CN113420404A - 一种燃气轮机性能仿真自适应方法 - Google Patents
一种燃气轮机性能仿真自适应方法 Download PDFInfo
- Publication number
- CN113420404A CN113420404A CN202110412226.2A CN202110412226A CN113420404A CN 113420404 A CN113420404 A CN 113420404A CN 202110412226 A CN202110412226 A CN 202110412226A CN 113420404 A CN113420404 A CN 113420404A
- Authority
- CN
- China
- Prior art keywords
- turbine
- gas turbine
- analytic solution
- characteristic
- solution
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 72
- 238000004088 simulation Methods 0.000 title claims abstract description 51
- 239000002245 particle Substances 0.000 claims abstract description 58
- 238000005457 optimization Methods 0.000 claims abstract description 35
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 28
- 230000003044 adaptive effect Effects 0.000 claims abstract description 20
- 238000010586 diagram Methods 0.000 claims abstract description 18
- 230000008569 process Effects 0.000 claims description 15
- 238000005259 measurement Methods 0.000 claims description 13
- 239000013598 vector Substances 0.000 claims description 9
- 239000000446 fuel Substances 0.000 claims description 7
- 230000009467 reduction Effects 0.000 claims description 5
- 238000005520 cutting process Methods 0.000 claims description 4
- 230000007613 environmental effect Effects 0.000 claims description 3
- 230000001133 acceleration Effects 0.000 claims description 2
- 238000011156 evaluation Methods 0.000 claims description 2
- 238000012423 maintenance Methods 0.000 abstract description 5
- 238000004519 manufacturing process Methods 0.000 abstract description 4
- 238000003745 diagnosis Methods 0.000 abstract description 2
- 230000007812 deficiency Effects 0.000 abstract 1
- 239000013589 supplement Substances 0.000 abstract 1
- 239000000243 solution Substances 0.000 description 92
