一种管理超临界二氧化碳循环机组的热效率的方法与流程

1.本技术实施例涉及信息处理领域，尤指一种管理超临界二氧化碳循环机组的热效率的方法。


背景技术：

2.进入21世纪以来，世界能源结构向清洁、低碳、高效、多元的方向持续发展转型，但煤炭在世界能源供应中仍占重要地位。据统计，2018年煤炭消耗占世界一次能源供应的27.2％，且煤炭需求量连续2年增长。大部分煤炭用于发电以满足日益增长的电力需求。传统燃煤发电系统采用以蒸汽为工质的朗肯循环，但由于循环特性与材料限制，电厂效率很难进一步提高。超临界二氧化碳动力循环高效紧凑，有望取代传统蒸汽动力循环。
3.超临界二氧化碳布雷顿循环燃煤发电技术，其主要优点在于一方面采用高效的布雷顿循环，发电效率高于同等级参数的常规火力机组；另一方面透平、压缩机等部件的体积大大减少，无抽汽设计，管路复杂度降低，是进一步提高燃煤发电效率的潜力方案。
4.由于超临界二氧化碳闭式布雷顿循环工质的物性特点，为了提高整个循环效率，在循环中往往采用中间回热的方式，充分利用透平高温的排气来预热压缩机出口的工质(回热过程)，从而降低冷端损失，循环还可采用多级压缩中间冷却技术进一步提高效率。由于该效率影响因素众多、各因素间高度耦合，因此对该参数的提高造成了较大困难。因此，如何确定对超临界二氧化碳循环最佳热效率的关键参数是亟待解决的问题。


技术实现要素：

5.为了解决上述任一技术问题，本技术实施例提供了一种管理超临界二氧化碳循环机组的热效率的方法。
6.为了达到本技术实施例目的，本技术实施例提供了一种管理超临界二氧化碳循环机组的热效率的方法，包括：
7.确定影响超临界二氧化碳sco2循环机热效率的x个变量，其中x为大于等于2的整数；
8.使用主元分析法从所述x个变量选择m个变量，其中m为小于n的整数；
9.利用所述m个变量建立sco2循环机热效率的热力学模型；
10.利用所述热力学模型对sco2循环机热效率进行管理。
11.一种存储介质，所述存储介质中存储有计算机程序，其中，所述计算机程序被设置为运行时执行上文所述的方法。
12.一种电子装置，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行上文所述的方法。
13.上述技术方案中的一个技术方案具有如下优点或有益效果：
14.通过确定影响sco2循环机热效率的x个变量，使用主元分析法从所述x个变量选择m个变量，利用所述m个变量建立sco2循环机热效率的热力学模型，利用所述热力学模型对
sco2循环机热效率进行管理，通过对变量的个数的精简，大大降低建模的难度和减少建模的计算量。
15.本技术实施例的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本技术实施例而了解。本技术实施例的目的和其他优点可通过在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
附图说明
16.附图用来提供对本技术实施例技术方案的进一步理解，并且构成说明书的一部分，与本技术实施例的实施例一起用于解释本技术实施例的技术方案，并不构成对本技术实施例技术方案的限制。
17.图1为本技术实施例提供的管理sco2循环机组的热效率的方法的流程图；
18.图2为本技术实施例提供的sco2循环机热效率优化方法的流程图；
19.图3为本技术实施例提供的主元分析法的处理方法的流程图。
20.图4为本技术实施例提供的热力学模型的搭建示意图。
21.图5为本技术实施例提供的遗传算法的处理方法的流程图。
22.图6为本技术实施例提供的优化后的遗传算法的处理方法的流程图。
23.图7为本技术实施例提供的高压透平入口温度和压力对循环热效率的影响的示意图。
具体实施方式
24.为使本技术实施例的目的、技术方案和优点更加清楚明白，下文中将结合附图对本技术实施例的实施例进行详细说明。需要说明的是，在不冲突的情况下，本技术实施例中的实施例及实施例中的特征可以相互任意组合。
25.图1为本技术实施例提供的管理sco2循环机组的热效率的方法的流程图。如图1所示，包括：
26.步骤101、确定影响sco2循环机热效率的x个变量，其中x为大于等于2的整数；
27.步骤102、使用主元分析法从所述x个变量选择m个变量，其中m为小于n的整数；
28.步骤103、利用所述m个变量建立sco2循环机热效率的热力学模型；
29.步骤104、利用所述热力学模型对sco2循环机热效率进行管理。
