大温差吸收热交换器的参数优化

大温差吸收热交换器具有比其他热交换器（包括板式热交换器）更高的热传递优势，更适合用于长距离供暖。为了提高其系统性能，参数协同优化（包括建立准确的预测模型）已成为一种有效的方法，因为它不需要太多投资。在本研究中，选择一个热交换站作为案例，使用长短期记忆（LSTM）神经网络模型来预测主回水和次回水的温度。因此，通过与支持向量机（SVM）模型、随机森林（RF）模型和极端梯度提升（XGBoost）模型的预测结果进行对比分析，确认了基于模型的拟合结果的可靠性。此外，使用粒子群优化算法对主供水流量进行了优化。结果显示，主侧回水温度从29.6°C降至28.2°C，次侧回水温度从39.8°C降至38.6°C，主侧供水流量从39 t/h降至35.2 t/h。灵敏度评估显示，次侧流量对于次侧供水温度的灵敏度约为主侧供水温度的7倍，具体而言，温度越低，灵敏度越高。总之，验证了所提出预测模型的准确性，并指出了优化方向，可以为设计和规划大温差吸收热交换站提供指导。