CN117077508A - 热电发电机的性能预测及优化方法 - Google Patents
热电发电机的性能预测及优化方法 Download PDFInfo
- Publication number
- CN117077508A CN117077508A CN202310865055.8A CN202310865055A CN117077508A CN 117077508 A CN117077508 A CN 117077508A CN 202310865055 A CN202310865055 A CN 202310865055A CN 117077508 A CN117077508 A CN 117077508A
- Authority
- CN
- China
- Prior art keywords
- model
- ann
- cgan
- optimization
- performance
- 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
- 238000005457 optimization Methods 0.000 title claims abstract description 55
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000013461 design Methods 0.000 claims abstract description 17
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 14
- 230000008569 process Effects 0.000 claims abstract description 10
- 238000004364 calculation method Methods 0.000 claims abstract description 7
- 238000012549 training Methods 0.000 claims description 24
- 238000004088 simulation Methods 0.000 claims description 19
- 238000012546 transfer Methods 0.000 claims description 19
- 230000007246 mechanism Effects 0.000 claims description 10
- 238000006243 chemical reaction Methods 0.000 claims description 7
- 238000012163 sequencing technique Methods 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 5
- 230000002708 enhancing effect Effects 0.000 claims description 5
- 230000006870 function Effects 0.000 claims description 5
- 230000002068 genetic effect Effects 0.000 claims description 5
- 238000013507 mapping Methods 0.000 claims description 5
- 210000002569 neuron Anatomy 0.000 claims description 5
- 210000003041 ligament Anatomy 0.000 claims description 4
- 238000012932 thermodynamic analysis Methods 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 claims description 3
- 230000003042 antagnostic effect Effects 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 3
- 230000035772 mutation Effects 0.000 claims description 3
- 238000006467 substitution reaction Methods 0.000 claims description 2
- 238000012795 verification Methods 0.000 claims description 2
- 230000000007 visual effect Effects 0.000 claims description 2
- 238000013506 data mapping Methods 0.000 claims 1
- 230000008878 coupling Effects 0.000 abstract description 4
- 238000010168 coupling process Methods 0.000 abstract description 4
- 238000005859 coupling reaction Methods 0.000 abstract description 4
- 239000003795 chemical substances by application Substances 0.000 description 10