30.本技术实施例提供的方法，通过确定影响sco2循环机热效率的x个变量，使用主元分析法从所述x个变量选择m个变量，利用所述m个变量建立sco2循环机热效率的热力学模型，利用所述热力学模型对sco2循环机热效率进行管理，通过对变量的个数的精简，大大降低建模的难度和减少建模的计算量。
31.下面对本技术实施例提供的方法进行说明：
32.图2为本技术实施例提供的sco2循环机热效率优化方法的流程图。如图2所示，首先分析超临界二氧化碳循环机组运行机理，寻找其sco2循环热效率的影响因素，通过对影响因素进行筛选用于后续研究。通过合理有效的机理分析，建立起热力学模型。之后以sco2循环热效率为优化目标通过改进后的遗传算法对之前建立的热力学模型进行多参数优化，优化后的结果与文献对比，通过对比来判断本发明模型的精度及准确性合乎需求。最后以
sco2循环热效率的影响因素为模型输入，计算其sco2循环热效率。
33.图2所示方法包括4个阶段，分别是关键变量筛选阶段、模型建立阶段、模型验证阶段和模型测试阶段。下面对每个阶段分别进行说明：
34.1、关键变量筛选阶段
35.分析超临界二氧化碳循环机组运行机理，寻找其sco2循环热效率的影响因素。确定对其循环热效率影响较大的x个变量，然后使用主元分析法对上述x个变量进行分析筛选，通过计算贡献率以及相关系数，找出贡献率较高的变量，根据计算结果将贡献率较高m个变量替换初始的x个变量，用于后续分析和研究。
36.在一个示例性实施例中，所述x个变量包括如下至少一个：
37.高压透平入口压力、高压透平入口温度、低压透平入口压力、低压透平入口温度、主压缩机的入口温度、主压缩机的压力损失、再压缩机的入口温度、再压缩机的压力损失以及压缩机分流比。
38.在一个示例性实施例中，所述使用主元分析法从所述x个变量选择m个变量，包括：
39.采用主元分析法对所述x个变量进行筛选，得到贡献率最高的变量；
40.计算所述贡献率最高的变量与剩余的x-1个变量之间的相关系数；
41.根据所述x-1个变量中每个变量的相关系数，选择m-1个变量，将所述贡献率最高的变量和m-1个变量组合后作为最终变量。
42.分析超临界二氧化碳循环机组运行机理，寻找其sco2循环热效率的影响因素。确定对其循环热效率影响较大的变量为：高压透平入口压力、高压透平入口温度、低压透平入口压力、低压透平入口温度、主压缩机入口温度及压力损失、再压缩机入口温度及压力损失、压缩机分流比，共9个变量；然后使用主元分析法对上述9个变量进行分析筛选，通过计算贡献率以及相关系数，找出贡献率较高的变量，根据计算结果使用4个关键变量用于后续分析和研究。
43.在一个示例性实施例中，采用如下计算表达式计算相关系数，包括：
[0044][0045]
其中，x、y代表了两个不同的变量，为x，y的协方差，和代表了样本的平均值。
[0046]
计算所得的相关系数范围是(-1,1)，当相关系数的绝对值越大时，说明了相关性越强：当相关系数越接近于1或-1时，相关性越强；当相关系数越接近于0时，相关性越弱。
[0047]
通过以下取值范围来判断变量的相关强度：
[0048]
相关系数的绝对值
[0049]
1.极强相关：0.8-1.0
[0050]
2.强相关：0.6-0.8
[0051]
3.中等程度相关：0.4-0.6
[0052]
4.弱相关：0.2-0.4
[0053]
5.极弱相关或无相关：0.0-0.2
[0054]
图3为本技术实施例提供的主元分析法的处理方法的流程图。如图3所示，所述处理方法包括如下步骤：
[0055]
1.将原始数据进行标准化预处理，然后将数据按列组成n行m列的矩阵x；
[0056]
2.零均值化。即每一位特征减去各自这一行的平均值；
[0057]
3.计算协方差矩阵；
[0058]
4.计算协方差矩阵的特征值与特征向量；
[0059]
5.对特征值进行从小到大排列；
[0060]
6.将数据转换到特征向量构建的新空间中。
[0061]
在分析完成后，得到的贡献率信息如下：
[0062]
贡献率：
[0063]
newrate＝0.7578 0.1571 0.0544 0.0250 0.0029 0.0017 0.0011
[0064]
主成分数：2
[0065]
主成分荷载：
[0066][0067]
从上述结果可以看出，其中达到累计贡献率80％一共需要2个主元，且第一个主元的贡献率达到了75％，说明第一个主元的影响很大，并且在第一个主元中，变量1(高压透平入口压力)、变量4(高压透平入口温度)、变量5(压力损失)、变量6(主压缩机入口温度)荷载比较大，得分最高，通过以上的计算分析所得，选择将这4个变量作为关键变量。
