CN113657033B - 一种基于模型的燃气轮机多目标优化方法 - Google Patents
一种基于模型的燃气轮机多目标优化方法 Download PDFInfo
- Publication number
- CN113657033B CN113657033B CN202110930575.3A CN202110930575A CN113657033B CN 113657033 B CN113657033 B CN 113657033B CN 202110930575 A CN202110930575 A CN 202110930575A CN 113657033 B CN113657033 B CN 113657033B
- Authority
- CN
- China
- Prior art keywords
- parameters
- population
- constraints
- gas turbine
- limit
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000005457 optimization Methods 0.000 title claims abstract description 43
- 238000000034 method Methods 0.000 title claims abstract description 24
- 238000004364 calculation method Methods 0.000 claims abstract description 15
- 230000035772 mutation Effects 0.000 claims description 15
- 239000000446 fuel Substances 0.000 claims description 12
- 239000003344 environmental pollutant Substances 0.000 claims description 7
- 231100000719 pollutant Toxicity 0.000 claims description 7
- 230000014759 maintenance of location Effects 0.000 claims description 6
- 230000000717 retained effect Effects 0.000 claims description 3
- 230000007614 genetic variation Effects 0.000 abstract 1
- 230000002068 genetic effect Effects 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 230000033228 biological regulation Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/17—Mechanical parametric or variational design
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/04—Constraint-based CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Geometry (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Hardware Design (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Mathematical Analysis (AREA)
- Computational Linguistics (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Biomedical Technology (AREA)
- Pure & Applied Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Feedback Control In General (AREA)
- Control Of Turbines (AREA)
Abstract
本发明的目的在于提供一种基于模型的燃气轮机多目标优化方法，该方法包括进行单一工况模型参数输入，多目标优化方法初始化参数设置，自变量约束判断，优化目标及约束目标计算，约束目标判断，快速非支配排序及拥挤度计算，遗传变异，迭代计算，帕累托解集输出。本发明能够实现对燃气轮机性能实现多目标优化，所输出的帕累托解集能够为燃气轮机的实际运行提供数据支撑。
Description
技术领域
本发明涉及的是一种燃气轮机优化方法。
背景技术
燃气轮机具有功率密度高、燃料适应性强、效率高等优势，广泛应用于航空飞机、船舶动力推进、联合循环发电等领域中。基于优化的燃气轮机控制已成为目前燃气轮机研究热点。实现燃气轮机经济性、排放性、动力性的三方面优化能够有效提高燃气轮机的综合性能。特别是在船舶推进应用中，进行燃气轮机推进的多目标优化研究，有利于实现燃气轮机低耗能、低污染推进。
船舶燃气轮机主要应用于推进或联合发电，其应用场景的多样化导致对其性能有不同的要求。尽管燃气轮机具有较高的功率密度，但是其燃料消耗量大，效率相较于柴油较低，污染物排放严重，特别是近年国际海事组织制定了排放限制标准与能效设计指标，对燃气轮机在船舶上的应用提出了新的要求。同时船舶海上行驶导致燃气轮机工作环境发生显著的变化，同样影响燃气轮机的运行性能。因此，针对运行场景改变、运行要求不同去改善调节燃气轮机工作状态，使其满足运行的要求是目前燃气轮机在船舶上应用的难点，实现燃气轮机经济性、排放性、动力性多目标优化，兼顾燃气轮机运行限制将是亟待解决的问题。