- 238000010248 power generation Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 239000002918 waste heat Substances 0.000 description 3
- 239000012530 fluid Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011084 recovery Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005684 electric field Effects 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 239000002803 fossil fuel Substances 0.000 description 1
- 239000002440 industrial waste Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000013433 optimization analysis Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Classifications
-
- 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
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/28—Design optimisation, verification or simulation using fluid dynamics, e.g. using Navier-Stokes equations or computational fluid dynamics [CFD]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0475—Generative networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/094—Adversarial learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/08—Fluids
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/08—Thermal analysis or thermal optimisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Algebra (AREA)
- Fluid Mechanics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种热电发电机的性能预测及优化方法，该方法将综合代理模型与TEG系统相结合，相较于传统的将数值模型与优化算法耦合的优化方法，可靠的代理模型能够用输入和输出来映射设计变量与目标值之间的关系。以代替计算成本高的数值模型，并作为优化的核心过程，在短时间内准确地评估任何给定的设计目标值。代理模型一旦训练成功，对计算硬件的配置需求降低，可以将结果移植于其他便携式设备，实现共享。此外，该方法也可以根据设计需求灵活改变，将综合代理模型中的ANN或cGAN模型单独选择出来完成相应预测或优化工作。本发明不仅可以显著地节约计算成本，还可以大大提高设计效率。
Description
技术领域
本发明涉及一种热电转换废热回收技术领域，尤其涉及一种热电发电机的性能预测及优化方法。
背景技术
大量使用化石燃料导致全球面临能源短缺和环境污染两大难题，因此越来越多的研究人员聚焦于开发绿色清洁能源和提高能源利用效率，而热电发电(Thermo ElectricGenerator，TEG)就是提高能源利用效率的途径之一。热电发电是能源领域的一个重要研究方向，可以将低品位热能直接转换成电能，有效利用工业余热、地热能、潮汐能、太阳能和海洋能发电。
受限于热电材料品质因数(ZT)，TEG系统性能仍然较低，这极大地阻碍了TEG系统的商业化推广。因此有必要对TEG系统的结构进行优化以提高其输出性能。通常，TEG系统的结构优化包括热交换器和热电模块(TEM)的优化。作为能量传递单元，热交换器的作用是吸收热流体中的废热，然后将其传递到TEM。因此，改善换热器与热流体之间的传热是提高换热器性能的最有效途径。同时，热交换器中的压降应尽可能低，以避免影响其他部件的正常运行。
以汽车尾气废热回收为例，TEG系统两侧的温度(T1 and T2)几乎是确定的，依据牛顿冷却定律(1)可知，为了实现强化传热，需要增大传热面积A或者加强传热系数K。因此，大量的学者参照来完成热端换热器的结构设计，用以提升热电性能。
如专利(CN202210884177.7)一种在换热器内部添加螺旋纽带以增强传热的环形热电发电机性能优化方法和专利(CN202010603921.2)一种在换热器管道壁安插非均匀分布翅片来改善传热效果的热电发电机优化方法。
然而，TEG系统涉及到了复杂且耗时的计算，尤其是在与智能算法耦合进行优化的过程中往往需要进行数万次的三维数值模拟，并且这样费时费力的优化工作仅限定于某一种特定的边界条件，当边界条件发生改变时，需要重复计算过程。因此，将系统层级的TEG与代理模型相融合来实现快速预测和优化更具有实际意义。此外，传统的代理模型仅能从数据层面构建设计变量与目标函数值之间的映射，而无法提供二维及以上的物理场信息。事实上，系统层级的TEG是一个涉及到温度场、流场、电场相互耦合的复杂物理模型，而模拟换热器内部的热流和压力分布有助于从机理层面解释设计优化，并且可以提供直观的可视化反馈。因此，有必要探索一个既能实现TEG系统输出性能的高精度预测及快速优化，又能快速实现TEG内部物理场分布的高维非线性映射的综合代理模型。
