基于LSTM神经网络预测低温热源动态特性
发布时间：2021-03-27 03:44
低温热源的入口温度和质量流量在有机朗肯循环（Organic Rankine Cycle, ORC）余热回收系统中是非常重要的热力参数,为了研究动态响应情况下ORC系统参数对系统性能的影响情况,利用机器学习中的LSTM神经网络,将某工厂中实地采集的10059组逐时热源温度和流量作为样本进行训练和测试,得到训练精度要求下的神经网络,对低温热源的温度和流量进行逐时预测,结果表明,利用神经网络可以满足精度要求预测低温热源的逐时温度和流量,为后续搭建系统的动态响应控制系统奠定基础。
【文章来源】：制冷与空调(四川). 2020,34(06)
【文章页数】：6 页
【部分图文】：
tanh函数Fig.7tanhfunction
059组逐时低温热源的入口温度和质量流量作为训练样本，训练得到要求预测精度内的神经网络模型，用于预测未来一个时间步长的低温热源特性，为之后的动态响应控制系统奠定基矗1LSTM神经网络LSTM（Long-shorttimememory）神经网络是循环神经网络中特殊的一种，主要是为了解决循环神经网络中梯度消失和梯度爆炸的问题，可以根据历史数据的特性回归预测未来的数据或对数据进行分类，与BP神经网络不同的是，LSTM神经网络每一层神经元之间的传播不仅与前一层有关，还与之前的每一层的神经元都有关[10]。如图1所示是一个前向传播神经网络的拓扑图，式（1～5）是具有一个隐层的三层前向传播神经网络的表达式。图1前馈神经网络拓扑图Fig.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是输入层到隐层的传递函数；2是隐层到输出层的传递函数；3是输出层传递函数。如图2所示是LSTM神经网络的拓扑图，LSTM模型在每一个单元A上都包含一个前向传播神经网络。LSTM单元A主要包括三个模块，遗忘、输入、输出过程，Ct其中代表单元的长期记忆，ht代表单元的短期记忆，Xt为每次外部输入的数据。长期记忆在每次进入LSTM单元进行训练时，遗忘一些不重要的信息，随后输入单元进行训练最后输出短期记忆ht，是Ct-1，ht-1，Xt的共同作用。图2LSTM神经网络拓扑图Fig.2TopographofLSTMneuralnetwork1.1输入参数和输出参数确定在本文中，为了研究热源波动条件下系统的?
?暗拿恳徊愕纳窬??加泄?[10]。如图1所示是一个前向传播神经网络的拓扑图，式（1～5）是具有一个隐层的三层前向传播神经网络的表达式。图1前馈神经网络拓扑图Fig.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是输入层到隐层的传递函数；2是隐层到输出层的传递函数；3是输出层传递函数。如图2所示是LSTM神经网络的拓扑图，LSTM模型在每一个单元A上都包含一个前向传播神经网络。LSTM单元A主要包括三个模块，遗忘、输入、输出过程，Ct其中代表单元的长期记忆，ht代表单元的短期记忆，Xt为每次外部输入的数据。长期记忆在每次进入LSTM单元进行训练时，遗忘一些不重要的信息，随后输入单元进行训练最后输出短期记忆ht，是Ct-1，ht-1，Xt的共同作用。图2LSTM神经网络拓扑图Fig.2TopographofLSTMneuralnetwork1.1输入参数和输出参数确定在本文中，为了研究热源波动条件下系统的控制模型，实地采集了工厂中2019年1月1日20:00～2019年3月29日23:00的逐时热源温度和流量，通过10059组历史热源温度和流量数据对未来一个时间步长的数据进行回归预测。分别建立两个LSTM时序神经网络模型，模型的输入参数都是以时序作为单一变量，输出数据是热源的入口温度和流量。
【参考文献】：
期刊论文
[1]基于神经网络和遗传算法的工艺参数优化[J]. 曾军亮,王荣吉,冯晓欣. 塑料. 2013(05)
[2]不同工质对太阳能有机朗肯循环系统性能的影响[J]. 韩中合,叶依林,刘赟. 动力工程学报. 2012(03)
本文编号：3102820
【文章来源】：制冷与空调(四川). 2020,34(06)
【文章页数】：6 页
【部分图文】：
tanh函数Fig.7tanhfunction
059组逐时低温热源的入口温度和质量流量作为训练样本，训练得到要求预测精度内的神经网络模型，用于预测未来一个时间步长的低温热源特性，为之后的动态响应控制系统奠定基矗1LSTM神经网络LSTM（Long-shorttimememory）神经网络是循环神经网络中特殊的一种，主要是为了解决循环神经网络中梯度消失和梯度爆炸的问题，可以根据历史数据的特性回归预测未来的数据或对数据进行分类，与BP神经网络不同的是，LSTM神经网络每一层神经元之间的传播不仅与前一层有关，还与之前的每一层的神经元都有关[10]。如图1所示是一个前向传播神经网络的拓扑图，式（1～5）是具有一个隐层的三层前向传播神经网络的表达式。图1前馈神经网络拓扑图Fig.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是输入层到隐层的传递函数；2是隐层到输出层的传递函数；3是输出层传递函数。如图2所示是LSTM神经网络的拓扑图，LSTM模型在每一个单元A上都包含一个前向传播神经网络。LSTM单元A主要包括三个模块，遗忘、输入、输出过程，Ct其中代表单元的长期记忆，ht代表单元的短期记忆，Xt为每次外部输入的数据。长期记忆在每次进入LSTM单元进行训练时，遗忘一些不重要的信息，随后输入单元进行训练最后输出短期记忆ht，是Ct-1，ht-1，Xt的共同作用。图2LSTM神经网络拓扑图Fig.2TopographofLSTMneuralnetwork1.1输入参数和输出参数确定在本文中，为了研究热源波动条件下系统的?
?暗拿恳徊愕纳窬??加泄?[10]。如图1所示是一个前向传播神经网络的拓扑图，式（1～5）是具有一个隐层的三层前向传播神经网络的表达式。图1前馈神经网络拓扑图Fig.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是输入层到隐层的传递函数；2是隐层到输出层的传递函数；3是输出层传递函数。如图2所示是LSTM神经网络的拓扑图，LSTM模型在每一个单元A上都包含一个前向传播神经网络。LSTM单元A主要包括三个模块，遗忘、输入、输出过程，Ct其中代表单元的长期记忆，ht代表单元的短期记忆，Xt为每次外部输入的数据。长期记忆在每次进入LSTM单元进行训练时，遗忘一些不重要的信息，随后输入单元进行训练最后输出短期记忆ht，是Ct-1，ht-1，Xt的共同作用。图2LSTM神经网络拓扑图Fig.2TopographofLSTMneuralnetwork1.1输入参数和输出参数确定在本文中，为了研究热源波动条件下系统的控制模型，实地采集了工厂中2019年1月1日20:00～2019年3月29日23:00的逐时热源温度和流量，通过10059组历史热源温度和流量数据对未来一个时间步长的数据进行回归预测。分别建立两个LSTM时序神经网络模型，模型的输入参数都是以时序作为单一变量，输出数据是热源的入口温度和流量。
【参考文献】：
期刊论文
[1]基于神经网络和遗传算法的工艺参数优化[J]. 曾军亮,王荣吉,冯晓欣. 塑料. 2013(05)
[2]不同工质对太阳能有机朗肯循环系统性能的影响[J]. 韩中合,叶依林,刘赟. 动力工程学报. 2012(03)
本文编号：3102820
本文链接：https://www.wllwen.com/kejilunwen/dongligc/3102820.html
