CN113868966B - 一种生物质锅炉省煤器结构参数优化设计方法 - Google Patents

一种生物质锅炉省煤器结构参数优化设计方法 Download PDF

Info

Publication number
CN113868966B
CN113868966B CN202111458879.0A CN202111458879A CN113868966B CN 113868966 B CN113868966 B CN 113868966B CN 202111458879 A CN202111458879 A CN 202111458879A CN 113868966 B CN113868966 B CN 113868966B
Authority
CN
China
Prior art keywords
optimized
parameters
economizer
heat exchanger
optimization
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
CN202111458879.0A
Other languages
English (en)
Other versions
CN113868966A (zh
Inventor
童水光
王海丹
童哲铭
赵剑云
何伟校
陈伟
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.)
Xizi Clean Energy Equipment Manufacturing Co ltd
Zhejiang University ZJU
Original Assignee
Xizi Clean Energy Equipment Manufacturing Co ltd
Zhejiang University ZJU
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 Xizi Clean Energy Equipment Manufacturing Co ltd, Zhejiang University ZJU filed Critical Xizi Clean Energy Equipment Manufacturing Co ltd
Priority to CN202111458879.0A priority Critical patent/CN113868966B/zh
Publication of CN113868966A publication Critical patent/CN113868966A/zh
Application granted granted Critical
Publication of CN113868966B publication Critical patent/CN113868966B/zh
Priority to US18/073,990 priority patent/US11775704B2/en
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
    • 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
    • G06N3/045—Combinations of 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
    • 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)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明公开了一种生物质锅炉省煤器结构参数优化设计方法，属于大数据学习模型领域。本发明利用生物质锅炉省煤器的历史运行大数据构建了样本数据库，并基于CNN和自注意力机制建立了换热器残差自注意力卷积模型，通过机器学习实现了多个待优化目标参数的快速预测，结合迭代优化算法即可对省煤器中的待优化结构参数进行多目标优化。相比于传统的针对生物质锅炉省煤器所有变量优化，基于自注意力机制能够自动关注重要性高的特征，从而更好的进行优化重要性高的变量，使其后续的优化调整方便快捷，大幅降低优化成本。

