陈 薇 袁中原 高 波

基于LSTM神经网络预测低温热源动态特性

陈 薇1袁中原1高 波2

（1.西南交通大学机械工程学院 成都 610031；2.四川省建筑科学研究院有限公司 成都 610081）

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。

LSTM神经网络；低温余热回收；热源动态特性预测；时间序列预测

0 引言

由于世界经济的快速发展造成了能源紧张问题[1]，大量学者针对可再生能源进行研究，包括风能、太阳能、地热能以及低温余热利用等等。有机朗肯循环在低温余热回收方面具有很大的潜力，当前主要研究方向为综合考虑热源、冷源、工质和设备等等各个方面因素优化ORC系统，力求最大化系统的余热回收效率。Bahaa Saleh[2]等通过优化热效率比较了31种烷烃和氟化烷烃的循环性能，得到了不同有机工质使用的温度范围；2013年，Li等[3]针对温度低于150℃的低温热源，列举了适用于超临界ORC系统的有机循环工质的物性参数；韩中合等[4]选取了9种有机工质，研究了蒸发温度、蒸发压力和膨胀机功比对系统不可逆损失的影响。……