組合式冷卻能量回收系統控制策略研究

陳 薇 袁中原 袁艷平

組合式冷卻能量回收系統控制策略研究

陳 薇 袁中原 袁艷平

（西南交通大學機械工程學院 成都 610031）

組合式冷卻能量回收系統中蒸發溫度是決定系統凈發電量的關鍵參數，控制組合式冷卻系統中ORC（Organic Rankine Cycle, ORC）冷卻單元蒸發器的蒸發溫度在波動的熱源特性參數和環境參數下及時響應至最佳蒸發溫度，可有效提高低溫熱源所攜帶熱量的余熱回收效率。結合已經建立的LSTM神經網絡模型和BP神經網絡以及RBF神經網絡，提出了神經網絡前向控制PID控制器反饋控制的控制策略，分別建立單級ORC系統和雙級ORC系統凈輸出功最大時的最佳蒸發溫度控制系統，并在波動的熱源特性和環境參數下分析蒸發溫度的響應曲線。結果表明，單級ORC組合式冷卻系統和雙級ORC組合式冷卻系統最佳蒸發溫度均在10s內響應穩定，說明此種控制策略可行，為后續工程應用提供了參考。

有機朗肯循環；余熱回收；組合式冷卻；控制策略；PID控制

0 引言

在煤化工和石化等行業中，通常需要將溫度范圍在60℃~200℃之內的低溫工藝流體冷卻到工藝要求的目標溫度。目前工業上采用的常規冷卻方式大多為水冷和空冷，冷卻過程中不僅需要消耗大量能量，且浪費了低溫流體的熱量[1,2]，為了解決此問題提出了組合式冷卻能量回收系統。組合式冷卻能量回收系統的主要組成部分為有機朗肯循環（ORC）冷卻單元，目前ORC系統提出的控制策略主要可分為離線優化控制和動態在線控制策略?？刂萍夹g主要包括常規控制、優化控制（OC）和模型預測控制（MPC），控制變量主要包括工質流量、蒸發溫度、蒸發壓力、蒸發器出口的過熱度[3]。

Quoilin等[4]基于PI控制提出了三種控制策略，一是控制系統在給定的蒸發溫度及過熱度下運行，二是控制系統在離線穩態模型下得到的最佳蒸發溫度下運行，三是控制系統在離線穩態模型下得到的工質泵和膨脹機轉速下運行。控制響應結果表明，采用第二種控制策略的系統性能最優。Ni等[5]基于PID控制器，提出通過控制工質泵和膨脹機的轉速從而控制蒸發器的蒸發壓力和蒸發器出口的過熱度保持系統恒定運行的控制策略。Wu等[6]提出通過控制工質泵轉速、膨脹機轉速和空冷器風機的轉速使系統在給定的蒸發器蒸發壓力、出口過熱度和冷凝壓力下運行的控制策略。Hernandez A等[7]基于MPC控制器提出控制泵和膨脹機的轉速使系統在給定蒸發溫度和過熱度條件下運行的控制策略。

本文采用的控制策略為建立LSTM神經網絡模型提前一個時間步長預測熱源特性和冷凝溫度，通過神經網絡優化器得到當前熱源特性和冷凝溫度下使得組合式冷卻系統凈輸出功最大的最佳蒸發溫度，通過PID控制器控制蒸發器使得蒸發溫度在最佳蒸發溫度下運行，最佳蒸發溫度采用前饋控制策略，神經網絡作為前向控制器得不同熱源特性下對應的最佳蒸發溫度值，蒸發器內最佳蒸發溫度值和過熱度由膨脹機及工質泵的轉速控制，運行過程中對抗干擾的控制策略采用PID反饋控制策略。

1 組合式冷卻系統控制策略

1.1 單級ORC組合式系統控制策略

根據文獻[8]的分析可知，存在最佳蒸發溫度（OET）使得單級ORC組合式系統凈輸出功最大，針對單級ORC組合式冷卻系統最佳蒸發溫度的控制策略如圖1所示。

圖1 單級ORC組合式系統提前預測優化控制模型

1.2 雙級ORC組合式系統控制策略

同理，存在最佳高溫級蒸發溫度（OET,h）和低溫級蒸發溫度（OET,l）使得雙級ORC組合式系統的凈輸出功最大，針對雙級ORC組合式冷卻系統兩級最佳蒸發溫度的控制策略如圖2所示。

