本发明专利技术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。本发明专利技术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。大幅降低优化成本。大幅降低优化成本。
【技术实现步骤摘要】
一种生物质锅炉省煤器结构参数优化设计方法
[0001]本专利技术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。
技术介绍
[0002]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。
[0003]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。
[0004]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。
技术实现思路
[0005]本专利技术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。
[0006]本专利技术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。
[0007]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。
[0008]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,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。
[0009]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,其中l
i
表示第i个待优化目标参数的单项损失。
[0010]作为优选,所述迭代优化算法为贝叶斯优化算法。
[0011]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。
[0012]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。
[0013]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。
[0014]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。
[0015]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。
[0016]本专利技术相对于现有技术而言,具有以下有益效果:1、本专利技术基于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。
[0017]2、本专利技术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,本专利技术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。
[0018]3、本专利技术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。
[0019]4、本专利技术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。
[0020]5、本专利技术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
[0021]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
[0022]为使本专利技术的上述目的、特征和优点能够更加明显易懂,下面结合附图对本专利技术的具体实施方式做详细的说明。在下面的本文档来自技高网...
【技术保护点】
【技术特征摘要】
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,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。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...
【专利技术属性】
技术研发人员:童水光,王海丹,童哲铭,赵剑云,何伟校,陈伟,
申请(专利权)人:杭州锅炉集团股份有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。