[0068]
通过上述处理，可以实现充分挖掘多个变量中隐含信息的目的，从而提高sco2循环效率，同时还具有运算速度快，泛化能力强等优点。
[0069]
2、模型建立阶段
[0070]
图4为本技术实施例提供的热力学模型的搭建示意图。如图4所示，分析二氧化碳循环的内部机理，采用集总参数法，忽略系统参数沿空间的分布情况，只考虑时间导数项；假定烟气、空气为理想气体，满足理想气体状态定律；各系统满足基本的物理及热力学定律，如质量守恒、能量守恒、动量守恒、传热方程、热力学状态参数方程等。
[0071]
根据其热力学规律建立起超临界二氧化碳循环的热力学模型，热力循环系统包含两大类设备：一类是叶轮机械，如压气机、透平；另外一类是换热设备，如回热器、冷却器等。热力循环分析一般是针对不同的设备建立热力学模型，再通过相互间的连接关系形成一个闭合的循环回路并最终求解出各点的状态参数。
[0072]
通过主元分析法确定关键变量后，分析二氧化碳循环的内部机理，采用集总参数法，忽略系统参数沿空间的分布情况，只考虑时间导数项；假定烟气、空气为理想气体，满足理想气体状态定律；各系统满足基本的物理及热力学定律，如质量守恒、能量守恒、动量守
恒、传热方程、热力学状态参数方程等。
[0073]
根据其热力学规律建立起超临界二氧化碳循环的热力学模型；热力循环系统包含两大类设备：一类是叶轮机械，如压气机、透平；另外一类是换热设备，如回热器、冷却器等。
[0074]
热力循环分析一般是针对不同的设备建立热力学模型，再通过相互间的连接关系形成一个闭合的循环回路并最终求解出各点的状态参数。
[0075]
针对压气机、透平这类旋转设备，采用考虑设备等熵效率的等熵压缩和等熵膨胀模型。
[0076]
针对压气机：
[0077]
p
co
＝p
ci
εc[0078]sco
＝s(p
ci
,t
ci
)
[0079]hco
＝h(p
co
,s
co
)
[0080]
δhc＝(h
co-h
ci
)/αc[0081]
t
co
＝t[p
co
,(h
ci
δhc)]
[0082]
针对透平：
[0083]
p
to
＝p
ti
/ε
t
[0084]sto
＝s(p
ti
,t
ti
)
[0085]hto
＝h(p
to
,s
to
)
[0086]
δh
t
＝(h
to-h
ti
)/α
t
[0087]
式中，p为压力，单位为mpa；s为熵，单位为kj/kg
·
℃；h为焓，单位为kj/kg；t为温度，单位为℃；δh为焓升，单位为kj/kg；ε为压力比；α为旋转设备的等熵效率。下角标c和t分别表示压气机和透平；i和o分别表示进口和出口。
[0088]
针对换热设备，一般采用可耐高温高压的印刷电路板式换热器，可在控制换热设备体积的条件下实现较低的端部温差和较高的效率。
[0089]
根据能量守恒，可知换热设备：
[0090]
m1(h
1i-h
10
)＝m2(h
2o-h
2i
)
[0091]
式中，m为流量，单位为kg/s；h为焓，单位为kj/kg。下角标i和o分别表示进口和出口，1和2分别表示换热器热侧和冷侧。
[0092]
透平输出功和压气机耗功分别为：
[0093]wt
＝m
t
δh
t
[0094]
wc＝mcδhc[0095]
式中，w为功率，单位为mw；m为流量，单位为kg/s；δh为焓升，单位为kj/kg。
[0096]
则系统热效率为：
[0097][0098]
式中，η为系统热效率；q为热源功率，单位为mw。
[0099]
3、模型验证阶段
[0100]
为了进一步完善建立的热力学模型，通过查阅对比国内外相关文献，确定超临界二氧化碳循环的相关主要参数值。如下表所示：
[0101]
设备状态参数单位数值
主压缩机效率％60涡轮机效率％81再压缩机效率％50燃烧室效率％80
[0102]
采用改进后的遗传算法，以循环热效率为优化目标对本模型进行优化。
[0103]
在一个示例性实施例中，所述利用所述m个变量建立sco2循环机热效率的热力学模型之后，所述方法还包括：
[0104]
从预先记录的采用a个变量建立的sco2循环机热效率的热力学模型中确定所述m个变量的配置值，其中a为大于m的整数；
[0105]
在采用m个变量的配置参数运行所述热力学模型过程中，以优化热效率为目标，采用遗传算法对所述热力学模型的中的变量的取值进行调整。
[0106]
由于所确定的m个变量的数值所使用的变量个数与本技术所使用的变量个数不同，通过对得到的m个变量的数值进行调整，以实现对本技术所使用的模型的适应，提高模型处理的准确度。
[0107]