圖2 雙級ORC組合式系統提前預測優化控制模型

2 理論模型

2.1 蒸發器模型

2.1.1 蒸發器模型建模方法

組合式冷卻系統的控制策略中，換熱器的時間延遲遠遠大于工質泵以及膨脹機，所以主要控制目標為換熱器[9]。換熱器控制方式主要有移動邊界法和有限體積法，移動邊界法由于模型僅將換熱過程分為預熱段、蒸發段及過熱段三個換熱段，并在三個換熱單元運行集總法進行運算，運算速度快。有限體積法雖然精度高，每個換熱段兼顧運算時間及運算精度最小劃分單元為20段，需求解共240個微分方程，運算速度很慢[3]。目前，在控制應用中，常采用的方法為移動邊界法，移動邊界法的換熱模型如圖3所示。

圖3 蒸發器移動邊界分析法

2.1.2 微分控制方程

（1）熱源側微分方程

忽略傳熱時的徑向換熱，只考慮沿長度方向的換熱，熱源在換熱器內換熱不發生相變時，認為換熱前后密度變化可忽略，換熱前后質量守恒，存在能量守恒方程如公式（1）。

（2）工質側換熱微分方程

工質在換熱過程中，質量守恒及能量守恒方程如公式（2）、（3）。

（3）換熱器壁面換熱總微分方程

換熱器壁面在換熱過程中不存在質量變化，只存在能量變化，能量微分方程如公式（4）。

具體各換熱段的微分方程由文獻[10]可得，依據動態微分方程建立的換熱器的模型如圖4所示。

2.2 LSTM神經網絡模型

分別以熱源溫度和流量作為輸出層，以時序作為輸入層建立兩個LSTM神經網絡用于提前預測熱源的溫度和流量，訓練所得模型參數如表1所示。根據文獻[11]可知，采用觀測值更新網絡的精度更高，所以本文中的LSTM神經網絡采用觀測值更新網絡。

表1 LSTM神經網絡模型參數

2.3 神經網絡優化模塊模型

單級ORC組合式冷卻系統由于其結構簡單，采用BP神經網絡就可以達到較好的預測精度，單級ORC組合式系統最佳蒸發溫度訓練所得超參數如表2所示，結構如圖5所示。

表2 單級ORC組合式系統神經網絡超參數

圖5 單級ORC組合式系統BP神經網絡結構

RBF神經網絡的訓練時間最短，且訓練精度高，本文采用RBF神經網絡作為雙級ORC組合式系統的優化器，RBF訓練超參如表3所示。RBF神經網絡的結構圖如圖6所示。

表3 雙級ORC組合式系統RBF訓練超參數

圖6 雙級ORC組合式系統RBF神經網絡結構

3 結果與討論

3.1 單級ORC組合式系統

采用Matlab平臺自帶的PID控制器調試器多次調試，最終可得單級ORC組合式冷卻系統蒸發器蒸發溫度PID控制器的參數，如表4所示。給定外界條件每50s階躍變化，傳遞延后時間為1s，響應結果如圖7所示。由圖7可知，蒸發溫度的響應基本在10s內達到穩定，說明單級ORC組合式系統采用此控制策略的PID控制器響應特性較好。

表4 單級ORC組合式系統PID控制器參數

圖7 單級ORC組合式系統蒸發溫度響應曲線

3.2 雙級ORC組合式系統

采用Matlab平臺自帶的PID控制器調試器多次調試，最終可得雙級ORC組合式冷卻系統高溫級蒸發器和低溫級蒸發器蒸發溫度PID控制器的參數，如表5所示。給定外界條件每30s階躍式變化，傳遞延后時間為1s，最佳高溫級蒸發溫度和低溫級蒸發溫度響應結果如圖8所示。由圖8可知，最佳兩級蒸發溫度的響應基本在10s內達到穩定，說明雙級ORC組合式系統采用此控制策略的PID控制器響應特性較好。

表5 雙級ORC組合式系統PID控制器參數

圖8 雙級ORC組合式系統蒸發溫度響應曲線

4 結論

本文在建立的模型和提出的控制策略的基礎上，隨機給定外界條件的波動情況并得到相應控制策略下的響應曲線，得到以下結論：

（1）單級ORC組合式系統蒸發溫度在提出的控制策略下，在10s內達到通過神經網絡模型設定的最佳蒸發溫度，可以得出結論，此種控制策略可以用于控制單級ORC組合式冷卻系統以凈輸出功最大時的蒸發溫度。