Description

一种生物质锅炉省煤器结构参数优化设计方法
技术领域
本发明属于大数据学习模型领域，具体涉及一种用于对生物质锅炉省煤器结构进行参数优化的方法。
背景技术
生物质锅炉在锅炉领域由于其运行成本低、热效率高以及能源可再生等特点，近年来发展迅速。省煤器是生物质锅炉中的必要部件，能够实现锅炉的余热利用，节省能源。但是现有的生物质锅炉中，传统的省煤器往往存在性能上的缺陷，特别是在生物质燃烧过程中产生的高浓度烟气含有较高腐蚀性化学成分，导致尾部烟气中的省煤器产生积灰结渣甚至腐蚀现象，大大降低了传热效率。因此，生物质锅炉中对于省煤器存在改进的技术需求。一些特定的换热器如枕形板式换热器具有换热性能好，承压能力高，单位体积可容纳更大的换热面积等特点，可以将其应用于生物质锅炉的余热回收过程中。然而，用于作为生物质锅炉省煤器的高性能换热器因为运行数据样本小，结构复杂多变，建模优化设计难，使得难以有效的对其结构参数进行优化，使其能够适用于作为生物质锅炉的省煤器。如何针对新型换热器提出高效低成本的优化方法是目前的重点和难点。
常规的换热器优化设计通常基于设计手册，通过反复试验寻求较好的效果。然而，某些特定换热器如枕形板式换热器中换热单元包含多个复杂曲面，没有相应的设计手册和优化方法，设计建模以及加工制造过程复杂，通过试验方法确定优化参数成本高昂，因此常规方法并不适用。
综上，现有的应用生物质锅炉中的换热器智能优化方法中，存在设计精度难以满足要求；难以有效提取各参数间复杂依赖关系；针对某些特定换热器运行数据样本小，优化成本高等缺点。基于此，有必要提出一种针对于生物质锅炉省煤器的结构参数优化方法，以满足其换热效率以及经济性等方面的性能提升需求。
发明内容
本发明的目的在于解决现有技术中生物质锅炉省煤器参数优化过程辅助、成本高昂的缺陷，并提供一种生物质锅炉省煤器结构参数优化设计方法。
本发明所采用的具体技术方案如下：
一种生物质锅炉省煤器结构参数优化设计方法，其包括：
S1、获取不同生物质锅炉机组中不同换热器在不同工况下运行的历史数据，并构建样本数据库；所述样本数据库中的每一个样本对应于一种换热器，样本的输入为该换热器的结构参数、该换热器在所处负荷下的工况运行数据、该换热器所在生物质锅炉机组的运行数据，样本标签为多个待优化目标参数的值；
S2、以所述样本数据库作为训练数据，通过最小化所有待优化目标参数的加权损失对换热器残差自注意力卷积模型进行训练，得到换热器目标参数预测模型；所述换热器残差自注意力卷积模型包括卷积神经网络和残差注意力网络，在所述卷积神经网络中输入向量依次经过卷积层、线性整流层和池化层后，得到降维的特征向量；在所述残差注意力网络中，降维的特征向量通过多层自注意力模块建立长距离依赖关系并生成注意力权重，最终基于注意力权重输出多个目标参数的预测值；
S3、根据S2中最终得到的所述注意力权重对所述结构参数进行降维筛选，得到待优化结构参数；对于任一待优化的生物质锅炉省煤器，以所有待优化目标参数的加权结果作为多目标优化函数，采用迭代优化算法对省煤器中的待优化结构参数进行多目标优化，优化过程中每一轮迭代均利用所述换热器目标参数预测模型根据该省煤器的一组待优化结构参数输出所有待优化目标参数预测值，优化完毕后得到省煤器中待优化结构参数的最优值。
作为优选，所述待优化目标参数包括换热器的最佳换热效率、流动压降、积灰磨损程度、重量以及制造成本。
作为优选，所述多目标优化函数由所有待优化目标参数按照加权幂乘法得到，其形式为
Figure 4528DEST_PATH_IMAGE001
，其中K为待优化目标参数的个数，x表示省煤器中的所有待优化结构参数，λ i 表示第i个待优化目标参数的权重值，f i (x)表示所述换热器目标参数预测模型输出的第i个待优化目标参数预测值。
进一步的，所述S2中，所有待优化目标参数的加权损失由所有待优化目标参数的单项损失按照加权幂乘法得到，其形式为
Figure 390510DEST_PATH_IMAGE002
，其中l i 表示第i个待优化目标参数的单项损失。
作为优选，所述迭代优化算法为贝叶斯优化算法。
作为优选，所述S3中，对所述结构参数进行降维筛选时，以每个结构参数对应的注意力权重表征该结构参数对待优化目标参数的贡献率，选择筛选出贡献率高于阈值的结构参数作为待优化结构参数。
作为优选，所述S1中，用于构建样本数据库的换热器包括生物质锅炉内的省煤器以及除省煤器之外的其余换热器。
作为优选，所述样本数据库的每一个样本中，类别形式的变量采用证据权重方式进行编码，数值形式的变量进行归一化处理。
作为优选，所述残差注意力网络中具有两层自注意力模块，且每层自注意力模块均采用残差学习解决梯度消失。
作为优选，针对所有已经过所述多目标优化的生物质锅炉省煤器，将优化得到的不同省煤器中待优化结构参数最优值作为推荐选型参数加入换热器优化数据库中，供用户直接查询选择。
本发明相对于现有技术而言，具有以下有益效果：
1、本发明基于CNN+自注意力机制，建立了残差自注意力卷积优化模型，CNN有效提取多尺度特征，注意力机制有效提取复杂依赖关系，残差学习解决梯度下降的问题，更好拟合目标函数，提高优化目标建模精度。相比于传统的针对生物质锅炉省煤器所有变量优化，基于自注意力机制能够自动关注重要性高的特征，从而更好的进行优化重要性高的变量，使其后续的优化调整翻遍快捷，大幅降低优化成本。
