基于神经网络的有机朗肯循环过程及循环性能计算方法

有机朗肯循环（ORC）是中低温热能-电能转换中最具前景的技术之一,近年来受到越来越多的关注。工质是ORC实现的载体,由于热源及可选工质的多样性,工质筛选及系统的优化对于提升ORC综合性能非常重要,而物性及过程特性的准确预测是关键。提出了基于神经网络-基团贡献法的ORC系统性能计算方法,建立了涵盖11个基团的基团表,从REFPROP中调用51种工质7958组数据进行神经网络训练,获得了ORC中各个热力过程能量转换和熵差的计算关联式。计算了21种常用工质在1584组工况下的ORC系统性能,并与基于传统方法计算的ORC系统性能参数进行了对比。结果显示预测得到的ORC系统热效率、净输出功和系统?效率与用REFPROP计算得出的结果相比误差分别为1.01%、1.02%和1.61%,相比传统方法,预测精度有显著提高。     

基于神经网络的有机朗肯循环过程及循环性能计算方法

有机朗肯循环(ORC)是中低温热能-电能转换中最具前景的技术之一,近年来受到越来越多的关注。工质是ORC实现的载体,由于热源及可选工质的多样性,工质筛选及系统的优化对于提升ORC综合性能非常重要,而物性及过程特性的准确预测是关键。提出了基于神经网络-基团贡献法的ORC系统性能计算方法,建立了涵盖11个基团的基团表,从REFPROP中调用51种工质7958组数据进行神经网络训练,获得了ORC中各个热力过程能量转换和熵差的计算关联式。计算了21种常用工质在1584组工况下的ORC系统性能,并与基于传统方法计算的ORC系统性能参数进行了对比。结果显示预测得到的ORC系统热效率、净输出功和系统?效率与用REFPROP计算得出的结果相比误差分别为1.01%、1.02%和1.61%,相比传统方法,预测精度有显著提高。     

有机朗肯循环系统工质设计与系统参数的同步优化

工质是有机朗肯循环（organic Rankine cycle，ORC）中能量转换的载体，其与冷、热源之间的匹配直接影响ORC系统性能。现有工质提升ORC系统性能有限，新型工质的设计对提升ORC性能非常重要。提出了基于计算机辅助分子设计（computer-aided molecular design，CAMD）的工质设计与和ORC系统同步优化的建模和求解方法，对传统CAMD模型进行了改进。建立了以ORC系统输出净功最大为优化目标的混合整数非线性数学规划（mixed integer non-line programming，MINLP）模型，提出了求解策略。基于9个基本元素选择37个基团，应用于建立的同步优化模型，获得了热源范围353.15~463.15 K和冷源范围293.15~298.15 K工况下的最优工质，并与现有工质进行了对比验证。对比结果表明，新型工质的ORC净功比现有工质ORC净功增加12.46%。对在计算ORC循环性能中涉及的工质物性，如临界温度、临界压力、沸点温度、比热容、密度和相对分子质量等进行了敏感性分析。