1.一种DSG槽式光热电站集热场工质参数预测方法,其特征是,包括:
S1,获取DSG槽式光热电站的工质相关参数历史数据,所述工质相关参数历史数据包括对应多个连续时刻的太阳直射辐照强度DNI、系统入口工质流量FI、入口工质温度TI、入口工质压力PI、出口工质压力PO和出口工质温度TO;
S2,基于S1获取的工质相关参数历史数据,建立DSG槽式光热电站集热器的传热和水动力耦合稳态机理模型,所述传热和水动力耦合稳态机理模型的输入量包括太阳直射辐照强度DNI、系统入口工质流量FI、入口工质压力PI和入口工质温度TI,输出量为系统机理先验温度T1和机理先验压力P1;
S3,搭建用于学习集热器入口工质压力和出口工质温度的神经网络;神经网络的输入量包括:传热和水动力耦合稳态机理模型输出的系统机理先验温度和机理先验压力,太阳直射辐照强度DNI及其差分值,以及系统入口工质流量FI及其差分值;神经网络的输出量为集热器出口工质预测温度T_F和集热器入口工质预测压力P_F;
利用S1获取的工质相关参数历史数据,和S2建立的传热和水动力耦合稳态机理模型,对搭建的神经网络进行训练;
S4,利用S2建立的传热和水动力耦合稳态机理模型,以及S3训练得到的神经网络,组建用于预测集热器入口工质压力和出口工质温度的神经网络预测模型;
S5,获取待预测的DSG槽式光热电站集热器的已知工质相关参数数据,作为S4组建的神经网络预测模型的输入量,对DSG槽式光热电站集热器的出口工质温度和入口工质压力进行预测。
2.根据权利要求1所述的方法,其特征是,S2包括步骤:
S21,定义DSG槽式光热电站集热器中,F为管内截面积,Dab,i为金属管内径,T为管内工质温度,H为管内工质比焓,为管内工质质量流量,P为工质压力,ω为工质流速,x为工质的质量含气率,ρ为工质密度,Q1为单位时间单位管长太阳辐射向管壁金属的放热量,Q2为单位时间单位管长管壁金属向管内工质的放热量,y为管长方向长度,r为管壁径向,Idirect为聚光器开口面上的太阳直射辐射强度,B为聚光器开口宽度,ηopt为DSG集热器的光学效率,Kτα为入射角修正系数,q1为DSG集热器的热力学损失,Dab,o为吸热管外径;
则传热和水动力耦合稳态机理模型包括:
金属管管壁外侧的能量方程:Q1=IdirectBηoptKτα;
Q2=Q1-ql·πDab,o;
金属管内传热和水动力模型,包括:
质量守恒方程:
能量守恒方程:
动量守恒方程:Pd为单位管长的摩擦压降;
管内传热方程:Q2=h·πDab,i(Twall-T),h为传热系数,Twall为金属管壁温;
S22,确定管内传热方程中的传热系数h:
单相流体区域的传热系数由Dittus-Boelter关系式表示,即:
Re为金属管内工质的雷诺数,Pr为金属管内工质的普朗特数,k为导热系数;
两相流体区域的传热系数为:
h=h′B+h′1
式中,h′E=hBS,hB为水的核态沸腾传热系数;h′1=h1F,hl为饱和水传热系数;S为限制因子,F为增强因子;
S23,确定热力学损失q1:
ql=(a+c·Vwind)(Tj-Ta)+εab·b·(Tj4-Tsky4)
式中,Vwind为风速;Ta为环境温度;εab为吸热管发射率;Tsky为天空温度;a、b、c分别是对流、辐射和风速因子;
S24,确定单位管长的摩擦压降Pd:
对于管内为单相流动的情况,摩擦压降为:
式中,λ1为摩擦系数,ω为金属管内工质流速;
对于管内两相流动的情况,摩擦压降为:
式中,(Pd)1ph指管内汽水混合物全部为水时的摩擦压降;为Martinelli-Nelson两相乘子。
3.根据权利要求2所述的方法,其特征是,S2还包括步骤S25,对建立的传热和水动力耦合稳态机理模型进行实验验证。
4.根据权利要求2所述的方法,其特征是,S23中,在温度为373K~900K时,发射率εab为:
εab=0.00042Tj-0.0995
天空温度Tsky为:
Tsky=(εsky)0.25·Ta
εsky=0.711+0.56(tdp/100)+0.73(tdp/100)2
式中,εsky为天空发射率;tdp为环境露点温度。
5.根据权利要求2所述的方法,其特征是,S23中,对于管径比Dab,i/Dab,o为54/70mm的吸热管,其对流、辐射和风速因子分别取值为:a=1.91×10-2WK-1m-2;b=2.02×10-9WK-4m-2;c=6.608×10-3JK-1m-3。
6.根据权利要求2所述的方法,其特征是,S24中,摩擦系数λ1采用Blasius的光滑管计算式计算:
λ1=0.3165(Re)-0.25
式中,Re为金属管内单相工质的雷诺数。
7.根据权利要求1所述的方法,其特征是,S3搭建的神经网络包括两个元胞,其中第一元胞用于学习集热器出口工质压力,其输入量为机理模型输出的集热器机理先验压力和机理先验温度、太阳直射辐照强度DNI及其差分值,以及系统入口工质流量FI及其差分值,输出量为集热器出口工质压力预测结果值和出口工质温度预测参考值;第二元胞用于学习集热器出口工质温度,其输入量为机理模型输出的机理先验压力和机理先验温度、太阳直射辐照强度DNI及其差分值、太阳直射辐照强度DNI及其差分值、系统入口工质流量FI及其差分值,以及第一元胞的输出量,输出量为集热器出口工质温度预测结果值。
8.根据权利要求7所述的方法,其特征是,神经网络在进行预测时,先将多个输入量进行归一化处理,然后对机理模型输出的机理先验温度的归一化处理结果进行正则化处理,再输入神经网络中进行训练。
9.根据权利要求8所述的方法,其特征是,正则化处理公式为:
其中,(Ti1)为稳态机理模型的机理先验温度值,λ3为正则化参数,θ1为正则化处理过程中的平衡项。
10.根据权利要求7所述的方法,其特征是,所述第一元胞和第二元胞分别为四层神经网络,从第一隐含层到第四隐含层的神经元数目依次为16、10、8和6;
各层中每个神经元从上一层的每个神经元接受的神经信号输出yj的公式表示为:
其中,表示从第h-1层第i神经元节点到第h层第j神经元节点的权值,
表示第h层第j神经元节点的阈值;
各元胞神经网络的激活函数采用Sigmoid函数;
各元胞神经网络的误差目标函数为:
其中,m表示训练集的数目,λ2∈(0,1),Ek表示在第k个训练集上的误差,wi表示权值:
其中,S表示输出层中神经元的数目,为第k个训练集的期望输出,
为第k个训练集的实际输出。