2、本发明应用于高性能生物质锅炉省煤器结构的设计优化领域，可解决此类省煤器历史数据少的缺陷，不同于传统的基于人工经验的优化方法，本发明采用贝叶斯优化等参数优化方法，能够有效解决大数据下小样本优化问题，能用更少的数据得到更好的优化结果。
3、本发明仅需通过离线训练优化得到换热器目标参数预测模型，通过保存不同输入特征的注意力权重，后续进入实际新建换热器模型的优化流程后，直接从离线数据库中直接提取自变量权重，无需重新训练，有利于新结构换热器的快速优化。
4、本发明根据换热器优化规律，针对生物质锅炉省煤器的特定工作条件，建立了加权幂乘法多目标优化评价方法，既能够优化换热效率，又综合考虑了压阻、积灰磨损以及成本的综合影响，提高了主要优化条件的比重，忽略了次要优化条件，适用性更广。
5、本发明可建立了针对生物质锅炉换热器的大数据选型库，能够提高优化的速度和便捷性，并且给予实时数据进行优化，能够适应不同寿命不同工况下的连续优化。
附图说明
图1为生物质锅炉省煤器结构参数优化设计方法的步骤流程图；
图2为换热器残差自注意力卷积模型的结构示意图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图对本发明的具体实施方式做详细的说明。在下面的描述中阐述了很多具体细节以便于充分理解本发明。但是本发明能够以很多不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似改进，因此本发明不受下面公开的具体实施例的限制。本发明各个实施例中的技术特征在没有相互冲突的前提下，均可进行相应组合。
省煤器（Economizer）是安装于锅炉尾部烟道下部用于回收所排烟的余热的一种换热器，将锅炉给水加热成汽包压力下的饱和水的受热面。由于它吸收高温烟气的热量，因此可以降低烟气的排烟温度，节省锅炉能源，提高效率。在生物质锅炉中，由于不同厂家对于锅炉性能的侧重点往往不一样，因此不同厂家通常需要根据自身的产品设计需要，安装不同类型的换热器作为省煤器并对其结构参数进行优化设计，以便于满足其对于锅炉性能的要求。
参见图1所示，在本发明的一个较佳实施例中，提供了一种生物质锅炉省煤器结构参数优化设计方法，其基本流程步骤包括：
S1、获取不同生物质锅炉机组中不同换热器在不同工况下运行的历史数据，并构建样本数据库。该样本数据库是由历史数据处理后得到的大量样本组成的。每一个样本对应于一种换热器，用于作为后续网络模型的训练样本对网络模型进行监督学习，因此其包含输入部分和标签部分。样本的输入为该换热器的结构参数、该换热器在所处负荷下的工况运行数据、该换热器所在生物质锅炉机组的运行数据，样本标签为多个待优化目标参数的值。
需要先说明的是，受限于各种客观条件，生物质锅炉机组中省煤器的相关历史数据往往存在样本量过少的问题，而生物质锅炉机组内部除了省煤器之外还存在其他不同的换热器，这些换热器在生物质锅炉机组内运行时的换热机理与省煤器存在类同之处。因此，在步骤S1中将不同生物质锅炉机组中不同换热器的相关数据都作为样本数据用于构建样本，即S1中用于构建样本数据库的换热器包括生物质锅炉内的省煤器以及除省煤器之外的其余换热器。
上述待优化目标参数是指生物质锅炉的性能指标，由于不同厂家对于性能指标的侧重点往往不一样，因此为了使该方法更具普适性，本发明需要纳入多种不同的性能参数进行多目标优化。具体的待优化目标参数种类和数量需要尽可能涵盖不同厂家可能看重的性能指标。作为本发明的一种实现形式，待优化目标参数可以设置为换热器的最佳换热效率、流动压降、积灰磨损程度、重量以及制造成本这几个参数的组合，不同厂家对于性能的侧重可以通过后续多目标优化过程中设置的权重值来体现。
上述换热器的结构参数是指每一个换热器的自身结构参数的集合，其应当尽量包含所有可能会对换热器的任一待优化目标参数产生影响的参数，例如换热器的材质参数、尺寸参数、形状参数等等，具体可根据专家经验或者实际测试进行选择。材质参数可以是换热器的材料类型、密度、换热性能等信息，尺寸参数可以是换热器模型的横纵直径比、焊点直径、膨胀高度等信息，形状参数可以是换热器的表面曲率等信息。
上述换热器在所处负荷下的工况运行数据是指换热器在一种指定的负荷下工况运行时测得的运行指标数据序列，其中具体的运行指标需要根据现场的监测指标而定，应当尽量覆盖可用于优化换热器结构参数的关键指标。由于每一个换热器运行时的负荷并非固定不变的，因此一个换热器可能会在不同的负荷下得到工况运行数据，但是同一个换热器在不同负荷下的工况运行数据会被处理成不同的样本。对于单一的某个样本而言，其中换热器所处的负荷是固定的。
上述换热器所在生物质锅炉机组的运行数据是指换热器在一种指定的生物质锅炉机组内运行时测得的运行指标数据序列，其中具体的运行指标需要根据现场的监测指标而定，应当尽量覆盖可用于优化换热器结构参数的关键指标。由于每一种换热器可能会被安装在不同的生物质锅炉机组进行运行，因此其对应的生物质锅炉机组非固定不变的。由此，一个换热器可能会在不同的生物质锅炉机组中得到运行数据，但是同一个换热器在不同生物质锅炉机组中的况运行数据会被处理成不同的样本。对于单一的某个样本而言，其中换热器所在的生物质锅炉机组是固定的。
由此可见，虽然上述的每一个样本进对应于一种换热器，但是由于同一个换热器可能用于不同的生物质锅炉机组或者用于不同的负荷工况下，因此依然可能有多个不同的样本对应于同一个换热器。但是对于不同的样本，其换热器类型、结构参数、该换热器所处的负荷、该换热器所在的生物质锅炉机组等信息必然有至少一种是不同的。