发明内容
为解决以上问题，本发明提供一种热电发电机的性能预测及优化方法，通过综合代理模型来实现含螺旋纽带的环形热电发电机(TT-ATEG)的输出性能优化以及热力学分析。
本发明采用的技术方案是：一种基于综合代理模型的系统层级热电发电机的性能快速预测及优化方法，包括以下步骤：
S1：生成数据库，为了构建数据库供综合代理模型训练，通过COMSOLMultiphysics对一系列具有不同参数的热电系统数值模型进行建模并完成仿真模拟，将相应数据导出以构成原始数据库。
S2：构建综合代理模型，该模型主要由基于参数的ANN模型和基于图像的cGAN模型组成。其中ANN模型实现了由输入变量：入口流速Tin、入口速度Vin、长度L、半径R、纽率aa到输出变量：净功率Pnet和效率η的数据映射，cGAN模型实现了热电系统内部换热器截面几何轮廓到对应的压力p与热流分布q的图像映射。在实现性能预测的同时又辅以机理解释。
S3：性能预测及优化，当综合代理模型经过训练和验证，满足了一定的模型精度后，则可以将其用于快速预测和优化。在预测部分，ANN模型用于预测不同Tin、Vin条件下，TT-ATEG的Pnet、η随螺旋纽带的L,R,aa的变化趋势。而cGAN模型则可以根据ANN提供的设计参数实现相应的物理场分布预测，并进行相应的热力学分析。在优化部分，采用non-dominated sorting genetic algorithm II(NSGA-II)(非支配排序遗传算法)来完成多目标优化的工作，快速搜索能够使TT-ATEG获得最大净功率和输出效率的螺旋纽带几何结构参数。并将得到的螺旋纽带最优结构参数作为cGAN模型的输入，实现快速物理场重构，将结果可视化以便从机理层面解析螺旋纽带增强传热的原理。
作为优选，步骤S1中，还包括以下步骤：：
步骤S11：确定ANN模型以及cGAN模型的输入和输出；
步骤S12：确定数据库的构成方式。
进一步的，步骤S11中，本发明的研究重点是在不同边界条件下实现对换热器内部螺旋纽带的几何参数快速优化，以改善换热器的传热与压降，提高TT-ATEG的输出性能。因此，选择几何参数：螺旋纽带的长度L、半径R、纽率aa和边界条件参数：热气的入口温度和入口流速(Tin and Vin)作为输入。并选用净功率Pnet和转换效率η作为TT-ATEG的输出性能评价指标，同时，还选择了换热器内部的压力分布p和热流分布q用以探究螺旋纽带增强传热的机理分析。
进一步的，步骤S12中，将5个输入参数进行组合，总共5×5×5×5×5＝3125中组合方式，并通过COMSOL Multiphysics中搭建的TT-ATEG数值模型来生成原始数据库。将每个组合对应的Pnet和η导出用于ANN数据建模，将部分组合对应的压力分布图和热流分布图导出，并经过后处理成256×256×1的图像，用于CGAN图像建模。其中五个输入参数的分布以及数据库的构成如表1和表2所示：
表1
表2
作为优选，步骤S2中，还包括以下步骤：
步骤S21：确定ANN模型和cGAN模型的架构和配置；
步骤S22：完成对ANN模型和cGAN模型的训练，并验证预测精度。
进一步的，步骤S21中，ANN模型配置为：包含3层隐藏层，每层神经元数量为6个；学习率设为0.1，批量大小为64，迭代2000次；并按照7:3的比例将数据集划分为训练集和测试集，基于训练数据，反向传播更新每个神经元的权重和偏置来优化网络参数；基于测试数据，验证ANN模型经过充分训练后的拟合精度；此外，为了防止训练过程中模型的过拟合或者欠拟合，从训练集中随机取部分数据作为验证集；
cGAN模型的配置为：初始学习率设为0.0002，生成器的正则化权值设为100，鉴别器的正则化权值设为1，批量大小为1，迭代5000次；cGAN模型由生成器和鉴别器组成，模型的训练本质上是生成器和鉴别器之间的对抗性优化过程；求解器来持续优化生成器和鉴别器的权值和偏差参数，并依次对目标函数进行最小化和最大化取值，以此交替迭代地训练并更新网络，建立一个对抗过程，并且最终将达到“纳什均衡”；此时，cGAN模型的预测结果与真实结果相似，难以分辨。
进一步的，步骤S22中，引入均方误差(MSE)和决定系数(R2)来衡量ANN模型的预测精度。引入结构相似度(SSIM)来衡量cGAN模型的预测精度。表达式如下：
式中：N为数据点的个数，fCOMSOL为COMSOL计算值，代表fCOMSOL的平均值，fANN为ANN预测值，μa和μb是a和b的平均值，σa和σb是a和b的方差，而σab是a和b的协方差；c1＝(k1L)2,c2＝(k2L)2是用于保持稳定性的常数，其中：L是像素值的动态范围，k1和k2的值分别为0.01和0.03；
经过计算，训练好的ANN模型，净功率的MSE为0.0258，R2为0.9992；转换效率的MSE为1.59e-7,R2为0.9958；训练好的cGAN模型，预测压力和热流分布的SSIM平均值分别为0.954和0.934，说明ANN模型以及cGAN模型的预测精度得到了验证，可以用于后续的快速预测及优化。
作为优选，所述步骤S3中，还包括以下步骤：
S31：基于ANN模型和cGAN模型，分别从数据和图像的角度预测了螺旋纽带几何参数变化对TT-ATEG性能的影响，并与COMSOL仿真结果对比；
S32：使用多目标优化算法NSGA-II结合TOPSIS决策方法，获得TT-ATEG系统的最佳性能及对应的边界条件和几何参数。