- 230000006870 function Effects 0.000 description 8
- 230000006978 adaptation Effects 0.000 description 7
- 238000013461 design Methods 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012625 in-situ measurement Methods 0.000 description 2
- 230000003872 anastomosis Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000003592 biomimetic effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 239000012086 standard solution Substances 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Software Systems (AREA)
- Mathematical Optimization (AREA)
- Operations Research (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Algebra (AREA)
- Geometry (AREA)
- Databases & Information Systems (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Biology (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
准确的性能仿真对于燃气轮机预警和自适应诊断至关重要,而性能仿真精度取决于部件特性图的准确性。本专利针对燃气轮机的制造公差、装配和检修操作造成的部件特性图偏差,提出一种基于粒子群算法的性能仿真自适应方法。选择通用解析解作为部件特性图的解析式,提取通用解析解关键敏感系数,定义为更新因子。采用基于改进粒子群优化算法的更新因子优化方法,成功确定改进通用解析解的精确表达式。该方法可以补充当前部件特性参数非线性关系识别手段的不足,提高燃气轮机性能仿真精度,为燃气轮机早期预警和自适应诊断提供理论支撑。
Description
技术领域
本发明涉及燃气轮机性能仿真、自适应领域,特别是性能仿真自适应。
背景技术
准确的性能预测对于燃气轮机预警和自适应诊断至关重要,而性能预测与部件特性图的准确性高度相关。
部件特性图是昂贵的试验台测试的结果,是燃气轮机制造商的专有信息,燃气轮机客户无法获得实际的部件特性图,部件用户可能获得同型号燃气轮机的通用部件特性图。然而,由于燃气轮机的制造公差、装配和检修的结果存在微小差异,同型号燃气轮机的部件特性图也必然存在差异。此外,发动机维护或检修时进行的拆卸或改装操作,也会影响真实部件特性图的形状。部分燃气轮机用户无法获取燃气轮机部件特性图,只能获得部分燃气轮机性能离散数据,甚至只能获取燃气轮机性能仿真数据。因此部件特性参数之间的非线性关系仍值得进一步研究。
发明内容
鉴于此,本专利设计了一种燃气轮机性能仿真自适应方法,选择通用解析解作为部件特性图的解析式,提取通用解析解关键敏感系数,定义为更新因子,采用基于改进粒子群优化算法的更新因子优化方法,成功确定改进通用解析解的精确表达式,通过该方案可实现部件特性图的自适应,技术方案内容如下:
1.一种燃气轮机性能仿真自适应方法,通过提取通用解析解关键敏感参数,定义为更新因子,基于粒子群算法优化更新因子,确定改进通用解析解,准确捕捉部件特性参数的非线性关系,其特征在于,该方法包括如下步骤:
1)选取鲁棒性强的通用解析解作为燃气轮机部件特性图的初始表达式,通用解析解包括压气机通用解析解、燃气涡轮通用解析解和动力涡轮通用解析解,各部件通用解析解分别由流量解析解和等熵效率解析解组成,通过切割类抛物线二维曲面描述压气机质量流量特性,采用弗吕格尔公式描述涡轮的质量流量特性,各部件的等熵效率特性均采用完整的类抛物线二维曲线描述。