在一个示例性实施例中，采用遗传算法对所述热力学模型的变量的取值进行调整，包括：
[0108]
确定需要优化的变量；
[0109]
利用需要优化的变量，建立初代群体；
[0110]
计算初代群体的适应度；
[0111]
采用遗传算法生成下一代群体；
[0112]
计算下一代群体的适应度是否满足预设的适应度条件，其中所述适应度条件是根据初代适应度设置的；
[0113]
如果下一代群体的适应度满足所述适应度条件，则优化后的变量的编码后的值；否则，继续生成下一代群体直到得到的下一代群体的适应度满足所述适应度条件或者迭代次数达到预设的次数阈值为止。
[0114]
图5为本技术实施例提供的遗传算法的处理方法的流程图。如图5所示，所述处理方法包括如下步骤：
[0115]
a)优化变量确认：
[0116]
x＝[x
1 x2ꢀ…ꢀ
xn]
[0117]
其中n为需要优化的变量个数；
[0118]
b)编码以上所需变量：
[0119]
b＝from10to2(x)
[0120]
以上目的是为了将十进制的变量转化为二进制编码；
[0121]
c)通过转换，生成初代群体：
[0122]
b0＝random(n,range)
[0123]
其中range是变量范围，以上目的是根据变量个数n和变量范围range来随机确定初代群体；
[0124]
d)计算群体适应度：
[0125]
q0＝q(b0)
[0126]
式中：q0即为初代群体的适应度；q为适应度函数；
[0127]
e)三种运算操作以生成下一代群体：
[0128]
1)选择运算：
[0129]
选出适应度最好的初代个体：
[0130]
[b
0 i]＝max(q0)
[0131]
式中，i取决于需要优化的变量n，范围是[1,2,
…
,n]；
[0132]
将适应度最好的初代个体保留到下一代：
[0133]
b1(i)＝b0(i)
[0134]
2)交叉运算：
[0135]
由于个体采用实数编码，所以交叉操作方法采用实数交叉法，第k个染色体ak和第l个染色体aj，在j位的交叉操作方法如下：
[0136][0137]
式中，b是[0，1]间的随机数。
[0138]
3)变异运算：
[0139]
选取第i个个体的第j个基因a
ij
进行变异，变异操作方法如下：
[0140][0141]
式中，a
max
为基因a
ij
的上界；a
min
为基因a
ij
的下界；f(g)＝r2(1-g/g
max
)2；r2为一个随机数；g为当前迭代次数；g
max
为最大进化次数；r为[0,1]之间的随机数。
[0142]
f)判断适应度是否合乎需求:
[0143]
[q
best i]＝max(q0)
[0144]
g)适应度不合乎需求，下一代群体作为初代群体，继续计算适应度以及生成下一代b0＝b1将下一代个体作为初代；
[0145]
h)适应度合乎要求，获得优化后的变量的编码后的值：
[0146]
[q
best i]＝max(q0)
[0147]bbest
＝b0(i)
[0148]bbest
即为所求；
[0149]
i)对求得的值进行反编码，得到最终值：
[0150]
x
best
＝from2to10(b
best
)
[0151]
式中：x
best
即优化后的变量值；
[0152]
在一个示例性实施例中，所述采用遗传算法生成下一代群体，包括：
[0153]
计算所述下一代群体中每个个体的适应度值；
[0154]
根据每个个体的适应度值，确定所述下一代群众中的最优解和最差解；
[0155]
如果上一代最优解的适应度值比当前最优解的适应度值大，则用上一代的最优解替换当前最优解；
[0156]
若上一代的最优解函数值比当前最优解的适应度值小，则用上一代的最优解替换当前的最差解。
[0157]
上述遗传算法虽然具有良好的全局搜索能力，可以快速地将解空间中的全体解搜索出，但是传统遗传算法的局部搜索能力较差，导致单纯的遗传算法比较费时，在进化后期搜索效率较低。因此为了解决这一问题，本发明在传统遗传算法上加以改进。
[0158]
图6为本技术实施例提供的优化后的遗传算法的处理方法的流程图。如图6所示，优化后的遗传算法在遗传算法的步骤e中进行了改进，包括：
[0159]
采用最优保存策略，首先计算每个个体的适应度函数值，然后排序，找出最优解，最差解；然后若上一代最优解的函数值比当前最优解的函数值大，则用上一代的最优解替换当前最优解；若上一代的最优解函数值小，则用上一代的最优解替换当前的最差解。
[0160]
在一个示例性实施例中，采用遗传算法对所述热力学模型的变量的取值进行调整之后，所述方法还包括：
[0161]