进一步的，步骤S31中，选择不同的边界条件(Tin,Vin)，使用ANN模型来预测螺旋纽带的三个几何参数：L,R,aa的变化趋势对系统输出性能Pnet和η的影响，并与COMSOL的有限元模拟结果进行对比，二者高度吻合，这进一步表明了ANN作为替代模型的有效性，并可以将其用于精确探究几何参数数值变化对于TT-ATEG输出性能的影响以及后期的设计优化；再从中选取数个具有代表性的组合，利用cGAN模型来预测其压力和热流分布，并从传热和压降的角度来进一步解释螺旋纽带三个几何参数的影响，并与COMSOL预测结果对比，从可视化角度而言，cGAN模型预测图像与COMSOL仿真图像相似程度很高，因此，通过cGAN模型生成的图像可以作为仿真结果的替代物，在预测物理场时提供一个快速真实的有效反馈。
进一步的，步骤S32中，算法的优化流程如下：1)使用充分训练的ANN模型计算个体适应度值；2)通过快速非支配排序、选择、交叉和变异操作得到初始种群；3)再通过排序和计算拥挤度得到下一代种群，以此迭代直到进化停止。NSGA-II优化完成后，使用TOPSIS决策方法对结果进行排序，得到Pareto解集中最优的Pnet和η。
本发明取得的有益效果是：本发明将综合代理模型与TEG系统相结合，相较于传统的将数值模型与优化算法耦合的优化方法，可靠的代理模型能够用输入和输出来映射设计变量与目标值之间的关系。以代替计算成本高的数值模型，并作为优化的核心过程，在短时间内准确地评估任何给定的设计目标值。代理模型一旦训练成功，对计算硬件的配置需求降低，可以将结果移植于其他便携式设备，实现共享。此外，该方法也可以根据设计需求灵活改变，将综合代理模型中的ANN或cGAN模型单独选择出来完成相应预测或优化工作,本发明提供的仅为一个示例。综上，本发明提出的综合代理模型不仅可以显著地节约计算成本，还可以大大提高设计效率，是一种非常有前途的替代建模方法，并且可以推广到不同结构的TEG建模与优化。
附图说明
图1为本发明的优化方法整体框架图；
图2为ANN预测净功率和效率的结果与COMSOL仿真结果对比图；
图3为ANN模型与NSGA-II耦合获得的优化结果图。
具体实施方式
下面将结合附图对本发明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做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。
如图1-3所示，本发明的一种基于综合代理模型的系统层级热电发电机的性能快速预测及优化方法，包括以下步骤：
S1：生成数据库，为了构建数据库供综合代理模型训练，通过COMSOLMultiphysics对一系列具有不同参数的热电系统数值模型进行建模并完成仿真模拟，将相应数据导出以构成原始数据库。
S2：构建综合代理模型，该模型主要由基于参数的ANN模型和基于图像的cGAN模型组成。其中ANN模型实现了由输入变量：入口流速Tin、入口速度Vin、长度L、半径R、纽率aa到输出变量：净功率Pnet和效率η的数据映射，cGAN模型实现了热电系统内部换热器截面几何轮廓到对应的压力p与热流分布q的图像映射。在实现性能预测的同时又辅以机理解释。
S3：性能预测及优化，当综合代理模型经过训练和验证，满足了一定的模型精度后，则可以将其用于快速预测和优化。在预测部分，ANN模型用于预测不同Tin、Vin条件下，TT-ATEG的Pnet、η随螺旋纽带的L,R,aa的变化趋势。而cGAN模型则可以根据ANN提供的设计参数实现相应的物理场分布预测，并进行相应的热力学分析。在优化部分，采用non-dominated sorting genetic algorithm II(NSGA-II)(非支配排序遗传算法)来完成多目标优化的工作，快速搜索能够使TT-ATEG获得最大净功率和输出效率的螺旋纽带几何结构参数。并将得到的螺旋纽带最优结构参数作为cGAN模型的输入，实现快速物理场重构，将结果可视化以便从机理层面解析螺旋纽带增强传热的原理。
作为优选，步骤S1中，还包括以下步骤：
步骤S11：确定ANN模型以及cGAN模型的输入和输出；
步骤S12：确定数据库的构成方式。
进一步的，步骤S11中，本发明的研究重点是在不同边界条件下实现对换热器内部螺旋纽带的几何参数快速优化，以改善换热器的传热与压降，提高TT-ATEG的输出性能。因此，选择几何参数：螺旋纽带的长度L、半径R、纽率aa和边界条件参数：热气的入口温度和入口流速(Tin and Vin)作为输入。并选用净功率Pnet和转换效率η作为TT-ATEG的输出性能评价指标，同时，还选择了换热器内部的压力分布p和热流分布q用以探究螺旋纽带增强传热的机理分析。
进一步的，步骤S12中，将5个输入参数进行组合，总共5×5×5×5×5＝3125中组合方式，并通过COMSOL Multiphysics中搭建的TT-ATEG数值模型来生成原始数据库。将每个组合对应的Pnet和η导出用于ANN数据建模，将部分组合对应的压力分布图和热流分布图导出，并经过后处理成256×256×1的图像，用于CGAN图像建模。其中五个输入参数的分布以及数据库的构成如表1和表2所示：
表1
表2
作为优选，步骤S2中，还包括以下步骤：
步骤S21：确定ANN模型和cGAN模型的架构和配置；
步骤S22：完成对ANN模型和cGAN模型的训练，并验证预测精度。
进一步的，步骤S21中，ANN模型配置如表3所示：
表3
按照7:3的比例将数据集划分为训练集和测试集，基于训练数据，反向传播更新每个神经元的权重和偏置来优化网络参数。基于测试数据，验证ANN模型经过充分训练后的拟合精度。此外，为了防止训练过程中模型的过拟合或者欠拟合，从训练集中随机取部分数据作为验证集。
