基于GA-BP神经网络的汽车尾气余热温差发电装置性能预测与优化.pdfVIP

基于GA-BP神经网络的汽车尾气余热温差发电装置性能预测与

优化

摘要

环境污染和能源短缺是21世纪迫切需要解决的问题，大多数能源以余热废热形式

排放，如汽车燃油效率只有25%左右，大部分热量被尾气带走。汽车是使用最广泛的

交通工具，若对尾气余热进行回收利用，可大幅度提升能源利用率，对我国节能减排

及“碳达峰、碳中和”的战略布局具有重要意义。基于热电转换技术的温差发电装置

是一种高效、绿色、结构紧凑的余热回收技术，非常适合用于回收尾气余热。

温差发电系统在汽车的实际应用中，需要提前预测该系统的运行参数，以便与车

载管理系统进行协调，优化电源及运行管理。因此，提升算法模型的预测精度对温差

电装置在汽车中的使用具有重要价值。反向传播神经网络(BP)可高效高精度地预测温

差发电装置发电性能，因其具有优良的自主学习性、非线性映射能力强等优点，擅长

处理非线性数据，非常适用于同是非线性的温差发电装置参数。但是，BP算法存在易

陷入局部最优和收敛速度慢的缺点，需进一步优化。

为进一步提升BP算法的预测精度，本研究采用遗传算法(GA)优化BP神经网络

(GA-BP)，通过选择、交叉、变异等操作解决BP算法易陷入局部最优和收敛速度慢的

缺点，并调整更新网络权重和阈值以提高模型预测性能。此外，预测模型使用的训练

样本数据通常来自有限元法、有限差分法等多物理场仿真模拟软件，但其计算需要做

一些假设，例如边界条件的设定、材料属性的简化等，导致预测结果的准确性受到严

重影响。因此设计研制了用于汽车尾气余热回收的温差发电装置，并建立温差发电装

置性能测试平台，将获得的实验数据作为样本集来训练网络模型，解决传统预测模型

通过仿真模拟软件获取数据而引起的偏差。通过对比预测与实验结果，GA-BP模型可

精准预测温差发电装置的输出性能，且预测精度优于BP模型，优化后模型预测数据的

平均绝对误差百分比(MAPE)均小于3%，均方误差值(MSE)从也远小于优化前的数值，

2

且模型相关系数(R)均大于0.99。

关键词：汽车尾气余热回收，温差发电装置，反向传播神经网络(BP)，遗传

算法(GA)，预测模型

GA-BPneuralnetworkbasedautomotivetailheat

temperaturedifferencepowergenerationdevice

PerformancePredictionandOptimization

Abstract

Environmentalpollutionandenergyshortageareurgentproblemstobesolvedinthe21st

century.Mostoftheenergyisdischargedintheformofwasteheatandwasteheat.Forexample,

thefuelefficiencyofautomobilesisonlyabout25%,andmostoftheheatistakenawayby

exhaustgas.Carsarethemostwidelyusedmeansoftransportation.Ifrecyclingandutilizing

theexhaustheatcangreatlyimprovetheenergyutilizationrate,ithasimportantsignificance

forourcountrysenergysaving,emissionreductionandthestrategiclayoutofreachingpeak

carbon,carbonneutralization.Thermoelectricpowergenerationdevicebasedon

thermoelectric