發(fā)布時(shí)間：2021-03-27 03:44

　　低溫?zé)嵩吹娜肟跍囟群唾|(zhì)量流量在有機(jī)朗肯循環(huán)（Organic Rankine Cycle, ORC）余熱回收系統(tǒng)中是非常重要的熱力參數(shù),為了研究動(dòng)態(tài)響應(yīng)情況下ORC系統(tǒng)參數(shù)對(duì)系統(tǒng)性能的影響情況,利用機(jī)器學(xué)習(xí)中的LSTM神經(jīng)網(wǎng)絡(luò),將某工廠中實(shí)地采集的10059組逐時(shí)熱源溫度和流量作為樣本進(jìn)行訓(xùn)練和測(cè)試,得到訓(xùn)練精度要求下的神經(jīng)網(wǎng)絡(luò),對(duì)低溫?zé)嵩吹臏囟群土髁窟M(jìn)行逐時(shí)預(yù)測(cè),結(jié)果表明,利用神經(jīng)網(wǎng)絡(luò)可以滿足精度要求預(yù)測(cè)低溫?zé)嵩吹闹饡r(shí)溫度和流量,為后續(xù)搭建系統(tǒng)的動(dòng)態(tài)響應(yīng)控制系統(tǒng)奠定基礎(chǔ)。 

【文章來(lái)源】：制冷與空調(diào)(四川). 2020,34(06)

【文章頁(yè)數(shù)】：6 頁(yè)

【部分圖文】：

tanh函數(shù)Fig.7tanhfunction

059組逐時(shí)低溫?zé)嵩吹娜肟跍囟群唾|(zhì)量流量作為訓(xùn)練樣本，訓(xùn)練得到要求預(yù)測(cè)精度內(nèi)的神經(jīng)網(wǎng)絡(luò)模型，用于預(yù)測(cè)未來(lái)一個(gè)時(shí)間步長(zhǎng)的低溫?zé)嵩刺匦�，為之后的�?dòng)態(tài)響應(yīng)控制系統(tǒng)奠定基矗1LSTM神經(jīng)網(wǎng)絡(luò)LSTM（Long-shorttimememory）神經(jīng)網(wǎng)絡(luò)是循環(huán)神經(jīng)網(wǎng)絡(luò)中特殊的一種，主要是為了解決循環(huán)神經(jīng)網(wǎng)絡(luò)中梯度消失和梯度爆炸的問(wèn)題，可以根據(jù)歷史數(shù)據(jù)的特性回歸預(yù)測(cè)未來(lái)的數(shù)據(jù)或?qū)?shù)據(jù)進(jìn)行分類，與BP神經(jīng)網(wǎng)絡(luò)不同的是，LSTM神經(jīng)網(wǎng)絡(luò)每一層神經(jīng)元之間的傳播不僅與前一層有關(guān)，還與之前的每一層的神經(jīng)元都有關(guān)[10]。如圖1所示是一個(gè)前向傳播神經(jīng)網(wǎng)絡(luò)的拓?fù)鋱D，式（1～5）是具有一個(gè)隱層的三層前向傳播神經(jīng)網(wǎng)絡(luò)的表達(dá)式。圖1前饋神經(jīng)網(wǎng)絡(luò)拓?fù)鋱DFig.1Graphoffeedforwardneuralnetwork[1]()[1]()[1]iizwxb（1）[1]()[1]()1()iiaz（2）[2]()[2][1][2]izwab（3）[2]()[2]()2()iiaz（4）()()3()iiyz（5）其中，1是輸入層到隱層的傳遞函數(shù)；2是隱層到輸出層的傳遞函數(shù)；3是輸出層傳遞函數(shù)。如圖2所示是LSTM神經(jīng)網(wǎng)絡(luò)的拓?fù)鋱D，LSTM模型在每一個(gè)單元A上都包含一個(gè)前向傳播神經(jīng)網(wǎng)絡(luò)。LSTM單元A主要包括三個(gè)模塊，遺忘、輸入、輸出過(guò)程，Ct其中代表單元的長(zhǎng)期記憶，ht代表單元的短期記憶，Xt為每次外部輸入的數(shù)據(jù)。長(zhǎng)期記憶在每次進(jìn)入LSTM單元進(jìn)行訓(xùn)練時(shí)，遺忘一些不重要的信息，隨后輸入單元進(jìn)行訓(xùn)練最后輸出短期記憶ht，是Ct-1，ht-1，Xt的共同作用。圖2LSTM神經(jīng)網(wǎng)絡(luò)拓?fù)鋱DFig.2TopographofLSTMneuralnetwork1.1輸入?yún)?shù)和輸出參數(shù)確定在本文中，為了研究熱源波動(dòng)條件下系統(tǒng)的?