第二代快速非支配多目标优化遗传算法(NSGA-II)能够求解多目标优化问题，且求解计算兼顾了快速性与精确性。该方法在遗传算法的基础上，通过快速非支配排序、拥挤度计算、精英保留策略，实现了多目标优化。该算法对实际工程问题适应性强，应用于基于模型的燃气轮机多目标优化能够给出多目标下的帕累托最优解集。
发明内容
本发明的目的在于提供能实现燃气轮机运行性能的多目标优化，保证燃气轮机在不同应用场景、不同目标需求下安全可靠运行，以提高燃气轮机综合能效，减少污染物排放的一种基于模型的燃气轮机多目标优化方法。
本发明的目的是这样实现的：
本发明一种基于模型的燃气轮机多目标优化方法，其特征是：
(1)确所选的优化工况及模型初始输入参数，模型输入的初始参数包括可转导叶角度，控制器参数，工况负载；
(2)进行多目标优化方法初始参数设置，包括迭代次数、种群大小、目标个数、模拟二进制交叉参数、多项式变异参数、交叉概率、变异概率；
(3)产生初始种群，种群变量包括：可转导叶角度，控制器参数，工况负载；
(4)进行自变量约束判断：判断条件包括可转导叶角度限制、油门调节速度限制、可转导叶角度调节速度限制、进气压力温度限制，其中，油门调节速度限制、可转导叶角度调节速度限制通过约束控制器参数实现，若满足约束则进行步骤(5)，若不满足返回步骤(3)重新产生新种群；
(5)调用燃气轮机模型将种群中变量赋值计算，得出燃气轮机性能指标，其中优化的目标为污染物排放量、燃油消耗量、高低压转子转速；目标约束包括排温约束限制、燃料量约束限制、喘振约束限制、高低压转子转速约束限制；
(6)判断约束目标是否满足约束限制，若满足进行步骤(7)，不满足返回步骤(3)重新产生新种群进行计算；
(7)进行快速非支配排序操作及拥挤度计算；
(8)根据交叉变异概率执行种群交叉变异操作；
(9)根据步骤(7)计算出的拥挤度进行精英保留策略，依据非支配排序优先级，淘汰较差的解，将保留下来的解与交叉变异解产生新的种群；
(10)判断是否满足设定的迭代次数，若满足则输出当前解集为帕累托最优解集，若不满足则返回步骤(3)将新种群再次进行步骤(4)-(10)多目标优化操作，直到满足迭代次数，输出帕累托最优解集。
本发明的优势在于：
1.本发明提出一种基于模型的燃气轮机多目标优化方法，通过第二代快速非支配多目标遗传算法结合燃气轮机模型对燃气轮机性能进行优化，能够实现燃气轮机经济性、动力性、排放性三者之间的最佳折衷，有利于提升燃气轮机运行性能，相较于采用模型调试的传统方法，该方法效率高，最优解精确，在模型精确的前提下，能够对燃气轮机的实际运行提供优化方案。
2.本发明将燃气轮机可转导叶角度，所需优化工况，模型控制器参数作为优化变量，兼顾了燃气轮机所有的可控变量，以污染物排放量、燃油消耗量、高低压转子转速作为优化指标，综合考虑了燃气轮机的经济性、动力性、排放性。
3.本发明将可转导叶角度限制、油门调节速度限制、可转导叶角度调节速度限制、进气压力温度限制作为约束，这些约束将影响其燃烧做功的性能，限制其性能有利于从根本上减少排放提高经济性，提高燃气轮机运行性能。
4.本发明提出了约束目标的概念，即通过对模型计算出的结果进行约束，考虑了燃气轮机运行的排温约束限制、燃料量约束限制、喘振约束限制、高低压转子转速约束限制，有利于保证燃气轮机安全可靠运行。
5.本发明采用第二代快速非支配多目标遗传算法，算法求解速度快，求解精确，对燃气轮机运行的实际问题适应性强，优化的解集具有可行性。
附图说明
图1为本发明的流程图。
具体实施方式
下面结合附图举例对本发明做更详细地描述：
结合图1，本发明提出的一种基于模型的燃气轮机多目标优化方法按照图1所示流程进行优化。具体流程分以下步骤
(1)确所选的优化工况及模型初始输入参数，模型输入的初始参数包括：可转导叶角度，控制器参数，工况负载。
(2)进行多目标优化方法初始参数设置，包括：迭代次数、种群大小、目标个数、模拟二进制交叉参数、多项式变异参数、交叉概率、变异概率。
(3)产生初始种群，种群变量包括：可转导叶角度，控制器参数，工况负载。
(4)进行自变量约束判断：判断条件包括：可转导叶角度限制、油门调节速度限制、可转导叶角度调节速度限制、进气压力温度限制，其中，油门调节速度限制、可转导叶角度调节速度限制是通过约束控制器参数实现。若满足约束则进行第(5)步，若不满足返回(3)重新产生新种群。
(5)调用燃气轮机模型将种群中变量赋值计算，得出燃气轮机性能指标，其中优化的目标为污染物排放量、燃油消耗量、高低压转子转速；目标约束包括排温约束限制、燃料量约束限制、喘振约束限制、高低压转子转速约束限制。
(6)判断约束目标是否满足约束限制，若满足进行(7)步，不满足返回(3)重新产生新种群进行计算。
(7)进行快速非支配排序操作及拥挤度计算。
(8)根据交叉变异概率执行种群交叉变异操作。
(9)根据(7)计算出的拥挤度进行精英保留策略，依据非支配排序优先级，淘汰较差的解，将保留下来的解与交叉变异解产生新的种群。
(10)判断是否满足设定的迭代次数，若满足则输出当前解集为帕累托最优解集，若不满足则返回(3)将新种群再次进行(4)-(10)多目标优化操作，直到满足迭代次数，输出帕累托最优解集。
本发明提供的一种基于模型的燃气轮机多目标优化方法，进行单一工况模型参数输入，多目标优化方法初始参数设置，初始种群产生，自变量约束判断，优化目标值及约束目标值计算，约束目标值限制判断，快速非支配排序及拥挤度计算，执行选择交叉变异操作，精英保留策略，形成新种群，迭代次数判断，帕累托最优解集输出。