cGAN模型的配置如表4所示：
表4
cGAN模型由生成器(G)和鉴别器(D)组成，模型的训练本质上是生成器和鉴别器之间的对抗性优化过程。通过Adam求解器来持续优化生成器和鉴别器的权值和偏差参数，并依次对目标函数进行最小化和最大化取值，以此交替迭代地训练并更新网络，建立一个对抗过程，并且最终将达到“纳什均衡”。此时，cGAN模型的预测结果与真实结果非常相似,难以分辨。
进一步的，步骤S22中，引入均方误差(MSE)和决定系数(R2)来衡量ANN模型的预测精度。引入结构相似度(SSIM)来衡量cGAN模型的预测精度。表达式如下：
式中：N为数据点的个数，fCOMSOL为COMSOL计算值，代表fCOMSOL的平均值，fANN为ANN预测值，μa和μb是a和b的平均值，σa和σb是a和b的方差，而σab是a和b的协方差；c1＝(k1L)2,c2＝(k2L)2是用于保持稳定性的常数，其中：L是像素值的动态范围，k1和k2的值分别为0.01和0.03。
经过计算，训练好的ANN模型中：净功率的MSE为0.0258，R2为0.9992，转换效率的MSE为1.59e-7,R2为0.9958，二者的决定系数R2皆大于0.9，表明ANN的拟合精度非常高。训练好的cGAN模型：预测压力和热流分布的SSIM平均值分别为0.954和0.934，说明ANN模型以及cGAN模型的预测精度得到了验证，可以用于后续的快速预测及优化。
作为优选，所述步骤S3中，还包括以下步骤：
S31：基于ANN模型和cGAN模型，分别从数据和图像的角度预测了螺旋纽带几何参数变化对TT-ATEG性能的影响，并与COMSOL仿真结果对比；
S32：使用多目标优化算法NSGA-II结合TOPSIS决策方法，获得TT-ATEG系统的最佳性能及对应的边界条件和几何参数。
进一步的，步骤S31中，选择不同的边界条件(Tin,Vin)，使用ANN模型来预测螺旋纽带的三个几何参数：L,R,aa的变化趋势对系统输出性能Pnet和η的影响，并与COMSOL的有限元模拟结果进行对比，二者高度吻合，这进一步表明了ANN作为替代模型的有效性，并可以将其用于精确探究几何参数数值变化对于TT-ATEG输出性能的影响以及后期的设计优化；再从中选取数个具有代表性的组合，利用cGAN模型来预测其压力和热流分布，并从传热和压降的角度来进一步解释螺旋纽带三个几何参数的影响，并与COMSOL预测结果对比，从可视化角度而言，cGAN模型预测图像与COMSOL仿真图像相似程度很高，因此，通过cGAN模型生成的图像可以作为仿真结果的替代物，在预测物理场时提供一个快速真实的有效反馈。
进一步的，步骤S32中，算法的优化流程如下：1)使用充分训练的ANN模型计算个体适应度值；2)通过快速非支配排序、选择、交叉和变异操作得到初始种群；3)再通过排序和计算拥挤度得到下一代种群，以此迭代直到进化停止。NSGA-II优化完成后，使用TOPSIS决策方法对结果进行排序，得到Pareto解集中最优的Pnet和η。
最后，应当指出，以上实施例仅是本发明较有代表性的例子。显然，本发明不限于上述实施例，还可以有许多变形。凡是依据本发明的技术实质对以上实施例所做的任何简单修改、等同变化及修饰，均应认为属于本发明的保护范围。
Claims (10)
1.一种热电发电机的性能预测及优化方法，其特征在于：包括以下步骤：
S1：生成数据库：为了构建数据库供综合代理模型训练，通过COMSOL Multiphysics对一系列具有不同参数的热电系统数值模型进行建模并完成仿真模拟，将相应数据导出以构成原始数据库；
S2：构建综合代理模型：该模型主要由基于参数的ANN模型和基于图像的cGAN模型组成，其中：ANN模型实现了由输入变量到输出变量的数据映射，输入变量包括入口流速Tin、入口速度Vin、长度L、半径R和纽率aa，输出变量包括净功率Pnet和效率η；cGAN模型实现了热电系统内部换热器截面几何轮廓到对应的压力p与热流分布q的图像映射；在实现性能预测的同时又辅以机理解释；
S3：性能预测及优化：当综合代理模型经过训练和验证，满足了模型精度后，则将其用于快速预测和优化；在预测部分，ANN模型用于预测不同Tin和Vin条件下，TT-ATEG的Pnet、η随螺旋纽带的L,R,aa的变化趋势；而cGAN模型则根据ANN提供的设计参数实现相应的物理场分布预测，并进行相应的热力学分析；在优化部分，采用non-dominated sorting geneticalgorithm II来完成多目标优化的工作，搜索能够使TT-ATEG获得最大净功率和输出效率的螺旋纽带几何结构参数，并将得到的螺旋纽带最优结构参数作为cGAN模型的输入，实现快速物理场重构，将结果可视化以便从机理层面解析螺旋纽带增强传热的原理。
2.根据权利要求1所述的热电发电机的性能预测及优化方法，其特征在于：步骤S1还包括以下步骤：
步骤S11：确定ANN模型以及cGAN模型的输入和输出；
步骤S12：确定数据库的构成方式。
3.根据权利要求2所述的热电发电机的性能预测及优化方法，其特征在于：步骤S11中，选择几何参数和边界条件参数作为输入，几何参数包括螺旋纽带的长度L、半径R和纽率aa，边界条件参数包括入口温度Tin和入口流速Vin；并选用净功率Pnet和转换效率η作为TT-ATEG的输出性能评价指标，同时，选择换热器内部的压力分布p和热流分布q用以探究螺旋纽带增强传热的机理分析。
4.根据权利要求2所述的热电发电机的性能预测及优化方法，其特征在于：步骤S12中，将5个输入参数进行组合，总共5×5×5×5×5＝3125种组合方式，并通过COMSOLMultiphysics中搭建的TT-ATEG数值模型来生成原始数据库；将每个组合对应的Pnet和η导出用于ANN数据建模，将部分组合对应的压力分布图和热流分布图导出，并经过后处理成256×256×1的图像，用于cGAN图像建模。
