CN107203364A - 一种用于压气机全工况特性的预测和辨识方法 - Google Patents

Abstract

本发明提供的是一种用于压气机全工况特性的预测和辨识方法。通过相似定律指数改进计算，引入相似定律修正系数，利用优化算法进行修正系数的求解，然后对求解得到的系数进行曲线拟合，并且对喘振边界线和最佳运行线进行曲线拟合，接着根据改进之后的相似定律进行压气机全工况特性预测，最后利用神经网络方法进行压气机全工况特性的辨识。本发明对于压气机特性线不全或稀疏的情况下，可以对压气机特性进行预测加密和外推，利用神经网络方法进行整体特性的拟合辨识，具有计算精度高和计算速度快的优点，而且在轴流式风机、轴流式透平等轴流式叶轮机械的特性线预测和辨识方面也具有参考意义。

Description

一种用于压气机全工况特性的预测和辨识方法

技术领域

本发明涉及一种压气机全工况特性的预测和辨识方法，用于提高压气机全工况特性预测精度和快速辨识。

背景技术

由于起动、变负荷、停机以及其他环境因素的干扰，燃气轮机经常在非设计工况下工作。燃气轮机的整机性能主要取决于压气机、燃烧室、涡轮等部件的特性，而其中压气机对燃气轮机性能的影响最为关键。完善的燃机核心部件特性曲线，是进行准确地变工况特性分析的基础。由于各种原因，制造厂家仅提供有限的高转速区域部件特性，建立基于部件的燃机模型的主要障碍在于缺乏足够的部件特性数据。因此，如何利用少量特性曲线来获得大范围的部件特性曲线，成为性能分析的关键。在此相似理论的基础上进行拓展，在考虑空气可压缩性影响的基础上，对低转速相似理论进行改进，得到新的指数关系修正方程，可以通过这种方式来计算压气机全工况的特性，可以提高压气机特性的预测精度。

发明内容

本发明的目的在于提供一种预测精度高，辨识速度快的用于压气机全工况特性的预测和辨识方法。

本发明的目的是这样实现的：

获取高转速特性线，利用高转速特性线计算低转速特性，用低转速特性和实际特性数据的偏差作为参数寻优的目标函数，构建并获取最优指数k₁、k₂，之后采用优化算法对目标函数进行优化，得到最优指数k₁、k₂的最优值，进而获得最优指数k₁、k₂与转速n的关系；根据已知的喘振边界点和最佳运行点的参数，将各参数拟合成关于转速n的多项式函数，进而求解低转速的特性；最后，利用神经网络方法对计算得到的不同转速情况的下的压气机特性数据进行训练，得到训练好的网络，通过所述训练好的网络进行压气机全工况特性的辨识。

本发明在原有的相似定律的基础上，对相似定律的指数进行了改进，提出了一种新的指数计算方法，该方法的特点在于：利用两条等转速线上所对应的喘振边界点流量压比值与最佳运行点流量效率值计算指数。其中相似定律中所有低转速线的相似目标都选择同一条高转速线。通过这种方法保证了相似定律在喘振边界点和最佳运行点计算的准确性。之后引入了修正系数k₁,k₂对相似定律进行了修正。减小了除在喘振边界点和最佳运行点以外其他点的误差。

利用高转速特性线计算低转速特性，用计算出的低转速特性结果和实际特性数据的偏差作为参数寻优的目标函数，构建并获取最优指数k₁,k₂。之后采用优化算法对目标函数进行优化，求得出k₁,k₂的最优值，进而获得k₁,k₂与转速n的关系。同时根据已知的喘振边界点和最佳运行点的参数，将各参数拟合成关于转速n的多项式函数，进而可以求解低转速的特性。

最后，利用神经网络方法对计算得到的不同转速情况的下的压气机特性数据进行训练，得到训练好的网络，从而通过该网络可以进行压气机全工况特性的辨识，提高了计算速度和计算精度。

本发明具有以下优点：1、本方法不需压气机的某些几何参数和热力学参数，是通过喘振边界点和最佳运行点的参数进行计算的。2、本方法在相似定理的使用中，所有低转速线的相似对象都是同一根高转速线，同一相似目标的选择降低了误差。3、该方法计算精度较高，而且计算速度也很快，适用于实时仿真计算、实时控制等对时间要求比较高的场合。