（2）雙級ORC組合式系統高溫級蒸發溫度和低溫級蒸發溫度在提出的控制策略下，在10s內都達到通過神經網絡模型設定的最佳蒸發溫度，可以得出結論，此種控制策略可以用于控制雙級ORC組合式冷卻系統以凈輸出功最大時的蒸發溫度。

（3）雙級ORC組合式系統的響應曲線相較于單級ORC系統波動還是較大，是因為采用Matlab自帶的PID參數調整器同時調整兩個PID控制器的參數達到最優難度較大，后續可以考慮加入BP神經網絡在線學習的方式，自動尋優找到PID控制器較優參數。

[1] 李賽賽,李玉蘭.工業冷卻循環水節能優化改造[J].節能,2018,37(3):57–58.

[2] LI X, DUNIAM S, GURGENCI H, et al. Full scale experimental study of a small natural draft dry cooling tower for concentrating solar thermal power plant[J]. Applied Energy, 2017,193:15–27.

[3] IMRAN M, PILI R, USMAN M, et al. Dynamic modeling and control strategies of organic Rankine cycle systems: Methods and challenges[J]. Applied Energy, 2020,276:115537.

[4] QUOILIN S, AUMANN R, GRILL A, et al. Dynamic modeling and optimal control strategy of waste heat recovery Organic Rankine Cycles[J]. Applied Energy, 2011,88(6):2183–2190.

[5] NI J, ZHAO L, ZHANG Z, et al. Dynamic performance investigation of organic Rankine cycle driven by solar energy under cloudy condition[J]. Energy, 2018,147:122–141.

[6] WU X, XIE L, CHEN J, et al. An Optimal Control Design of Organic Ranking Cycle Under Disturbances[C]. 2018 37th Chinese Control Conference (CCC), 2018:3475–3480.

[7] HERNANDEZ A, DESIDERI A, IONESCU C, et al. Increasing the efficiency of Organic Rankine Cycle Technology by means of Multivariable Predictive Control[J]. IFAC Proceedings Volumes, 2014,47(3): 2195–2200.

[8] 陳薇,袁中原.基于神經網絡預測ORC系統的最佳蒸發溫度[J].制冷與空調,2020,34(2):262–267.

[9] QUIOLIN S. Sustainable Energy Conversion Through the Use of Organic Rankine Cycles for Waste Heat Recovery and Solar Applications[D]. university of liege, 2011.

[10] DEUTSCHES M O, ELMQVIST H, AB D, et al. Moving Boundary Models for Dynamic Simulations of Two-Phase Flows[C]. Proc of the Int Modelica Conference, 2002.

[11] 陳薇,袁中原,高波.基于LSTM神經網絡預測低溫熱源動態特性[J].制冷與空調,2020,34(6):670–675.

Study of Control Strategy Based on Optimal Temperature to Generate Maximum Net Power

Chen Wei Yuan Zhongyuan Yuan Yanping

( School of Mechanical Engineering, Southwest Jiaotong University, Chengdu, 610031 )

Evaporation temperature of ORC cooling unit has been an inevitable parameter in generating maximum net power for cascade cooling system, and make evaporation temperature run at optimal temperature could improve the recovery efficiency of low-grade waste heat. In this paper, LSTM neural networks are trained to forecast the temperature and mass flow of waste heat, respectively. Feedforward neural networks are trained to predict the optimal evaporation temperature (OET) of simple cascade ORC cooling system and two-stage ORC cascade cooling system, respectively. PID controller is used to control the evaporation temperature running at OET. The results show that both simple ORC cascade cooling system and two-stage ORC cascade system respond to OET within 10 seconds, which indicates that the proposed strategy is reasonable and it can provide reference for engineering applications.

ORC; waste heat recovery; cascade cooling; controlling strategies; PID controller

TM617

A

1671-6612（2021）02-157-05

四川省科技計劃項目：基于分級冷卻的工業余熱高效能量回收系統（2019YFG0327）百葉遮陽“二次得熱”的預測及控制研究（2019-YF05-01326-SN）

陳 薇（1996-），女，在讀碩士研究生，Email：vchen@my.swjtu.edu.cn

袁中原（1983.8-），男，博士，Email：zhongyuan.yuan@home.swjtu.edu.cn

2021-02-07