[发明专利]数据驱动的固定拓扑结构换热网络智能优化改造方法

权利要求书

1.一种基于数据驱动的固定拓扑结构换热网络智能优化改造方法，其特征在于，所述方法包括以下步骤：

1)对换热网络进行性能模拟，过程如下：

1.1)获取现有换热网络的物流数据，冷物流和热物流的进出口温度和热容流率，所有换热器的传热系数、换热面积、热负荷和进出口温度；

1.2)将各换热器的传热系数U与换热面积A相乘，获得各换热器性能指标UA的值；

1.3)为积累性能数据，改变每一台换热器的性能指标UA的值，使其在设定范围之间变化，然后固定换热网络的进出口温度，通过换热网络性能模拟计算出每股流体所需的公用工程消耗量，再获得总的公用工程消耗量，并将这些原始数据收集并保存下来；

2)建立BP神经网络，过程如下：

2.1)数据预处理：读取由步骤1)所获得的数据集，即各换热器不同的性能指标UA值及其所对应的换热网络公用工程消耗量，然后将这些数据作归一化处理，即将这些数据映射在[0,1]上，由如下公式求得：

说明：x、x'分别为转换前后的值，(UA)_max、(UA)_min分别为性能指标UA的最大、最小值；

2.2)初始化神经网络结构：设置隐含层神经元个数，神经元的个数根据经验公式：确定，其中n、l为输入与输出的神经元数，a取1～10；神经网络的输入层与输出层的神经元数由所提供的数据集所决定，输入层的神经元个数等于换热器的台数，输出层神经元的个数为1，设置神经网络的学习效率、最大收敛次数和训练目标最小误差；

2.3)训练神经网络：将步骤1)获得的数据集划分为训练数据集与测试数据集两部分；

2.4)随机从训练集中选取第k组换热器性能指标UA值和对应公用工程消耗量，然后计算其隐含层各神经元之间的输入和输出；

2.5)计算神经网络输出与期望输出的均方根误差；

2.6)判断神经网络误差是否满足要求，当误差达到训练目标最小误差或最大收敛次数，则结束计算；否则选取下一组换热器的性能指标UA值及其对应的公用工程消耗量，返回步骤2.4)，进入下一轮的训练学习；

2.7)完成所有的训练数据集的训练后，再使用测试数据集对神经网络进行测试，直到满足最大收敛次数与目标误差的要求后，完成神经网络模型的建立；

3)采用遗传算法对换热网络进行优化，获得最佳改造方案，过程如下：

3.1)初始化遗传算法的各参数，采用实数编码的方式对种群及个体进行编码，设置种群规模、交叉概率、变异概率和最大迭代次数；

3.2)种群初始化，设置进化代数计数器t＝0，最大进化代数maxgen，并随机生成初始种群；

3.3)适应度计算，应用步骤2)得到的BP神经网络模型来预测公用工程消耗量，并将其作为遗传算法的适应度值，来衡量各染色体的优劣，其中适应度越小，即公用工程消耗量越小，获得的个体越优；

3.4)通过选择、交叉和变异操作，达到更新种群的目的，寻找目标函数的全局最优值及对应的输入值，即获得最小公用工程和与其对应的各换热器的UA值，其中选择机制为比例选择，交叉形式为模拟二进制交叉，变异形式为多项式变异；

3.5)直到达到最大迭代次数，停止遗传算法的寻优计算，获得最小的公用工程消耗量与其对应的最优性能指标UA的组合。