当完成上述样本数据库的构建后，即可用于对网络模型进行训练，使得网络模型能够基于每个样本的输入来准确输出其对应的标签。下面根据S2对该训练过程以及所采用的网络模型进行详细说明。
S2、以上述S1中构建的样本数据库作为训练数据，通过最小化所有待优化目标参数的加权损失对换热器残差自注意力卷积模型进行训练，训练完毕后的换热器残差自注意力卷积模型即可作为换热器目标参数预测模型，用于根据输入的参数信息来预测多个待优化目标参数的值。
在本发明中，所采用的换热器残差自注意力卷积模型包含了卷积神经网络和残差注意力网络两部分，当然其需要包含神经网络必要的输入层和输出层。卷积神经网络的输入是数组形式的多维数据，该数组可以是一维的或者二维的。上述样本中的换热器的结构参数、换热器在所处负荷下的工况运行数据、换热器所在生物质锅炉机组的运行数据均需要通过预处理转换为可以输入网络的向量。其中，由于样本数据库中样本的输入参数中既包含了类别形式的变量数据，也包含了数值形式的变量数据，因此两者需要分别采用不同的预处理方法，对于，类别形式的变量需要进行编码，而数值形式的变量需要进行归一化处理。作为本发明的一种实现形式，类别形式的变量课采用证据权重（WOE）方式进行编码，而数值形式的变量采用min-max标准化方法进行归一化。
卷积神经网络（Convolutional Neural Networks, CNN）是一类包含卷积计算且具有深度结构的前馈神经网络。在本发明中，卷积神经网络部分的内部结构包含了卷积层、线性整流层（Relu）和池化层，输入向量依次经过卷积层、线性整流层和池化层后，得到降维的特征向量。其中卷积层的主要作用是对输入的向量提取局部特征，线性整流层（Relu）紧跟在卷积层后，通过ReLU函数对局部特征进行激活，再由池化层对输入的特征进行压缩降维，简化网络计算复杂度并提取换热器输入数据的主要特征。
卷积神经网络后连接残差注意力网络，卷积神经网络输出的降维的特征向量再输入残差注意力网络。在该残差注意力网络中包含了多层自注意力模块，降维的特征向量通过多层自注意力模块建立输入长距离依赖关系并生成注意力权重，最终基于注意力权重输出多个目标参数的预测值。
上述多层自注意力模块基于自注意力机制来实现对不同特征的关注重点分配，通过池化层输出的特征向量通过自注意力模块可以建立输入序列之间的长距离依赖关系并动态生成不同连接的权重，权重越高代表对应的特征对于输出的影响越大，由此可以将注意力放在关键的特征上。需要注意的是，在该网络中，每层自注意力模块中通过残差学习解决梯度下降即梯度消失的问题。残差注意力网络中自注意力模块的层数可根据实际调整，优选采用两层自注意力模块实现。
另外，获得注意力权重后，即可基于注意力权重来输出多个目标参数的预测值。具体而言，在自注意力模块中，可采用查询-键-值（Q-K-V）模式，针对输入向量计算得到自注意力输出，这步属于此类网络的现有技术，不再详细赘述。
由此可见，在上述构建的换热器残差自注意力卷积模型中，对于任一样本的输入，均可以通过卷积核自注意力机制实现对多个目标参数的预测，其预测准确率需要通过训练数据进行不断的参数优化来提升。换热器残差自注意力卷积模型的训练可采用常规的训练方式，其关键是设置相应的损失函数，通过梯度下降等方法以最小化损失函数来实现对网络模型参数的优化。
由于本发明中，后续需要对所有待优化目标参数一并进行多目标优化，因此该换热器残差自注意力卷积模型训练过程中所采用的损失函数也应当包含所有的待优化目标参数，即采用所有待优化目标参数的加权损失作为总损失。该总损失是由待优化目标参数各自的单项损失加权构成的，而具体的加权方式可以根据实际需要进行调整。总损失中不同待优化目标参数各自的单项损失权重实际也反映了不同待优化目标参数的重要度，因此可根据厂家对于省煤器换热性能指标的关注点来调整。
作为本发明的一种实现形式，本发明采用加权幂乘法来实现多目标优化过程中多个目标的加权。具体而言，待优化目标参数的加权损失L由所有待优化目标参数的单项损失按照加权幂乘法得到，其形式为：
Figure 29302DEST_PATH_IMAGE003
其中，K为待优化目标参数的个数，λ i 表示第i个待优化目标参数的权重值，l i 表示第i个待优化目标参数的单项损失。每个待优化目标参数的单项损失可由该参数的预测值和真值求得。
S3、根据S2中最终得到的注意力权重对所述结构参数进行降维筛选，得到待优化结构参数。由于前述换热器残差自注意力卷积模型训练完毕后，其中会得到注意力权重矩阵，在该矩阵中对于每一个待优化结构参数都能找到与所有输入特征参数之间的权重，而该权重实际上反映了每个输入的特征参数对待优化结构参数的影响程度，即贡献率。因此，对所述结构参数进行降维筛选时，以每个结构参数对应的注意力权重表征该结构参数对待优化目标参数的贡献率，选择筛选出贡献率高于阈值的结构参数作为待优化结构参数。具体的贡献率阈值可以根据实际需要进行调整，亦可针对所有结构参数设置总的贡献率总阈值，选择总贡献率不低于该总阈值的这部分结构参数。需要注意的是，虽然S1中每一个样本都包含了多种特征参数，但本步骤筛选参数时仅考虑其中的结构参数，而且在选择将何种结构参数纳入待优化结构参数时，不仅需要考虑其贡献率，也需要根据实际情况剔除省煤器中不允许优化调整的结构参数。
