一种生物质锅炉省煤器结构参数优化设计方法转让专利
申请号 : CN202111458879.0
文献号 : CN113868966B
文献日 : 2022-03-18
发明人 : 童水光 , 王海丹 , 童哲铭 , 赵剑云 , 何伟校 , 陈伟
申请人 : 浙江大学 , 西子清洁能源装备制造股份有限公司
摘要 :
权利要求 :
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,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,λi表示第i个待优化目标参数的权重值,fi(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 ,其中li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。
说明书 :
一种生物质锅炉省煤器结构参数优化设计方法
技术领域
背景技术
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。
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。
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
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;
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;
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。
优化结构参数,λi表示第i个待优化目标参数的权重值,fi(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。
数的单项损失。
参数作为待优化结构参数。
直接查询选择。
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。
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。
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。
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。
附图说明
具体实施方式
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。
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。
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。
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。
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。
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。
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。
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。
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。
的网络模型进行详细说明。
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。
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。
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。
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。
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。
意力输出,这步属于此类网络的现有技术,不再详细赘述。
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。
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。
按照加权幂乘法得到,其形式为:
和真值求得。
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。
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。
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:
出的第i个待优化目标参数预测值。
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。
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。
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。
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。
实施例
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。
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。
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。
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。
x1、x2、x3均表示模型输入的特征,y1、y2、y3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
,其中行向量xim表示不同时序下的数据,列向量xin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
;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 ,其中:Q=A∙Wq;K= A∙Wk;V= A
∙Wv。Wq、Wk、Wv分别为三个权重矩阵,Dk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 ,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 ,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。
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。
dSP、横纵直径比sT/sL以及最大内部膨胀高度δi。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λ1取0.7,单位压
降λ2的权重取‑0.3。
2
出,优化前传热效率为7000(W/m·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%。
Gm=40kg/s;冷流体是水,tin=20℃,允许压降∆P=35kPa,流量Gm=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。
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。
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。
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。