整体流程为首先针对单一工况进行模型参数的设置与多目标优化方法初始参数设置，多目标优化方法产生需要优化的自变量组成的初始变量种群，所产生的初始种群进行自变量的约束判断，如果不满足约束条件则重新产生种群，如果满足约束，则将初始种群变量赋值到模型进行优化目标值与约束目标值的计算。下一步针对约束目标值进行约束条件判断，如果不满足约束，则返回重新产生初始种群直到满足约束条件。满足约束条件的种群依次进行快速非支配排序与拥挤度计算、选择交叉变异操作、精英保留策略保留较好的优选解组成新的种群，判断是否满足迭代次数，若满足输出帕累托最优解集，若不满足产生的新种群返回到自变量条件判断模块重新进行多目标优化直到满足迭代次数。
单一工况模型参数输入包括：燃气轮机可转导叶角度，所需优化工况，模型控制器参数。
所述多目标优化方法为第二代快速非支配遗传算法，其初始值参数设置包括：迭代次数、种群大小、目标个数、模拟二进制交叉参数、多项式变异参数、交叉概率、变异概率。
方法中约束包括自变量约束与目标约束。所述自变量约束包括：可转导叶角度限制、油门调节速度限制、可转导叶角度调节速度限制、进气压力温度限制，其中，油门调节速度限制、可转导叶角度调节速度限制是通过约束控制器参数实现。
目标约束包括排温约束限制、燃料量约束限制、喘振约束限制、高低压转子转速约束限制，这些约束是通过模型计算得出目标值之后再进行约束处理。
优化的目标为污染物排放量、燃油消耗量、高低压转子转速，利用三者目标进行下一步的快速非支配排序与拥挤度计算。
Claims (1)
1.一种基于模型的燃气轮机多目标优化方法，其特征是：
(1)确所选的优化工况及模型初始输入参数，模型输入的初始参数包括可转导叶角度，控制器参数，工况负载；
(2)进行多目标优化方法初始参数设置，包括迭代次数、种群大小、目标个数、模拟二进制交叉参数、多项式变异参数、交叉概率、变异概率；
(3)产生初始种群，种群变量包括：可转导叶角度，控制器参数，工况负载；
(4)进行自变量约束判断：判断条件包括可转导叶角度限制、油门调节速度限制、可转导叶角度调节速度限制、进气压力温度限制，其中，油门调节速度限制、可转导叶角度调节速度限制通过约束控制器参数实现，若满足约束则进行步骤(5)，若不满足返回步骤(3)重新产生新种群；
(5)调用燃气轮机模型将种群中变量赋值计算，得出燃气轮机性能指标，其中优化的目标为污染物排放量、燃油消耗量、高低压转子转速；目标约束包括排温约束限制、燃料量约束限制、喘振约束限制、高低压转子转速约束限制；
(6)判断约束目标是否满足约束限制，若满足进行步骤(7)，不满足返回步骤(3)重新产生新种群进行计算；
(7)进行快速非支配排序操作及拥挤度计算；
(8)根据交叉变异概率执行种群交叉变异操作；
(9)根据步骤(7)计算出的拥挤度进行精英保留策略，依据非支配排序优先级，淘汰较差的解，将保留下来的解与交叉变异解产生新的种群；
(10)判断是否满足设定的迭代次数，若满足则输出当前解集为帕累托最优解集，若不满足则返回步骤(3)将新种群再次进行步骤(4)-(10)多目标优化操作，直到满足迭代次数，输出帕累托最优解集。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110930575.3A CN113657033B (zh) | 2021-08-13 | 2021-08-13 | 一种基于模型的燃气轮机多目标优化方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110930575.3A CN113657033B (zh) | 2021-08-13 | 2021-08-13 | 一种基于模型的燃气轮机多目标优化方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113657033A CN113657033A (zh) | 2021-11-16 |
| CN113657033B true CN113657033B (zh) | 2023-07-28 |
Family
ID=78479882
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110930575.3A Active CN113657033B (zh) | 2021-08-13 | 2021-08-13 | 一种基于模型的燃气轮机多目标优化方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113657033B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114690038B (zh) * | 2022-06-01 | 2022-09-20 | 华中科技大学 | 一种基于神经网络的电机故障识别方法、系统及存储介质 |
| CN115017821B (zh) * | 2022-06-21 | 2024-07-05 | 北京理工大学 | 一种直线内燃发电系统匹配设计方法及系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106150899A (zh) * | 2015-04-21 | 2016-11-23 | 兰州交通大学 | 一种前端调速式风电机组功率优化控制方法 |
| CN106874542A (zh) * | 2017-01-04 | 2017-06-20 | 滨州东瑞机械有限公司 | 一种液力透平叶轮多工况多目标优化设计方法 |
| CN108053069A (zh) * | 2017-12-15 | 2018-05-18 | 南京工程学院 | 一种适用于多目标优化场景的综合能源系统运行调度方法 |
| CN109858093A (zh) * | 2018-12-28 | 2019-06-07 | 浙江工业大学 | Svr神经网络辅助的非支配排序遗传算法的空气源热泵多目标优化设计方法 |
-
2021