获取调整变量的取值后的热量学模型的热循环效率；
[0162]
将所述热循环效率与采用a个变量建立的sco2循环机热效率的热力学模型的基准热循环效率进行比对，得到比对结果；
[0163]
如果比对结果为所述热循环效率与所述基准热循环效率之间的误差满足预设的误差条件，则确定所述调整变量的取值后的热量学模型验证通过。
[0164]
将优化后的结果与搜集到的文献内容进行对比，通过对比来判断本发明模型的精度及准确性合乎需求。
[0165]
优化后的结果与搜集到的文献内容进行对比，如下表所示，通过对比发现模型计算得到的优化热效率与文献结果误差仅为0.026％，精度与准确性满足要求。
[0166]
参数文献结果计算结果误差循环效率/％56.07956.0530.026
[0167]
4、热效率检测阶段
[0168]
将高压透平入口温度控制在某温度开始上升，主压缩机入口温度控制在一定温度恒定不动，模型输入选择高压透平入口温度与压力两个变量，除此之外的其他参数均以循环热效率为优化目标通过遗传算法进行单目标优化，以此判断变量对sco2循环最佳热效率的影响。
[0169]
将高压透平入口温度控制在自500℃开始上升，主压缩机入口温度控制在32℃恒定不动，模型输入选择高压透平入口温度与压力两个变量，除此之外的其他参数均以循环热效率为优化目标通过遗传算法进行单目标优化，以此判断变量对sco2循环最佳热效率的影响。
[0170]
图7为本技术实施例提供的高压透平入口温度和压力对循环热效率的影响的示意图。从图7可以看出，循环的最佳热效率随着横坐标的增加呈抛物线状先增长后降低，即循环的最佳热效率与高压透平入口压力呈二次函数关系。这明显表明，当高压透平入口温度自500℃起至700℃止，循环的热效率与高压透平入口压力不是简单的一次函数关系。而是随着高压透平入口压力在20～37mpa之间逐步增大，适当增加循环的高压透平入口压力有利于提升循环的热效率，但温度过高则会适得其反，其最适温度大致在31℃左右。此外，从图7中还可以看出，高压透平入口温度的改变，会对循环最佳热效率产生影响。这说明提升高压透平入口温度也有利于循环热效率的提升。以上仿真结果表明本发明具有对超临界二氧化碳循环机组循环热效率优化的能力。
[0171]
本技术实施例提供的方法具有如下优势，包括：
[0172]
采用主元分析法确定关键变量，能够大大降低建模的难度和减少建模的计算量；
[0173]
模型的建立过程比较简单，需要的信息量较少，所以本发明较其他方法更加利于实施，具有更强的实用性；
[0174]
本发明采用改进后的遗传算法，能够克服传统遗传算法局部搜索能力较差、计算费时的缺陷；
[0175]
基于实际超临界二氧化碳循环机组热力学机理建立的模型，能适应不同工况下的循环热效率计算，具有更好的实用性和泛化能力。
[0176]
本技术实施例提供一种存储介质，所述存储介质中存储有计算机程序，其中，所述计算机程序被设置为运行时执行上文任一项中所述的方法。
[0177]
本技术实施例提供一种电子装置，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行上文任一项中所述的方法。
[0178]
本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、系统、装置中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。在硬件实施方式中，在以上描述中提及的功能模块/单元之间的划分不一定对应于物理组件的划分；例如，一个物理组件可以具有多个功能，或者一个功能或步骤可以由若干物理组件合作执行。某些组件或所有组件可以被实施为由处理器，如数字信号处理器或微处理器执行的软件，或者被实施为硬件，或者被实施为集成电路，如专用集成电路。这样的软件可以分布在计算机可读介质上，计算机可读介质可以包括计算机存储介质(或非暂时性介质)和通信介质(或暂时性介质)。如本领域普通技术人员公知的，术语计算机存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于ram、rom、eeprom、闪存或其他存储器技术、cd-rom、数字多功能盘(dvd)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外，本领域普通技术人员公知的是，通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据，并且可包括任何信息递送介质。