5.根据权利要求1所述的热电发电机的性能预测及优化方法，其特征在于：步骤S2还包括以下步骤：
步骤S21：确定ANN模型和cGAN模型的架构和配置；
步骤S22：完成对ANN模型和cGAN模型的训练，并验证预测精度。
6.根据权利要求5所述的热电发电机的性能预测及优化方法，其特征在于：步骤S21中，ANN模型配置为：包含3层隐藏层，每层神经元数量为6个；学习率设为0.1，批量大小为64，迭代2000次；并按照7:3的比例将数据集划分为训练集和测试集，基于训练数据，反向传播更新每个神经元的权重和偏置来优化网络参数；基于测试数据，验证ANN模型经过充分训练后的拟合精度；此外，为了防止训练过程中模型的过拟合或者欠拟合，从训练集中随机取部分数据作为验证集；
cGAN模型的配置为：初始学习率设为0.0002，生成器的正则化权值设为100，鉴别器的正则化权值设为1，批量大小为1，迭代5000次；cGAN模型由生成器和鉴别器组成，模型的训练本质上是生成器和鉴别器之间的对抗性优化过程；求解器来持续优化生成器和鉴别器的权值和偏差参数，并依次对目标函数进行最小化和最大化取值，以此交替迭代地训练并更新网络，建立一个对抗过程，并且最终将达到“纳什均衡”；此时，cGAN模型的预测结果与真实结果相似。
7.根据权利要求5所述的热电发电机的性能预测及优化方法，其特征在于：步骤S22中，引入均方误差MSE和决定系数R2来衡量ANN模型的预测精度；引入结构相似度SSIM来衡量cGAN模型的预测精度；表达式如下：
式中：N为数据点的个数，fCOMSOL为COMSOL计算值，代表fCOMSOL的平均值，fANN为ANN预测值，μa和μb是a和b的平均值，μa和μb是a和b的方差，而σab是a和b的协方差；c1＝(k1L)2,c2＝(k2L)2是用于保持稳定性的常数，其中：L是像素值的动态范围，k1和k2的值分别为0.01和0.03；
经过计算，训练好的ANN模型，净功率的MSE为0.0258，R2为0.9992；转换效率的MSE为1.59e-7,R2为0.9958；训练好的cGAN模型，预测压力和热流分布的SSIM平均值分别为0.954和0.934，说明ANN模型以及cGAN模型的预测精度得到了验证，能够用于后续的预测及优化。
8.根据权利要求1所述的热电发电机的性能预测及优化方法，其特征在于：步骤S3还包括以下步骤：
S31：基于ANN模型和cGAN模型，分别从数据和图像的角度预测了螺旋纽带几何参数变化对TT-ATEG性能的影响，并与COMSOL仿真结果对比；
S32：使用多目标优化算法NSGA-II结合TOPSIS决策方法，获得TT-ATEG系统的最佳性能及对应的边界条件和几何参数。
9.根据权利要求8所述的热电发电机的性能预测及优化方法，其特征在于：步骤S31中，选择不同的边界条件Tin、Vin，使用ANN模型来预测螺旋纽带的三个几何参数：L,R,aa的变化趋势对系统输出性能Pnet和η的影响，并与COMSOL的有限元模拟结果进行对比，二者高度吻合，进一步表明了ANN作为替代模型的有效性，并能够将其用于精确探究几何参数数值变化对于TT-ATEG输出性能的影响以及后期的设计优化；再从中选取数个具有代表性的组合，利用cGAN模型来预测其压力和热流分布，并从传热和压降的角度来进一步解释螺旋纽带三个几何参数：L,R,aa的影响，并与COMSOL预测结果对比，从可视化角度而言，cGAN模型预测图像与COMSOL仿真图像相似程度高，因此，通过cGAN模型生成的图像能够作为仿真结果的替代物，在预测物理场时提供真实有效的反馈。
10.根据权利要求8所述的热电发电机的性能预测及优化方法，其特征在于：步骤S32中，算法的优化流程如下：
1)、使用充分训练的ANN模型计算个体适应度值；
2)、通过快速非支配排序、选择、交叉和变异操作得到初始种群；
3)、通过排序和计算拥挤度得到下一代种群，以此迭代直到进化停止；NSGA-II优化完成后，使用TOPSIS决策方法对结果进行排序，得到Pareto解集中最优的Pnet和η。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310865055.8A CN117077508B (zh) | 2023-07-14 | 2023-07-14 | 热电发电机的性能预测及优化方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310865055.8A CN117077508B (zh) | 2023-07-14 | 2023-07-14 | 热电发电机的性能预测及优化方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117077508A true CN117077508A (zh) | 2023-11-17 |
| CN117077508B CN117077508B (zh) | 2024-07-09 |
Family
ID=88705199
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310865055.8A Active CN117077508B (zh) | 2023-07-14 | 2023-07-14 | 热电发电机的性能预测及优化方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117077508B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103198354A (zh) * | 2013-02-28 | 2013-07-10 | 重庆科技学院 | 一种利用bp神经网络与nsga2实现油田抽油机采油节能增产优化方法 |