本发明对于压气机特性线不全或稀疏的情况下，可以对压气机特性进行预测加密和外推，利用神经网络方法进行整体特性的拟合辨识，具有计算精度高和计算速度快的优点，而且在轴流式风机、轴流式透平等轴流式叶轮机械的特性线预测和辨识方面也具有参考意义。

附图说明

图1为压气机全工况特性预测和辨识方法流程。

具体实施方式

下面结合附图举例对本发明进行详细的描述。

(1)相似定律指数改进计算方法

对于泵类叶轮流体机械，低转速区特性存在着如下的相似理论：

上式中，m为质量流量，n为转速，W等熵压缩功。

通过改变转速比的指数值来反应流体的可压缩性，压气机低转速特性的计算结果具有一定的可信性。但是指数的计算过程比较繁琐，有时还需要知道压气机的某些几何参数和热力学参数。

同时相似理论计算出来的结果在喘振边界和最佳运行点存在着一定的误差，因此在原相似定律的基础上，提出了一种新的指数计算方法：选定一根转速线为基准，与其他转速线上所对应的喘振边界点流量压比值与最佳运行点流量效率值计算指数x₁,y与x₂,z，具体如下所示：

(2)引入相似定律修正系数

该方法保证了再喘振边界点和最佳流量点计算的值是准确的，但是流量的增大和减小，误差会增大。为了减小误差，对于公式进行了修正，如下：

其中k₁,k₂为修正系数，m_s,m_opt为同转速下喘振点和最佳运行点对应的流量值。

(3)利用优化算法进行修正系数的求解

选择合适的系数k₁,k₂可以减小流量增大时所产生的压比和效率误差；利用选定的高转速线计算低转速特性，之后用计算出的低转速特性结果与实际特性数据作为参数寻优的目标函数；对于流量压比特性，目标函数为同压比值下计算出的流量值与实际的流量值的偏差；对于流量效率特性，目标函数为同效率值下计算出的流量值与实际值的偏差。

目标函数如下所示：

之后采用差分进化优化算法计算k₁,k₂的最优解；

(4)对求解得到的系数进行曲线拟合

在求解出k₁,k₂的最优解之后，获得k₁,k₂与转速的关系

k₁＝f(n) (12)

k₂＝f(n) (13)

(5)对喘振边界线和最佳运行线进行曲线拟合

将已知转速对应的喘振边界点参数和最佳运行点参数进行拟合，拟合成关于转速n的多项式函数:

m＝f(n) (14)

η＝f(n) (15)

p＝f(n) (16)

(6)根据改进之后的相似定律进行压气机全工况特性预测

获得参数与转速的关系之后，根据关系式可求得压气机全工况转速情况下的喘振边界点与最佳运行点的参数，之后求解不同等折合转速特性线所对应的指数x₁,x₂,y,z。

最后根据公式(4)-公式(9)求解压气机全工况等折合转速线下的压气机特性。

(7)利用神经网络方法进行压气机全工况特性的辨识

神经网络是基于模仿大脑神经网络结构和功能而建立的一种信息处理系统，它成功的应用于人工智能、自动控制、计算机科学、信息处理、模式识别等各个领域。因为神经网络的类型种类繁多，所以对压气机特性拟合的效果以及所适合的变工况计算和仿真过程肯定会有很大的不同。本发明可以用两种常用的前馈反向传播神经网络BP网络和RBF网络(径向基网络)分别对压气机特性曲线进行拟合。

Claims (1)

1.一种用于压气机全工况特性的预测和辨识方法，其特征是：获取高转速特性线，利用高转速特性线计算低转速特性，用低转速特性和实际特性数据的偏差作为参数寻优的目标函数，构建并获取最优指数k₁、k₂，之后采用优化算法对目标函数进行优化，得到最优指数k₁、k₂的最优值，进而获得最优指数k₁、k₂与转速n的关系；根据已知的喘振边界点和最佳运行点的参数，将各参数拟合成关于转速n的多项式函数，进而求解低转速的特性；最后，利用神经网络方法对计算得到的不同转速情况的下的压气机特性数据进行训练，得到训练好的网络，通过所述训练好的网络进行压气机全工况特性的辨识。