对于任意一种需要拟作为生物质锅炉省煤器的换热器，可以通过根据厂家对于性能指标的侧重点来构建多目标优化函数，进而对前述确定的待优化结构参数进行优化，具体优化过程如下：对于待优化的生物质锅炉省煤器（省煤器也是一种换热器），以所有待优化目标参数的加权结果作为多目标优化函数，采用迭代优化算法对省煤器中的待优化结构参数在各自的取值范围内进行多目标优化，优化过程中每一轮迭代均利用所述换热器目标参数预测模型根据该省煤器的一组待优化结构参数输出所有待优化目标参数预测值，然后根据所有待优化目标参数预测值计算多目标优化函数值。最终不断迭代优化完毕后，即可得到省煤器中所有待优化结构参数的最优值。
同样的，由于多目标优化函数中各待优化目标参数的加权方式可以根据实际需要进行调整。多目标优化函数中不同待优化目标参数的权重实际也反映了不同待优化目标参数的重要度，因此可根据厂家对于省煤器换热性能指标的关注点来调整。由于前述模型训练时采用的总损失函数中也考虑了不同待优化目标参数的重要度，因此此处的多目标优化函数也最好采用与总损失函数相同的权重设置。作为本发明的一种具体实现方式，该多目标优化函数也由所有待优化目标参数按照加权幂乘法得到，其形式为：
Figure 893353DEST_PATH_IMAGE004
其中K为待优化目标参数的个数，x表示省煤器中的所有待优化结构参数，λ i 表示第i个待优化目标参数的权重值，f i (x)表示前述训练后得到的换热器目标参数预测模型输出的第i个待优化目标参数预测值。
为了保证模型属于能够更适用于多目标优化过程，模型总损失函数和多目标优化函数中每一个待优化目标参数的权重值λ i 均以保持一致为佳。
在本发明中，迭代优化算法可根据实际需要进行选择任意可行的参数寻优方法，例如遗传算法、多目标混沌粒子群算法、贝叶斯优化算法等等，优选推荐采用贝叶斯优化算法，能够有效解决大数据下小样本优化问题，能用更少的数据得到更好的优化结果。
另外，需要说明的是，虽然本发明中仅选择部分结构参数作为待优化结构参数，但是在进行迭代优化的过程中，每一轮迭代除了输入这些待优化结构参数之外，还需要将省煤器的其他结构参数以及该省煤器在所处负荷下的工况运行数据、该省煤器所在生物质锅炉机组的运行数据也一并输入换热器目标参数预测模型中，得到各待优化目标参数的预测值。但是此时输入数据所对应的省煤器在所处负荷下的工况运行数据应当设置为省煤器后续实际投入运行时在设计负荷下的工况运行数据，输入数据所对应的省煤器所在生物质锅炉机组的运行数据应当设置为省煤器后续实际投入运行时的生物质锅炉机组的设计运行数据，这些数据都可以从生物质锅炉机组的设计资料中确定。
另外，为了便于后续查询，针对所有已经过前述S3步骤多目标优化的生物质锅炉省煤器，可以将优化得到的每个省煤器中待优化结构参数最优值作为推荐选型参数加入选型数据库中，每一组推荐选型参数均关联其对应的设计负荷以及生物质锅炉机组等信息。后续用户碰到类似相同的省煤器设计需求时，可以直接查询该选型数据库进行选择。当出现选型数据库中没有出现过的省煤器时，可以通过增量学习的方式重新进行多目标优化，优化得到的每个省煤器中待优化结构参数最优值也作为推荐选型参数加入选型数据库中。
由此，本发明可以通过基于大数据样本构建的神经网络实现多目标参数的快速预测，使得高性能生物质锅炉省煤器结构优化设计时间大大缩短。而且通过建立针对生物质锅炉换热器的大数据选型数据库，进一步便于用户进行快速查询选择。总体上，本发明可以提高优化精度，并且给予实时数据进行优化，能够适应生物质锅炉机组省煤器中不同寿命不同工况下的连续优化。
为了进一步展示本发明上述生物质锅炉省煤器结构参数优化设计方法所能够实现的优点，下面将其结合至一个具体的实例中来展示其技术效果。
实施例
在本实例中，以枕形板式换热器拟作为生物质锅炉省煤器，基于前述S1~S3的生物质锅炉省煤器结构参数优化设计方法对该换热器的结构参数进行优化设计，下面详述具体的实现过程。
如图1所示，本发明提供了一种应用于生物质锅炉的省煤器结构参数智能优化方法，本发明采用的技术方案步骤如下：
步骤一、建立换热器运行的样本数据库：获取不同生物质锅炉机组中不同换热器在不同工况下运行的历史数据，并构建样本数据库；所述样本数据库中的每一个样本对应于一种换热器，样本的输入为该换热器的结构参数、该换热器在所处负荷下的工况运行数据、该换热器所在生物质锅炉机组的运行数据，样本标签为多个待优化目标参数的值。
在本实例中，换热器的结构参数从三维模型中获取，而对于历史工况运行数据、历史不同机组运行数据需对数据进行预处理形成样本，预处理包括对类别数据进行编码，数值数据进行归一化处理。对类别特征，如换热器类型、所属发电厂、具体应用设备，采用WOE方式进行编码，WOE是一种有监督的编码方式，能将预测类别的集中度的属性作为编码的数值优势，更好地处理换热器多个类别特征集中度问题。数值数据，如一次风温、过热器进水温度、换热器尺寸等数据采用min-max标准化归一方法进行处理，对原始数据的线性变换，使得结果映射到0-1之间，避免不同数据差异过大。同时对每一个样本添加训练标签，根据不同换热器历史不同工况、不同机组运行数据获得最佳换热效率、流动压降、积灰磨损程度、重量以及制造成本作为多标签值。
步骤二、建立换热器目标参数预测模型：以上一步得到的样本数据库作为训练数据，通过最小化所有待优化目标参数的加权损失对换热器残差自注意力卷积模型进行训练，得到换热器目标参数预测模型。其中，换热器残差自注意力卷积模型包括卷积神经网络和残差注意力网络，在卷积神经网络中输入向量依次经过卷积层、线性整流层和池化层后，得到降维的特征向量；在残差注意力网络中，降维的特征向量通过多层自注意力模块建立长距离依赖关系并生成注意力权重，最终基于注意力权重输出多个目标参数的预测值。