| CN104500340A (zh) * | 2014-11-04 | 2015-04-08 | 安徽和迅轨道交通应用技术有限公司 | 一种风力机发电装置 |
| CN112949165A (zh) * | 2021-01-28 | 2021-06-11 | 哈尔滨工程大学 | 一种基于神经网络模型与nsga-ii遗传算法的射流泵多目标优化方法 |
| US20210376605A1 (en) * | 2020-05-28 | 2021-12-02 | Xiangtan University | Optimization method for capacity of heat pump and power of various sets of energy source equipment in energy hub |
| CN114943105A (zh) * | 2022-07-26 | 2022-08-26 | 武汉理工大学 | 含螺旋纽带的环形热电发电机性能优化方法 |
| US20230092630A1 (en) * | 2019-06-19 | 2023-03-23 | Shan Dong University | A parallel analog circuit optimization method based on genetic algorithm and machine learning |
-
2023
- 2023-07-14 CN CN202310865055.8A patent/CN117077508B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103198354A (zh) * | 2013-02-28 | 2013-07-10 | 重庆科技学院 | 一种利用bp神经网络与nsga2实现油田抽油机采油节能增产优化方法 |
| CN104500340A (zh) * | 2014-11-04 | 2015-04-08 | 安徽和迅轨道交通应用技术有限公司 | 一种风力机发电装置 |
| US20230092630A1 (en) * | 2019-06-19 | 2023-03-23 | Shan Dong University | A parallel analog circuit optimization method based on genetic algorithm and machine learning |
| US20210376605A1 (en) * | 2020-05-28 | 2021-12-02 | Xiangtan University | Optimization method for capacity of heat pump and power of various sets of energy source equipment in energy hub |
| CN112949165A (zh) * | 2021-01-28 | 2021-06-11 | 哈尔滨工程大学 | 一种基于神经网络模型与nsga-ii遗传算法的射流泵多目标优化方法 |
| CN114943105A (zh) * | 2022-07-26 | 2022-08-26 | 武汉理工大学 | 含螺旋纽带的环形热电发电机性能优化方法 |
Non-Patent Citations (4)
| Title |
|---|
| BUAYAI K等: "Multi‐objective micro‐grid planning by NSGA‐II in primary distribution system", EUROPEAN TRANSACTIONS ON ELECTRICAL POWER, vol. 22, no. 2, 15 March 2012 (2012-03-15), pages 170 - 187 * |
| 李洁等: "基于NSGA-Ⅲ的开关磁阻发电机多目标优化设计", 微电机, vol. 53, no. 8, 28 August 2020 (2020-08-28), pages 5 - 10 * |
| 牛晓晓;王贺春;李旭;胡松;王银燕;: "基于神经网络的柴油机性能预测模型优化", 内燃机学报, no. 06, 25 November 2018 (2018-11-25), pages 85 - 92 * |
| 谢长君等: "价格与激励需求响应下电动汽车负荷聚集商调度策略", 电网技术, vol. 46, no. 4, 26 August 2021 (2021-08-26), pages 1259 - 1269 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117077508B (zh) | 2024-07-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Ding | A novel self-adapting intelligent grey model for forecasting China's natural-gas demand | |
| Gosselin et al. | Review of utilization of genetic algorithms in heat transfer problems | |
| Wang et al. | A novel fractional time-delayed grey Bernoulli forecasting model and its application for the energy production and consumption prediction | |
| Hajabdollahi et al. | Soft computing based multi-objective optimization of steam cycle power plant using NSGA-II and ANN | |
| Kasaeian et al. | GMDH algorithm for modeling the outlet temperatures of a solar chimney based on the ambient temperature | |
| CN108805743A (zh) | 一种电网企业售电公司运营效益评价方法 | |
| CN105894125A (zh) | 一种输变电工程造价预测方法 | |
| CN108537366A (zh) | 基于最优卷积二维化的水库调度方法 | |
| CN113591368A (zh) | 一种综合能源系统多能负荷预测方法及系统 | |
| CN109492748A (zh) | 一种基于卷积神经网络的电力系统的中长期负荷预测模型建立方法 | |
| CN115759371A (zh) | 一种基于gcn-lstm的电力系统短期负荷预测方法 | |
| CN116345555A (zh) | 一种基于cnn-isca-lstm模型的短期光伏发电功率预测方法 | |
| Yang et al. | A fuzzy intelligent forecasting system based on combined fuzzification strategy and improved optimization algorithm for renewable energy power generation | |
| Groniewsky | Exergoeconomic optimization of a thermal power plant using particle swarm optimization | |
| Sun et al. | An intelligent plate fin-and-tube heat exchanger design system through integration of CFD, NSGA-II, ANN and TOPSIS | |
| Chen et al. | Output prediction of alpha-type Stirling engines using gradient boosted regression trees and corresponding heat recovery system optimization based on improved NSGA-II | |
| Xu et al. | Performance prediction and optimization of annular thermoelectric generators based on a comprehensive surrogate model | |
| Frangopoulos | Methods of energy systems optimization | |
| CN117077508B (zh) | 热电发电机的性能预测及优化方法 | |
| Sciuto et al. | Design optimization of solar chimney power plant by finite elements based numerical model and cascade neural networks | |
| CN115034618A (zh) | 一种基于模糊评价的社区综合能源系统效益评价方法 | |
| Khoshgoftar Manesh et al. | Optimization of the coupling of pressurized water nuclear reactors and multistage flash desalination plant by evolutionary algorithms and thermoeconomic method | |
| Zhao et al. | Study of short-term load forecasting in big data environment | |
| Xu et al. | A multi-objective optimization and multi-attribute decision-making analysis for technical-thermodynamic-economic evaluation considering the rock damage on production performance of hot dry rock geothermal resources | |
| Jhamb et al. | Machine Learning Models for the Prediction of Heating and Cooling Loads of a Residential building |
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 |