?暗拿懇徊愕納窬??加泄?[10]。如圖1所示是一個(gè)前向傳播神經(jīng)網(wǎng)絡(luò)的拓?fù)鋱D，式（1～5）是具有一個(gè)隱層的三層前向傳播神經(jīng)網(wǎng)絡(luò)的表達(dá)式。圖1前饋神經(jīng)網(wǎng)絡(luò)拓?fù)鋱DFig.1Graphoffeedforwardneuralnetwork[1]()[1]()[1]iizwxb（1）[1]()[1]()1()iiaz（2）[2]()[2][1][2]izwab（3）[2]()[2]()2()iiaz（4）()()3()iiyz（5）其中，1是輸入層到隱層的傳遞函數(shù)；2是隱層到輸出層的傳遞函數(shù)；3是輸出層傳遞函數(shù)。如圖2所示是LSTM神經(jīng)網(wǎng)絡(luò)的拓?fù)鋱D，LSTM模型在每一個(gè)單元A上都包含一個(gè)前向傳播神經(jīng)網(wǎng)絡(luò)。LSTM單元A主要包括三個(gè)模塊，遺忘、輸入、輸出過(guò)程，Ct其中代表單元的長(zhǎng)期記憶，ht代表單元的短期記憶，Xt為每次外部輸入的數(shù)據(jù)。長(zhǎng)期記憶在每次進(jìn)入LSTM單元進(jìn)行訓(xùn)練時(shí)，遺忘一些不重要的信息，隨后輸入單元進(jìn)行訓(xùn)練最后輸出短期記憶ht，是Ct-1，ht-1，Xt的共同作用。圖2LSTM神經(jīng)網(wǎng)絡(luò)拓?fù)鋱DFig.2TopographofLSTMneuralnetwork1.1輸入?yún)?shù)和輸出參數(shù)確定在本文中，為了研究熱源波動(dòng)條件下系統(tǒng)的控制模型，實(shí)地采集了工廠中2019年1月1日20:00～2019年3月29日23:00的逐時(shí)熱源溫度和流量，通過(guò)10059組歷史熱源溫度和流量數(shù)據(jù)對(duì)未來(lái)一個(gè)時(shí)間步長(zhǎng)的數(shù)據(jù)進(jìn)行回歸預(yù)測(cè)。分別建立兩個(gè)LSTM時(shí)序神經(jīng)網(wǎng)絡(luò)模型，模型的輸入?yún)?shù)都是以時(shí)序作為單一變量，輸出數(shù)據(jù)是熱源的入口溫度和流量。

【參考文獻(xiàn)】：
期刊論文
[1]基于神經(jīng)網(wǎng)絡(luò)和遺傳算法的工藝參數(shù)優(yōu)化[J]. 曾軍亮,王榮吉,馮曉欣.  塑料. 2013(05)
[2]不同工質(zhì)對(duì)太陽(yáng)能有機(jī)朗肯循環(huán)系統(tǒng)性能的影響[J]. 韓中合,葉依林,劉赟.  動(dòng)力工程學(xué)報(bào). 2012(03)



本文編號(hào)：3102820