在本实例中，为了便于理解，描述换热器残差自注意力卷积模型内的具体数据处理流程。如图2所示，换热器残差自注意力卷积模型包括卷积神经网络和残差注意力网络，x 1 、x 2 、x 3 均表示模型输入的特征，y 1 、y 2 、y 3 均表示模型输出的目标参数。首先，从步骤一中获得的换热器数据库通过归一化编码后得到的不同时刻的换热器物性参数样本可以表示为
Figure 553398DEST_PATH_IMAGE005
，其中行向量x im 表示不同时序下的数据，列向量x in 表示不同维度的输入数据，如换热器类型、所属发电厂编号、换热器尺寸等。将X作为换热器残差自注意力卷积模型中卷积神经网络的输入，依次通过卷积层、线性整流层和池化层后输出的矩阵为
Figure 172598DEST_PATH_IMAGE006
；在残差注意力网络中包含两层自注意力模块，采用查询-键-值（Q-K-V）模式，对于输入序列的自注意力输出为
Figure 908473DEST_PATH_IMAGE007
，其中：Q=A∙W q ；K= A∙W k ；V= A∙W v 。W q 、W k 、W v 分别为三个权重矩阵，D k 为键向量矩阵K的长度。具体的，残差注意力网络中通过自注意力模块的残差学习，得到向量
Figure 717160DEST_PATH_IMAGE008
，同理得向量K'、向量V'，形成残差自注意力输出。最后，将残差自注意力输出与初始特征X相加得到输出output=X+Attention(Q',K',V')。其中，模型采用两层残差自注意力卷积神经网络，卷积层使用3×3滤波器，步长S=1。由此如前所述，自注意力模块采用查询-键-值模式，对于输入序列X，输出向量序列
Figure 182776DEST_PATH_IMAGE007
，Q、K、V分别为查询向量矩阵、键向量矩阵和值向量矩阵，通过对输入序列X的线性映射得到。本实例中，模型训练所用的总损失函数及前述采用加权幂乘法构建的加权损失L。
步骤三、对生物质锅炉省煤器进行多目标优化：根据上一步中最终得到的注意力权重对结构参数进行降维筛选，得到待优化结构参数。对于待优化的枕形板式换热器形式的省煤器，以所有待优化目标参数的加权结果作为多目标优化函数，采用迭代优化算法对省煤器中的待优化结构参数进行多目标优化，优化过程中每一轮迭代均利用所述换热器目标参数预测模型根据该省煤器的一组待优化结构参数输出所有待优化目标参数预测值；优化完毕后得到省煤器中待优化结构参数的最优值。
在本实施例中，选取表面对流传热系数h以及流动压降（以单位压降表示）作为两个待优化目标参数，根据注意力权重最终针对枕形单元获得的优化自变量分别为焊点直径d SP 、横纵直径比s T /s L 以及最大内部膨胀高度δ i 。多目标优化函数I(x)如前所述，采用加权幂乘法构建，权重与总损失函数中一致。在本实施例中对流传热系数的权重λ 1 取0.7，单位压降λ 2 的权重取-0.3。
最终，用本发明的方法得到的省煤器的参数如表1所示。
表1：本发明的方法得到的换热器优化效果
Figure 910561DEST_PATH_IMAGE009
其中，换热效率h表征换热器的换热能力，数值越大表示效果越好；单位压降表征换热器内流体经过单位长度损失的压力，其数值越小表示压力损失越小。从表1中可以看出，优化前传热效率为7000(W/m2·K)，单位压降为22(kPa/m)。本发明的方法能够根据自注意力模型提取重要变量，将变量降低到3个，优化后传热效率提高71.4%，单位压降减少31.8%。
进一步通过实际实验过程进行测试，常温水经恒温水泵输送至换热器测试通道，通过风洞经气体电加热器产生热空气，热流体是空气，t in =100℃，允许压降∆P=40kPa，流量G m =40kg/s；冷流体是水，t in =20℃，允许压降∆P=35kPa，流量G m =30kg/s。将具有较大流速的热流体空气引导至换热器外部通道，冷流体水引导至换热器内部通道，通过温度传感器分别测量冷流体和热流体的出口温度，压力传感器测量冷流体和热流体的出口压力，以此检验换热器传热效率和单位压降是否得到优化。结果表明，本发明的方法对于生物质锅炉的省煤器结构参数优化具有较好的效果。
另外，需要注意的是，在本发明前述所提供的各实施例中，S1~S3各步骤均可以通过软件程序单元的方式进行实现。但应该理解到，以上所描述的步骤划分仅仅是示意性的一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个步骤可以结合或者集成，亦可以拆分为不同步骤，进而通过不同的软件程序单元来实现相应功能。
因此，若采用软件程序单元来实现上述方法中各步骤，则其可以作为独立的产品销售或使用，即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全部或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-OnlyMemory)、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。
以上所述的实施例只是本发明的一种较佳的方案，然其并非用以限制本发明。有关技术领域的普通技术人员，在不脱离本发明的精神和范围的情况下，还可以做出各种变化和变型。因此凡采取等同替换或等效变换的方式所获得的技术方案，均落在本发明的保护范围内。

Claims (9)

1.一种生物质锅炉省煤器结构参数优化设计方法，其特征在于，包括：
S1、获取不同生物质锅炉机组中不同换热器在不同工况下运行的历史数据，并构建样本数据库；所述样本数据库中的每一个样本对应于一种换热器，样本的输入为该换热器的结构参数、该换热器在所处负荷下的工况运行数据、该换热器所在生物质锅炉机组的运行数据，样本标签为多个待优化目标参数的值；
S2、以所述样本数据库作为训练数据，通过最小化所有待优化目标参数的加权损失对换热器残差自注意力卷积模型进行训练，得到换热器目标参数预测模型；所述换热器残差自注意力卷积模型包括卷积神经网络和残差注意力网络，在所述卷积神经网络中输入向量依次经过卷积层、线性整流层和池化层后，得到降维的特征向量；在所述残差注意力网络中，降维的特征向量通过多层自注意力模块建立长距离依赖关系并生成注意力权重，最终基于注意力权重输出多个目标参数的预测值；
S3、根据S2中最终得到的所述注意力权重对所述结构参数进行降维筛选，以每个结构参数对应的注意力权重表征该结构参数对待优化目标参数的贡献率，选择筛选出贡献率高于阈值的结构参数作为待优化结构参数；对于任一待优化的生物质锅炉省煤器，以所有待优化目标参数的加权结果作为多目标优化函数，采用迭代优化算法对省煤器中的待优化结构参数在各自的取值范围内进行多目标优化，优化过程中每一轮迭代均利用所述换热器目标参数预测模型根据该省煤器的一组待优化结构参数输出所有待优化目标参数预测值，然后根据所有待优化目标参数预测值计算多目标优化函数值；优化完毕后得到省煤器中待优化结构参数的最优值。
2.如权利要求1所述的生物质锅炉省煤器结构参数优化设计方法，其特征在于，所述待优化目标参数包括换热器的最佳换热效率、流动压降、积灰磨损程度、重量以及制造成本。
3.如权利要求1所述的生物质锅炉省煤器结构参数优化设计方法，其特征在于，所述多目标优化函数由所有待优化目标参数按照加权幂乘法得到，其形式为
Figure DEST_PATH_IMAGE002
，其中K为待优化目标参数的个数，x表示省煤器中的所有待优化结构参数，λ i 表示第i个待优化目标参数的权重值，f i (x)表示所述换热器目标参数预测模型输出的第i个待优化目标参数预测值。
4.如权利要求3所述的生物质锅炉省煤器结构参数优化设计方法，其特征在于，所述S2中，所有待优化目标参数的加权损失由所有待优化目标参数的单项损失按照加权幂乘法得到，其形式为
Figure DEST_PATH_IMAGE004
，其中l i 表示第i个待优化目标参数的单项损失。
5.如权利要求1所述的生物质锅炉省煤器结构参数优化设计方法，其特征在于，所述迭代优化算法为贝叶斯优化算法。
6.如权利要求1所述的生物质锅炉省煤器结构参数优化设计方法，其特征在于，所述S1中，用于构建样本数据库的换热器包括生物质锅炉内的省煤器以及除省煤器之外的其余换热器。
7.如权利要求1所述的生物质锅炉省煤器结构参数优化设计方法，其特征在于，所述样本数据库的每一个样本中，类别形式的变量采用证据权重方式进行编码，数值形式的变量进行归一化处理。
8.如权利要求1所述的生物质锅炉省煤器结构参数优化设计方法，其特征在于，所述残差注意力网络中具有两层自注意力模块，且每层自注意力模块均采用残差学习解决梯度消失。
9.如权利要求1所述的生物质锅炉省煤器结构参数优化设计方法，其特征在于，针对所有已经过所述多目标优化的生物质锅炉省煤器，将优化得到的不同省煤器中待优化结构参数最优值作为推荐选型参数加入选型数据库中，供用户直接查询选择。
CN202111458879.0A 2021-12-02 2021-12-02 一种生物质锅炉省煤器结构参数优化设计方法 Active CN113868966B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202111458879.0A CN113868966B (zh) 2021-12-02 2021-12-02 一种生物质锅炉省煤器结构参数优化设计方法
US18/073,990 US11775704B2 (en) 2021-12-02 2022-12-02 Structural optimization method for biomass boiler economizers

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111458879.0A CN113868966B (zh) 2021-12-02 2021-12-02 一种生物质锅炉省煤器结构参数优化设计方法

Publications (2)

Publication Number Publication Date
CN113868966A CN113868966A (zh) 2021-12-31
CN113868966B true CN113868966B (zh) 2022-03-18

Family

ID=78985640

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111458879.0A Active CN113868966B (zh) 2021-12-02 2021-12-02 一种生物质锅炉省煤器结构参数优化设计方法

Country Status (2)

Country Link
US (1) US11775704B2 (zh)
CN (1) CN113868966B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116341372B (zh) * 2023-03-02 2024-01-23 中国石油大学(华东) 一种基于人工神经网络的换热器性能预测及优化方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102842066A (zh) * 2012-07-16 2012-12-26 杭州电子科技大学 一种生物质炉燃烧优化的建模方法
CN102980169A (zh) * 2012-11-29 2013-03-20 杭州锅炉集团股份有限公司 一种太阳能水质吸热装置与低限负荷锅炉复合的热力***
CN111061149A (zh) * 2019-07-01 2020-04-24 浙江逸智信息科技有限公司 基于深度学习预测控制优化的循环流化床节煤降耗的方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA2903802A1 (en) * 2013-03-04 2014-09-12 Greensleeves, LLC Energy management systems and methods of use
CN110162799B (zh) * 2018-11-28 2023-08-04 腾讯科技（深圳）有限公司 模型训练方法、机器翻译方法以及相关装置和设备
JP6913197B1 (ja) * 2020-03-24 2021-08-04 株式会社タクマ バイオマス燃料供給システムおよびバイオマス燃料供給システムを備えるバイオマス発電施設
CN112906787B (zh) * 2021-02-10 2023-09-15 宁波诺丁汉新材料研究院有限公司 一种工业锅炉故障识别方法及***
CN113554156B (zh) * 2021-09-22 2022-01-11 中国海洋大学 基于注意力机制与可变形卷积的多任务图像处理方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102842066A (zh) * 2012-07-16 2012-12-26 杭州电子科技大学 一种生物质炉燃烧优化的建模方法
CN102980169A (zh) * 2012-11-29 2013-03-20 杭州锅炉集团股份有限公司 一种太阳能水质吸热装置与低限负荷锅炉复合的热力***
CN111061149A (zh) * 2019-07-01 2020-04-24 浙江逸智信息科技有限公司 基于深度学习预测控制优化的循环流化床节煤降耗的方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Dilated Residual Network with Multi-head Self-attention for Speech Emotion Recognition;Runnan Li等;《IEEE Xplore》;20190417;全文 *
多目标进化算法在电站锅炉燃烧优化控制***设计中的应用;饶苏波;《广东电力》;20060428(第04期);全文 *
大型电站燃煤锅炉低NO_x燃烧优化***及应用;周建新等;《锅炉技术》;20110728(第04期);全文 *

Also Published As

Publication number Publication date
US11775704B2 (en) 2023-10-03
CN113868966A (zh) 2021-12-31
US20230237211A1 (en) 2023-07-27

Similar Documents

Publication Publication Date Title
De et al. Development of an artificial neural network model for the steam process of a coal biomass cofired combined heat and power (CHP) plant in Sweden
CN113868966B (zh) 一种生物质锅炉省煤器结构参数优化设计方法
CN111006240B (zh) 一种生物质锅炉炉膛温度和负荷预测方法
CN112307650B (zh) 一种用于超超临界锅炉受热面管壁超温预警的多步预测方法
CN113837464A (zh) 一种基于CNN-LSTM-Attention的热电联产锅炉负荷预测方法
CN105468932A (zh) 一种锅炉热效率的在线计算方法
CN112052570A (zh) 一种基于灰狼算法的火电厂湿冷机组经济背压寻优方法
CN110207094A (zh) 基于主成分分析的iqga-svr锅炉受热面沾污特性辨识方法
CN109492319A (zh) 一种火电厂锅炉烟气含氧量软测量方法
CN115077640A (zh) 一种城市固废焚烧过程主蒸汽流量实时预测方法
Rao et al. Design optimization of rotary regenerator using artificial bee colony algorithm
CN107742000B (zh) 锅炉燃烧含氧量建模方法
Diao et al. Comparison between deep learning and fully connected neural network in performance prediction of power cycles: Taking supercritical CO2 Brayton cycle as an example
Hasan et al. Applications of artificial neural networks in engine cooling system
Chen et al. Performance prediction and optimization of the air‐cooled condenser in a large‐scale power plant using machine learning
CN110751173A (zh) 基于深度学习支持向量机的临界热流密度预测方法
Kalogirou et al. Artificial neural networks in modelling the Heat-up response of a solar steam generating plant
CN115326237A (zh) 一种考虑锅炉过热器氧化皮影响的壁温测量方法与***
CN115527078A (zh) 数据预测方法、装置、设备以及模型训练方法
Kumar et al. Machine learning modelling and optimization for metal hydride hydrogen storage systems
Alhammadi et al. A cyber-security framework for boiler of steam power plant using simulation data to train machine learning model
CN113705888A (zh) 基于皮尔逊相关性和神经网络的工业蒸汽生成量预测方法和***
CN113191083A (zh) 考虑全工况外部参数变化的烟气余热回收***优化设计方法
Shi et al. Nuclear power plant fault diagnosis based on genetic-RBF neural network
Navaie Thermal design and optimization of heat recovery steam generators and waste heat boilers

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
CB02 Change of applicant information

Address after: 310058 Yuhang Tang Road, Xihu District, Hangzhou, Zhejiang 866

Applicant after: ZHEJIANG University

Applicant after: Xizi clean energy equipment manufacturing Co., Ltd

Address before: 310058 Yuhang Tang Road, Xihu District, Hangzhou, Zhejiang 866

Applicant before: ZHEJIANG University

Applicant before: Hangzhou boiler group Limited by Share Ltd

CB02 Change of applicant information
GR01 Patent grant
GR01 Patent grant