- 2021-08-13 CN CN202110930575.3A patent/CN113657033B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106150899A (zh) * | 2015-04-21 | 2016-11-23 | 兰州交通大学 | 一种前端调速式风电机组功率优化控制方法 |
| CN106874542A (zh) * | 2017-01-04 | 2017-06-20 | 滨州东瑞机械有限公司 | 一种液力透平叶轮多工况多目标优化设计方法 |
| CN108053069A (zh) * | 2017-12-15 | 2018-05-18 | 南京工程学院 | 一种适用于多目标优化场景的综合能源系统运行调度方法 |
| CN109858093A (zh) * | 2018-12-28 | 2019-06-07 | 浙江工业大学 | Svr神经网络辅助的非支配排序遗传算法的空气源热泵多目标优化设计方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113657033A (zh) | 2021-11-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113657033B (zh) | 一种基于模型的燃气轮机多目标优化方法 | |
| CN104408260B (zh) | 一种潮流能水轮机叶片翼型设计方法 | |
| CN104317997A (zh) | 一种高负荷风扇/压气机端壁造型优化设计方法 | |
| CN109973175A (zh) | 柴油机颗粒捕集器再生时的温度控制方法 | |
| CN115329528A (zh) | 一种基于贝塞尔曲线的动力涡轮柳条叶型成型方法 | |
| CN112084589A (zh) | 基于轴面流速控制的轴贯流式水轮机转轮叶片优化方法 | |
| CN111911307A (zh) | 变海拔柴油机二级可调增压系统、喷油系统与冷却系统优化匹配方法 | |
| CN112731873B (zh) | 高炉联合循环系统与燃烧后碳捕集系统的协调控制方法 | |
| CN114954841B (zh) | 一种船舶动力匹配的船-机-桨功率实时匹配方法及设备 | |
| Kirankumar et al. | Experimental investigation and optimization of performance, emission, and vibro-acoustic parameters of SI engine fueled with n-propanol and gasoline blends using ANN-GA coupled with NSGA3-modified TOPSIS hybrid approach | |
| CN116011359A (zh) | 一种抑制水轮机叶道空化涡的水力优化方法 | |
| Liu et al. | Study on prediction model of diesel engine with regulated two-stage turbocharging system based on hybrid genetic algorithm-particle swarm optimization method at different altitudes | |
| CN113705890B (zh) | 一种基于近似模型的柴油机排放污染物控制方法 | |
| CN205207005U (zh) | 一种大型柴油机尾气循环处理系统 | |
| CN118484875A (zh) | 一种基于粒子群的船舶发动机数字孪生方法 | |
| CN104564354A (zh) | 一种航空发动机寿命延长控制器设计方法 | |
| CN106762181B (zh) | 一种基于神经网络的瞬态egr控制方法 | |
| CN115098959A (zh) | 一种燃气轮机高压涡轮导叶设计方法 | |
| CN114861309A (zh) | 车辆排放标定方法及装置 | |
| CN113777919A (zh) | 一种基于nsga-ⅱ遗传算法的自抗扰控制的串级燃气轮机功率控制方法 | |
| Wang et al. | Integrated Machine Learning-Based Intelligent Optimization for Clean and Efficient Operation of Diesel Engines and Diesel Particulate Filters in Dual Modes | |
| CN108691665A (zh) | 一种提高柴油机可承受排气背压上限的装置及方法 | |
| Yang et al. | Simulation Research on Variable Geometry Turbocharging System of Diesel Engine | |
| Ba et al. | Research on Intelligent Hull Design Algorithm in Ship Optimization and Energy Saving Technology | |
| Hu et al. | Performance Optimization and Thermal Conditions Analysis Optimizations Based on Genetic Algorithm for a Marine Low-speed Diesel Engine |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |