢机加注氢气温度与加注参数的神经网络模型,加注参数包括:氢气初始温度、流速、压力、环境温度;获取充装气瓶的类型,基于充装气瓶的类型建立对应的热力学模型;获取实际加注时的充装气瓶的类型,并获取实际充装气瓶的类型对应的热力学模型;测量得到实际加注时的加注参数及加氢机加注质量流速、车载气瓶压力、车载气瓶温度、环境温度,并将加注参数输入到神经网络模型,得到输出的加氢机加注氢气温度;将加氢机加注氢气温度、加氢机加注质量流速、车载气瓶压力、车载气瓶温度、环境温度代入热力学模型,计算得到理想最大压力上升率;实时测量当前压力上升率,根据理想最大压力上升率与当前压力上升率之间的差值,对加氢机的调压阀进行实时调整,使当前压力上升率等于所述理想最大压力上升率。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种基于神经网络的加氢自适应控制方法,其特征在于,包括:
获取加氢机历史加注记录中的加氢机加注氢气温度及加注参数,以所述加氢机加注氢气温度及加注参数作为输入数据,输入到神经网络模型进行模型训练,得到加氢机加注氢气温度与加注参数的神经网络模型,所述加注参数包括:氢气初始温度、流速、压力、环境温度;
获取充装气瓶的类型,基于充装气瓶的类型建立对应的热力学模型;
获取实际加注时的充装气瓶的类型,并获取实际充装气瓶的类型对应的热力学模型;
测量得到实际加注时的加注参数及加氢机加注质量流速、车载气瓶压力、车载气瓶温度、环境温度,并将所述加注参数输入到所述神经网络模型,得到输出的加氢机加注氢气温度;
将所述加氢机加注氢气温度、加氢机加注质量流速、车载气瓶压力、车载气瓶温度、环境温度代入所述热力学模型,计算得到理想最大压力上升率;
实时测量当前压力上升率,根据所述理想最大压力上升率与当前压力上升率之间的差值,对所述加氢机的调压阀进行实时调整,使所述当前压力上升率等于所述理想最大压力上升率。
2.根据权利要求1所述的基于神经网络的加氢自适应控制方法,其特征在于,所述方法还包括:
所述神经网络模型包括输入层、隐层和输出层三层节点;
所述以加氢机加注氢气温度及加注参数作为输入数据,输入到神经网络模型进行模型训练,包括:
对所述输入数据进行归一化处理,并将归一化处理后的输入数据输入到神经网络模型的输入层,并通过神经网络模型的训练确定神经网络模型的隐层的节点个数,并通过神经网络模型的输出层输出训练后的加氢机加注氢气温度。
3.根据权利要求1所述的基于神经网络的加氢自适应控制方法,其特征在于,所述方法还包括:
通过自适应系统对所述神经网络模型进行动态优化,所述动态优化包括在实际加注时,实时获取加注参数并结合所述神经网络模型,得到动态的加氢机加注氢气温度,并实时测量加氢机加注质量流速、车载气瓶压力、车载气瓶温度、环境温度,得到动态的加氢机加注质量流速、车载气瓶压力、车载气瓶温度、环境温度;
通过动态的加氢机加注氢气温度、加氢机加注质量流速、车载气瓶压力、车载气瓶温度、环境温度代入所述热力学模型,计算得到动态的理想最大压力上升率,实时根据动态的理想最大压力上升率进行加氢机的调压阀的调整。
4.根据权利要求1所述的基于神经网络的加氢自适应控制方法,其特征在于,所述获取充装气瓶的类型,基于充装气瓶的类型建立对应的热力学模型,包括:
根据充装气瓶的类型确定充装气瓶对应的换热系数,结合充装气瓶的质量守恒及能量守恒定理,得到不同状态参数下的理想最大压力上升率,所述不同状态参数包括加氢机加注氢气温度、加氢机加注质量流速、车载气瓶压力、车载气瓶温度、环境温度。
5.根据权利要求1所述的基于神经网络的加氢自适应控制方法,其特征在于,所述方法还包括:
在实际加注时,检测气瓶温度,并保持所述气瓶温度不超过85℃。
6.一种基于神经网络的加氢自适应控制装置,其特征在于,所述装置包括:
第一获取模块,用于获取加氢机历史加注记录中的加氢机加注氢气温度及加注参数,以所述加氢机加注氢气温度及加注参数作为输入数据,输入到神经网络模型进行模型训练,得到加氢机加注氢气温度与加注参数的神经网络模型,所述加注参数包括:氢气初始温度、流速、压力、环境温度;
热力学模型建立模块,用于获取充装气瓶的类型,基于充装气瓶的类型建立对应的热力学模型;
第二获取模块,用于获取实际加注时的充装气瓶的类型,并获取实际充装气瓶的类型对应的热力学模型;
测量模块,用于测量得到实际加注时的加注参数及加氢机加注质量流速、车载气瓶压力、车载气瓶温度、环境温度,并将所述加注参数输入到所述神经网络模型,得到输出的加氢机加注氢气温度;
计算模块,用于将所述加氢机加注氢气温度、加氢机加注质量流速、车载气瓶压力、车载气瓶温度、环境温度代入所述热力学模型,计算得到理想最大压力上升率;
调整模块,用于实时测量当前压力上升率,根据所述理想最大压力上升率与当前压力上升率之间的差值,对所述加氢机的调压阀进行实时调整,使所述当前压力上升率等于所述理想最大压力上升率。
7.根据权利要求6中所述的基于神经网络的加氢自适应控制装置,其特征在于,所述装置还包括:
训练模块,用于对所述输入数据进行归一化处理,并将归一化处理后的输入数据输入到神经网络模型的输入层,并通过神经网络模型的训练确定神经网络模型的隐层的节点个数,并通过神经网络模型的输出层输出训练后的加氢机加注氢气温度。
8.根据权利要求6中所述的基于神经网络的加氢自适应控制装置,其特征在于,所述装置还包括:
动态优化模块,用于通过自适应系统对所述神经网络模型进行动态优化,所述动态优化包括在实际加注时,实时获取加注参数并结合所述神经网络模型,得到动态的加氢机加注氢气温度,并实时测量加氢机加注质量流速、车载气瓶压力、车载气瓶温度、环境温度,得到动态的加氢机加注质量流速、车载气瓶压力、车载气瓶温度、环境温度;
第二调整模块,用于通过动态的加氢机加注氢气温度、加氢机加注质量流速、车载气瓶压力、车载气瓶温度、环境温度代入所述热力学模型,计算得到动态的理想最大压力上升率,实时根据动态的理想最大压力上升率进行加氢机的调压阀的调整。
9.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至5任一项所述基于神经网络的加氢自适应控制方法的步骤。
10.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现如权利要求1至5任一项所述基于神经网络的加氢自适应控制方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210417398.3A CN114509951B (zh) | 2022-04-21 | 2022-04-21 | 一种基于神经网络的加氢自适应控制方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210417398.3A CN114509951B (zh) | 2022-04-21 | 2022-04-21 | 一种基于神经网络的加氢自适应控制方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114509951A true CN114509951A (zh) | 2022-05-17 |
CN114509951B CN114509951B (zh) | 2022-08-12 |
Family
ID=81555562
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210417398.3A Active CN114509951B (zh) | 2022-04-21 | 2022-04-21 | 一种基于神经网络的加氢自适应控制方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114509951B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114759233A (zh) * | 2022-05-24 | 2022-07-15 | 苏州溯驭技术有限公司 | 一种适用于氢燃料系统的排氮阀控制方法及其排氮阀系统 |
CN115408948A (zh) * | 2022-10-18 | 2022-11-29 | 北京理工大学 | 一种氢气加注的最优策略确定方法、系统及电子设备 |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20090114926A (ko) * | 2008-04-30 | 2009-11-04 | 주식회사 엘지화학 | 아세틸렌의 선택적 수소화 반응의 최적화 방법 |
CN101832467A (zh) * | 2010-06-03 | 2010-09-15 | 浙江大学 | 基于温升与能耗控制的加氢站氢气优化加注方法及其系统 |
CN201723971U (zh) * | 2010-06-03 | 2011-01-26 | 浙江大学 | 基于温升与能耗控制的加氢站氢气优化加注系统 |
CN102713405A (zh) * | 2009-10-21 | 2012-10-03 | 耐尔氢气有限公司 | 用于操作并控制加气的方法 |
CN106597853A (zh) * | 2016-12-28 | 2017-04-26 | 中南大学 | 一种加氢裂化流程中主动式动态调控方法 |
CN109658988A (zh) * | 2018-12-20 | 2019-04-19 | 中海石油炼化有限责任公司 | 一种加氢精制催化剂性能预测方法 |
CN110021377A (zh) * | 2017-10-31 | 2019-07-16 | 中国石油化工股份有限公司 | 加氢裂化催化剂的失活预测方法、装置和存储设备 |
CN111365607A (zh) * | 2020-03-20 | 2020-07-03 | 重庆大学 | 基于智能预测与控制的车载氢气瓶三级加注方法 |
CN112325148A (zh) * | 2020-10-26 | 2021-02-05 | 北京航天雷特机电工程有限公司 | 一种加氢站用车载气瓶初始压力测量装置及方法 |
CN112765907A (zh) * | 2021-01-12 | 2021-05-07 | 同济大学 | 一种车载储氢瓶快速加注方案的优化方法和系统 |
CN113488118A (zh) * | 2021-08-12 | 2021-10-08 | 氢储(上海)能源科技有限公司 | 利用bp神经网络模型预测镁基固态储氢材料性能的方法 |
CN113609209A (zh) * | 2021-08-12 | 2021-11-05 | 上海氢枫能源技术有限公司 | 一种加氢站建站区域和规模的系统及方法 |
CN113628692A (zh) * | 2021-05-31 | 2021-11-09 | 杭州电子科技大学 | 基于数据与机理相混合的催化重整过程建模方法 |
CN113836840A (zh) * | 2021-10-01 | 2021-12-24 | 浙江大学 | 一种考虑不均匀温升的ⅳ型管束瓶充氢膨胀量预测方法 |
CN114352931A (zh) * | 2021-09-26 | 2022-04-15 | 浙江浙能航天氢能技术有限公司 | 加氢机的加氢速率控制方法 |
-
2022
- 2022-04-21 CN CN202210417398.3A patent/CN114509951B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20090114926A (ko) * | 2008-04-30 | 2009-11-04 | 주식회사 엘지화학 | 아세틸렌의 선택적 수소화 반응의 최적화 방법 |
CN102713405A (zh) * | 2009-10-21 | 2012-10-03 | 耐尔氢气有限公司 | 用于操作并控制加气的方法 |
CN101832467A (zh) * | 2010-06-03 | 2010-09-15 | 浙江大学 | 基于温升与能耗控制的加氢站氢气优化加注方法及其系统 |
CN201723971U (zh) * | 2010-06-03 | 2011-01-26 | 浙江大学 | 基于温升与能耗控制的加氢站氢气优化加注系统 |
CN106597853A (zh) * | 2016-12-28 | 2017-04-26 | 中南大学 | 一种加氢裂化流程中主动式动态调控方法 |
CN110021377A (zh) * | 2017-10-31 | 2019-07-16 | 中国石油化工股份有限公司 | 加氢裂化催化剂的失活预测方法、装置和存储设备 |
CN109658988A (zh) * | 2018-12-20 | 2019-04-19 | 中海石油炼化有限责任公司 | 一种加氢精制催化剂性能预测方法 |
CN111365607A (zh) * | 2020-03-20 | 2020-07-03 | 重庆大学 | 基于智能预测与控制的车载氢气瓶三级加注方法 |
CN112325148A (zh) * | 2020-10-26 | 2021-02-05 | 北京航天雷特机电工程有限公司 | 一种加氢站用车载气瓶初始压力测量装置及方法 |
CN112765907A (zh) * | 2021-01-12 | 2021-05-07 | 同济大学 | 一种车载储氢瓶快速加注方案的优化方法和系统 |
CN113628692A (zh) * | 2021-05-31 | 2021-11-09 | 杭州电子科技大学 | 基于数据与机理相混合的催化重整过程建模方法 |
CN113488118A (zh) * | 2021-08-12 | 2021-10-08 | 氢储(上海)能源科技有限公司 | 利用bp神经网络模型预测镁基固态储氢材料性能的方法 |
CN113609209A (zh) * | 2021-08-12 | 2021-11-05 | 上海氢枫能源技术有限公司 | 一种加氢站建站区域和规模的系统及方法 |
CN114352931A (zh) * | 2021-09-26 | 2022-04-15 | 浙江浙能航天氢能技术有限公司 | 加氢机的加氢速率控制方法 |
CN113836840A (zh) * | 2021-10-01 | 2021-12-24 | 浙江大学 | 一种考虑不均匀温升的ⅳ型管束瓶充氢膨胀量预测方法 |
Non-Patent Citations (1)
Title |
---|
胡元冲等: "基于Keras的神经网络技术在柴油超深度加氢精制中的应用", 《石油炼制与化工》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114759233A (zh) * | 2022-05-24 | 2022-07-15 | 苏州溯驭技术有限公司 | 一种适用于氢燃料系统的排氮阀控制方法及其排氮阀系统 |
CN114759233B (zh) * | 2022-05-24 | 2024-01-26 | 苏州溯驭技术有限公司 | 一种适用于氢燃料系统的排氮阀控制方法及其排氮阀系统 |
CN115408948A (zh) * | 2022-10-18 | 2022-11-29 | 北京理工大学 | 一种氢气加注的最优策略确定方法、系统及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN114509951B (zh) | 2022-08-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114509951B (zh) | 一种基于神经网络的加氢自适应控制方法及装置 | |
CN110852420B (zh) | 一种基于人工智能的垃圾分类方法 | |
CN111651312A (zh) | 一种基于边缘计算的设备故障三级双向预警方法及系统 | |
CN109379240B (zh) | 车联网流量预测模型构建方法、装置和电子设备 | |
CN107133190A (zh) | 一种机器学习系统的训练方法和训练系统 | |
CN112149797B (zh) | 神经网络结构优化方法和装置、电子设备 | |
CN110738315A (zh) | 一种神经网络精度调整方法及装置 | |
CN108229671A (zh) | 一种降低加速器外部数据存储带宽需求的系统和方法 | |
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 | |
CN114218875A (zh) | 一种用于流场预测的加速方法及装置 | |
CN103489034B (zh) | 预测与诊断在线海流监测数据的方法和装置 | |
CN111160531B (zh) | 神经网络模型的分布式训练方法、装置及电子设备 | |
CN114492191A (zh) | 基于dbn-svr的热力站设备剩余寿命评估方法 | |
CN112257751A (zh) | 神经网络剪枝方法 | |
CN103942315B (zh) | 一种基于装载因子的缓存数据预加载与替换方法 | |
CN114912364A (zh) | 天然气井流量预测方法、装置、设备及计算机可读介质 | |
CN114239949A (zh) | 一种基于双阶段注意力机制的网站访问量预测方法及系统 | |
US8190536B2 (en) | Method of performing parallel search optimization | |
CN115017466B (zh) | 碳载量确定方法、装置、电子设备及存储介质 | |
CN115130771A (zh) | 一种基于长短期记忆网络lstm的液力缓速器的转矩预测方法 | |
CN113128682B (zh) | 神经网络模型自动适配方法和装置 | |
CN113449968B (zh) | 一种基于深度学习的新能源电网频率风险评估方法及装置 | |
CN114977953A (zh) | 基于神经网络的电机输出扭矩修正方法、设备及介质 | |
WO2018082884A1 (en) | Calibration system and method | |
CN114638421A (zh) | 一种发电机组备件需求的预测方法 |
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 |