2)提取通用解析解关键敏感参数,定义为更新因子,选择附属系数(αt,mt,pt)作为压气机质量流量解析解的更新因子,将压气机效率解析解的常量系数1.54和0.54转换为变量系数(γt和γt-1)并定义为压气机效率特性更新因子,将涡轮质量流量解析解的常量0.232转换为变量系数χt并定义为涡轮质量流量特性更新因子,将涡轮效率解析解的常量1.61和0.61转换为变量系数(φt和φt-1)并定义为涡轮效率特性更新因子,动力涡轮特性更新因子与涡轮保持一致。
3)粒子群算法的加速度常数c1和c2设置为c1=c2=1.2,r1和r2设置为0到1范围内的随机值,种群数设为60,代数设为80,改进传统的粒子群算法,为惯性权重W增加约束,限制惯性权重从最大惯性权重Wmax线性减小到最小惯性权重Wmin,搜索部件特性更新因子全局最优值。
4)部件特性更新因子寻优,采用改进粒子群算法调整部件特性更新因子,匹配参考燃气轮机性能实测数据,直到适应度达到要求精度或者达到最大代数,αi的寻优范围从αi到αi+3δk,mt的寻优范围从mt-δk到mt+δk,pt的寻优范围从pt-δk到pt+δk,γt的寻优范围从γt-δk到γt+δk,χt的寻优范围从χt-δk到χt+δk,φt的寻优范围从φt-δk到φt+δk,δk=1。
2.根据权利要求1所示的一种燃气轮机性能仿真自适应方法,其特征在于,所述步骤1中,
选取鲁棒性强的通用解析解作为燃气轮机部件特性图的初始表达式,采用通用解析解表征折合转速(nc,nt)、压比(πc,πt)、折合流量(Gc,Gt)和等熵效率(ηc,ηt)等参数之间的数学关系,形如G=f(n,π)和η=g(n,G),通用解析解包括压气机通用解析解、燃气涡轮通用解析解和动力涡轮通用解析解,各部件通用解析解分别由流量解析解和等熵效率解析解组成,通过切割类抛物线二维曲面描述压气机质量流量特性,采用弗吕格尔公式描述涡轮的质量流量特性,各部件的等熵效率特性均采用完整的类抛物线二维曲线描述,通用解析解采用归一化折合参数(例如归一化折合流量表示,
1)压气机通用解析解
2)涡轮通用解析解
动力涡轮通用解析解形式与涡轮一致,不再赘述。
3.根据权利要求1所示的一种燃气轮机性能仿真自适应方法,其特征在于,所述步骤2中,
提取燃气轮机各部件通用解析解关键敏感参数,定义为更新因子,
1)选择附属系数(αt,mt,pt)作为压气机质量流量解析解的更新因子,公式如下,
αt=(αi+3δk)·e-q (6)
mt=(mi+δk)·e-q (8)
p=pt=(pi+δk)·e-q (9)
其中αi=0.1,mi=1.25,pi=0.5,δk=0.1。
2)将压气机效率解析解的常量系数1.54和0.54转换为变量系数(γt和γt-1)并定义为压气机效率特性更新因子,公式如下,
γt=(γi+δk)·e-q (11)
其中γi=1.54,δk=0.1。
3)将涡轮质量流量解析解的常量0.232转换为变量系数χt并定义为涡轮质量流量特性更新因子,同时将涡轮效率解析解的常量1.61和0.61转换为变量系数(φt和φt-1)并定义为涡轮效率特性更新因子,公式如下,
χt=(χi+δk)·e-q (13)
其中χi=0.232,δk=0.1。
φt=(φi+δk)·e-q (15)
其中φi=1.61,δk=0.1。
动力涡轮特性更新因子与涡轮保持一致。
4.根据权利要求1所示的一种燃气轮机性能仿真自适应方法,其特征在于,所述步骤3中:
采用粒子群算法搜索更新因子,每个粒子的位置和速度通过跟踪两个极值,即个体最优pBest和全局最优gBest,公式如下,
其中c1和c2是加转速常数,通常设置为c1=c2=1.2;r1和r2是0到1范围内的随机值;W是惯性重量,其值设置在0.1到0.9范围内。是第ith粒子在第(k+1)th代中的转速;显示每个粒子的位置;是粒子最佳位置上每个粒子的前一个最佳位置,gBestk是所有粒子的最佳位置,
改进传统的粒子群算法,为惯性权重W增加约束,限制惯性权重从最大惯性权重Wmax线性减小到最小惯性权重Wmin,公式如下,
其中,iter是当前的代编号;itermax是总的代编号,
通过不断更新位置,粒子在解空间中趋向最优解的位置,完成搜索过程,最终输出更新因子的全局最优解。
5.根据权利要求1所示的一种燃气轮机性能仿真自适应方法,其特征在于,所述步骤4中:
1)燃气轮机性能模型整定,直到它们在相同的环境条件和燃油流量下准确预测发动机性能,假定没有测量噪声或偏差的情况下的发动机性能表示为,
Y=f(X,u) (19)
其中,Y表示发动机性能向量,由不同发动机气路位置的压力和温度等测量值组成,即Y=[P,T],部件特征向量包括不可测量的量,例如折合质量和效率,即X=[G,η,n,π],u由环境条件和燃油流量组成的,称为发动机模型控制变量(u=[Pamb,Tamb,handle]),该参数用作发动机性能仿真的模型的输入,根据所选的仿真方法,控制变量可以是动力涡轮机输出的有用功率Ppt、折合转速Ncor或任何其他变量,
2)采用改进粒子群算法调整部件特性更新因子,匹配参考燃气轮机性能实测数据,直到适应度达到要求精度或者达到最大代数,调整独立参数向量X,实现燃气轮机模型输出参数Y和参考燃气轮机输出参数Yr之间差值的最小化,评估预测Y和观测测量Yr之间差异的目标函数如下,
其中n表示测量参数的总数,γi表示测量参数的相对误差,Yi-Yri表示模型仿真数据Yi和现场测量数据Yri之间的差值,现场测量数据Yri选用燃气轮机连续加载过程的性能测量数据,
3)适应度精度设置为eps=1×10-1,αi的寻优范围从αi到αi+3δk,mt的寻优范围从mt-δk到mt+δk,pt的寻优范围从pt-δk到pt+δk,γt的寻优范围从γt-δk到γt+δk,χt的寻优范围从χt-δk到χt+δk,φt的寻优范围从φt-δk到φt+δk,δk=1。
有益效果
(1)本发明选取通用解析解燃气轮机性能仿真模型的初始部件特性图,可覆盖部件特性全转速范围,可实现全工况性能仿真自适应。
(2)提取通用解析解关键敏感系数,定义为更新因子,可以更为准确地捕捉燃气轮机压气机,涡轮,动力涡轮部件的复杂非线性特性,降低燃气轮机制造公差,装配和检修操作造成的特性偏差。
(3)改进粒子群算法的惯性权重系数,最终输出更新因子的全局最优解。克服传统的粒子群算法在收敛到最优更新因子附近来回跳动的局限性。
(4)采用基于改进粒子群优化算法的更新因子优化方法,成功确定改进通用解析解的精确表达式,可以补充当前部件特性参数非线性关系识别手段的不足,提高燃气轮机性能仿真精度,为燃气轮机早期预警和自适应诊断提供理论支撑。
附图说明
图1性能仿真自适应方法的流程图
图2燃气轮机性能模型示意图
图3现场测量参数
图4粒子群优化算法收敛图
图5现场燃气轮机加载过程的实测数据
图6不同适应方法的预测趋势比较
图7不同自适应方法的预测误差比较
具体实施方式
下面对本发明的燃气轮机性能仿真自适应方法作进一步介绍。
1、燃气轮机部件特性通用解析解
通过构造通用解析解来表示同型号燃气轮机的部件性能,可以准确地捕捉部件特性图的形状,表征折合转速(nc,nt)、压比(πc,πt)、折合流量(Gc,Gt)和等熵效率(ηc,ηt)等参数之间的数学解析关系。解析关系是关于折合参数的函数,即G=f(n,π)和η=g(n,G)。另一种表示等熵效率η=h(n,π)的方式是将其表征为折合转速n和压力比π的函数,这种方式对于高速区域几乎垂直的转速线是有利的。燃气轮机的通用解析解包括流量解析解和等熵效率解析解,均为三维曲面形式。压气机和透平的流量特性图形状明显不同,而效率特性图相似。
准确的部件解析解是燃气轮机性能准确仿真的前提。首先,它们必须足够简明,否则可能无法推导出整个运行条件的显式解析解。其次,作为标准解,部件的解析解应尽可能接近典型的实用解析解。如何在这两个因素之间进行权衡,是推导出同型号燃气轮机通用解析解的关键。部件性能表达式可能有多种形式。本专利选用的通用解析解采用归一化折合参数(例如归一化折合流量本专利以分轴燃气轮机为例详细描述通用解析解。
1)压气机通用解析解
2)涡轮通用解析解
与压气机部件特性相比,透平部件特性形状更为均匀,因为透平大部分时间都是在阻塞状态下运行的。因此,构造涡轮解析解在数学上比压气机解析解更简单。采用改进的弗吕格尔公式近似描述涡轮的质量流量特性。本专利给出了涡轮折合转速压比折合流量和等熵效率的解析式。公式如下:
2、通用解析解更新因子提取
为实现全转速范围内通用解析解的非线性匹配特性,同时进一步减小燃气轮机制造、装配公差和检修带来的偏差,对初始的燃气轮机通用解析解进行了更新。首先定义了更新因子,包括压气机、透平和动力透平的更新因子。由于涡轮和动力涡轮的解析解相似,这里只给出了涡轮更新因子。
压气机的质量流量特性系数(α,m,p)被设计为更新因子(αt,mt,pt),以有效地适应解析解。公式如下:
αt=(αi+3δk)·e-q (6)
mt=(mi+δk)·e-q (8)
p=pt=(pi+δk)·e-q (9)
其中αi=0.1,mi=1.25,pi=0.5,δk=0.1。
将压气机效率特性的常量变化定义为更新因子(γt),以有效地适应部件特性偏差。公式如下:
γt=(γi+δk)·e-q (11)
其中γi=1.54,δk=0.1。
类似地,定义了涡轮(χt,φt)的更新因子,以有效地适应部件特性偏差。公式如下:
χt=(χi+δk)·e-q (13)
其中χi=0.232,δk=0.1。
φt=(φi+δk)·e-q (15)
其中φi=1.61,δk=0.1。
3、粒子群算法改进
粒子群优化(PSO)是一种源于鸟群集体行为的仿生启发算法,由一组称为种群的粒子组成的,每个粒子代表一个候选解。粒子的元素表示要优化的参数。粒子以指定的速度在解空间中更新,以搜索最优解。每个粒子都有一个记忆,帮助它跟踪之前的最佳位置。每个粒子的位置被区分为个体最佳pBest和全局最佳gBest;在解空间中更新时,每个粒子的速度根据其历史记忆和其邻近记忆进行调整。粒子的每一次更新都受到其对先前有用参数的记忆、其当前位置以及群体的群体记忆的影响。因此,在搜索过程中,粒子倾向于移动至优化的搜索区域。
在搜索过程中,每个粒子的位置和速度通过跟踪两个极值,即个体最优pBest和全局最优gBest。公式如下:
其中c1和c2是加转速常数,通常设置为c1=c2=1.2;r1和r2是0到1范围内的随机值;W是惯性重量,其值设置在0.1到0.9范围内。Vi k+1是第ith粒子在第(k+1)th代中的转速;显示每个粒子的位置;是粒子最佳位置上每个粒子的前一个最佳位置,gBestk是所有粒子的最佳位置。
通过不断更新位置,粒子在解空间中趋向最优解的位置,完成搜索过程,最终输出全局最优解。
与遗传算法相比,PSO算法没有交叉和变异操作,算法结构更简单,计算转速更快。然而,传统的粒子群算法在搜索过程结束时容易出现在全局最优解附近来回搜索的现象。为了解决这个问题,在搜索过程中,惯性权重W可以从最大惯性权重Wmax线性减小到最小惯性权重Wmin,因为相对较大的惯性权重有利于全局搜索,而相对较小的惯性权重有利于局部搜索。公式如下:
其中,iter是当前的代编号;itermax是总的代编号。
4、部件特性更新因子寻优
针对燃气轮机性能仿真自适应问题,提出了一种基于通用解析解和粒子群优化的性能仿真自适应方法,该方法方法的整个框架如图1所示。
性能仿真自适应与性能逆向分析有关,在性能逆向分析中,对通用解析解方案进行了调整,直到它们在相同的环境条件和燃油流量下准确预测发动机性能。通常,假定没有测量噪声或偏差的情况下的发动机性能表示为:
Y=f(X,u) (19)
其中,Y表示发动机性能向量,由不同发动机气路位置的压力和温度等测量值组成,即Y=[P,T]。部件特征向量包括不可测量的量,例如折合质量和效率,即X=[G,η,n,π],u由环境条件和燃油流量组成的,称为发动机模型控制变量(u=[Pamb,Tamb,handle]),该参数用作发动机性能仿真的模型的输入。根据所选的仿真方法,控制变量可以是动力涡轮机输出的有用功率Ppt、折合转速Ncor或任何其他变量。
燃气轮机性能参数通过在役燃气轮机的实测数据表示,或者通过燃气轮机模型仿真结果表示。为了本专利提出的方法进行测试,参考燃气轮机是一个燃气轮机模型,该模型内置基于本专利方法的初始通用解析解。相反,燃气轮机模型采用改进通用解析解。参考燃气轮机将初始通用解析解离散化为二维插值表,用以确定折合质量流量和压气机的等熵效率。
图1中描述的性能仿真自适应方法通过调整独立参数向量X,实现燃气轮机模型输出参数Y和参考燃气轮机输出参数Yr之间差值的最小化。为了评估预测Y和观测测量Yr之间的差异,本专利定义目标函数如下:
约束函数为:式(6),(8),(9),(11),(13),(15)。
其中n表示测量参数的总数。γi表示测量参数的相对误差。Yi-Yri表示模型仿真数据Yi和现场测量数据Yri之间的差值。由于上述自适应过程涉及多个测量参数,因此对目标函数进行了修改。待匹配的测量参数的数量取决于测试案例本身,本专利选用全部测量参数进行参数寻优。
改进粒子群优化算法可实现目标函数最小化,能有效地搜索起始点的邻域,并收敛到目标函数的全局最小值。在数学上可能有多种解决方案,因为改进粒子群优化算法的寻优结果未必是全局最小值。为解决上述限制,首先实现燃气轮机设计点的匹配,然后再对非设计点进行匹配。另一种方案是不对优化过程的子系数设置任何约束,该方案可以增加搜索空间。优化算法成功实施的最后一个条件是达到最大迭代次数前得到最优解收敛。上述步骤可以确保所获得的解是(的)的全局最小值。
本专利提出的方法假定存在初始通用解析解。对燃气轮机模型中内置的初始通用解析解与参考燃气轮机的实际部件特性图之间没有相似性要求。由于部件特性曲线受数学解析控制,因此该方法能够重建任意形状的部件特性图。现将自适应过程描述如下:
1.从公开文献或其他来源中选择初始通用解析解。
2.调整循环参考点,使部件性能参数的标准值(Gmap,ηmap,πmap)在额定工况下与参考燃气轮机的设计点性能(Gdes,ηdes,πdes)吻合。
3.分析初始通用解析解,为每个部件特性图选择合适的更新因子。通常选择通用解析解的系数作为更新因子。
4.在燃气轮机模型中,将通用解析解与初始通用解析解的更新因子进行整合。
5.基于参考燃气轮机的实测参数调整适配过程中的更新因子,进而修改适配的分析解以匹配所有实测参数。值得注意的事,在实施自适应过程之前,燃气轮机仿真参数与参考发动机的测量值存在明显偏差。另外在某些情况下,调用粒子群算法之前,发动机模型可能无法收敛。
最终得到的通用解析解是改进通用解析解,能够输出与现场实测数据相同的结果。得到的通用解析解仅是未知部件特性曲线的近似值,因为存在许多未考虑的不确定性,如测量噪声和湿度。
5、基于燃气轮机性能模型和某分轴燃气轮机性能监测数据验证本专利的有效性,燃气轮机性能模型如图2所示,燃气轮机性能测量参数如图3所示,燃气轮机性能模型在Matlab/Simulink环境下开发,并且通过实测数据进行了验证。燃气轮机的现场测量位置如图3所示,其中表示输出参数,表示控制参数。利用改进粒子群优化算法从通用解析解中提取最优更新因子。优化过程的收敛性如图4所示,其中第73代达到最小适应值0.94%。在全局优化过程中,适应度单调下降,说明优化过程进一步减小了更新因子带来的误差。
为了评估本专利提出的UGAS方法的准确性,与特性图缩放法和特性图生成法进行了比较。为了在更大运行范围内评估本专利的方法,选择燃气轮机加载过程中的实测数据,其中将燃料质量流量Gf,压气机入口温度T1和压气机入口压力P1作为燃气轮机模型的输入参数,如图5所示。
基于三种自适应方法的仿真趋势图,如图6所示,从趋势匹配性角度看,本专利提出的适应方法是匹配效果最好,在整个转速区域性能仿真趋势与现场实测数据的匹配性均优于其他两种自适应方法。另外,新提出的方法最大无法也发生在低速区域。
上述三种自适应方法的仿真误差如图7所示。当工作点远离设计点时,特性图缩放法的燃气轮机模型预测误差会增加。这是因为该方法成功应用的前提是,待调整的部件特性图的形状与参考燃气轮机使用的部件特性图形状非常相似。另一方面,特性图生成法的仿真误差呈二次抛物线分布,低速和高速区域的偏差主要由椭圆曲线两侧边缘附近的特定形状造成。UGAS方法的仿真误差分布更加平衡,并且该误差在全工况范围内低于前述两种自适应方法。
从图7可以看出,特性图缩放法的仿真误差峰值在-6.9%至4.3%的范围内,特性图生成法的仿真误差峰值在-5.32%至5.12%的之间,而新近提出的UGAS方法仿真误差峰值在-1.55%至1.6%的范围内,其中燃气轮机模型的涡轮出口压力仿真误差峰值最小,为1.3%。另一方面,压气机出口压力仿真误差最大,为1.6%。
总之,基于UGAS方法的燃气轮机性能仿真,在设计点和非设计点仿真误差同时降低。此外,所提出的UGAS方法在仿真精度由于前述两种自适应方法,克服可现有自适应方法的局限性,为燃气轮机部件自适应提供了理论依据。
Claims (5)
1.一种燃气轮机性能仿真自适应方法,通过提取通用解析解关键敏感参数,定义为更新因子,基于粒子群算法优化更新因子,确定改进通用解析解,准确捕捉部件特性参数的非线性关系,其特征在于,该方法包括如下步骤:
1)选取鲁棒性强的通用解析解作为燃气轮机部件特性图的初始表达式,通用解析解包括压气机通用解析解、燃气涡轮通用解析解和动力涡轮通用解析解,各部件通用解析解分别由流量解析解和等熵效率解析解组成,通过切割类抛物线二维曲面描述压气机质量流量特性,采用弗吕格尔公式描述涡轮的质量流量特性,各部件的等熵效率特性均采用完整的类抛物线二维曲线描述,
2)提取通用解析解关键敏感参数,定义为更新因子,选择附属系数(αt,mt,pt)作为压气机质量流量解析解的更新因子,将压气机效率解析解的常量系数1.54和0.54转换为变量系数(γt和γt-1)并定义为压气机效率特性更新因子,将涡轮质量流量解析解的常量0.232转换为变量系数χt并定义为涡轮质量流量特性更新因子,将涡轮效率解析解的常量1.61和0.61转换为变量系数(φt和φt-1)并定义为涡轮效率特性更新因子,动力涡轮特性更新因子与涡轮保持一致,
3)粒子群算法的加速度常数c1和c2设置为c1=c2=1.2,r1和r2设置为0到1范围内的随机值,种群数设为60,代数设为80,改进传统的粒子群算法,为惯性权重W增加约束,限制惯性权重从最大惯性权重Wmax线性减小到最小惯性权重Wmin,搜索部件特性更新因子全局最优值,
4)部件特性更新因子寻优,采用改进粒子群算法调整部件特性更新因子,匹配参考燃气轮机性能实测数据,直到适应度达到要求精度或者达到最大代数,αi的寻优范围从αi到αi+3δk,mt的寻优范围从mt-δk到mt+δk,pt的寻优范围从pt-δk到pt+δk,γt的寻优范围从γt-δk到γt+δk,χt的寻优范围从χt-δk到χt+δk,φt的寻优范围从φt-δk到φt+δk,δk=1。
2.根据权利要求1所示的一种燃气轮机性能仿真自适应方法,其特征在于,所述步骤1中,
选取鲁棒性强的通用解析解作为燃气轮机部件特性图的初始表达式,采用通用解析解表征折合转速(nc,nt)、压比(πc,πt)、折合流量(Gc,Gt)和等熵效率(ηc,ηt)等参数之间的数学关系,形如G=f(n,π)和η=g(n,G),通用解析解包括压气机通用解析解、燃气涡轮通用解析解和动力涡轮通用解析解,各部件通用解析解分别由流量解析解和等熵效率解析解组成,通过切割类抛物线二维曲面描述压气机质量流量特性,采用弗吕格尔公式描述涡轮的质量流量特性,各部件的等熵效率特性均采用完整的类抛物线二维曲线描述,通用解析解采用归一化折合参数(例如归一化折合流量表示,
1)压气机通用解析解
2)涡轮通用解析解
动力涡轮通用解析解形式与涡轮一致,不再赘述。
3.根据权利要求1所示的一种燃气轮机性能仿真自适应方法,其特征在于,所述步骤2中,
提取燃气轮机各部件通用解析解关键敏感参数,定义为更新因子,
1)选择附属系数(αt,mt,pt)作为压气机质量流量解析解的更新因子,公式如下,
αt=(αi+3δk)·e-q (6)
mt=(mi+δk)·e-q (8)
p=pt=(pi+δk)·e-q (9)
其中αi=0.1,mi=1.25,pi=0.5,δk=0.1;
2)将压气机效率解析解的常量系数1.54和0.54转换为变量系数(γt和γt-1)并定义为压气机效率特性更新因子,公式如下,
γt=(γi+δk)·e-q (11)
其中γi=1.54,δk=0.1;
3)将涡轮质量流量解析解的常量0.232转换为变量系数χt并定义为涡轮质量流量特性更新因子,同时将涡轮效率解析解的常量1.61和0.61转换为变量系数(φt和φt-1)并定义为涡轮效率特性更新因子,公式如下,
χt=(χi+δk)·e-q (13)
其中χi=0.232,δk=0.1。
φt=(φi+δk)·e-q (15)
其中φi=1.61,δk=0.1;
动力涡轮特性更新因子与涡轮保持一致。
4.根据权利要求1所示的一种燃气轮机性能仿真自适应方法,其特征在于,所述步骤3中:
采用粒子群算法搜索更新因子,每个粒子的位置和速度通过跟踪两个极值,即个体最优pBest和全局最优gBest,公式如下,
其中c1和c2是加转速常数,通常设置为c1=c2=1.2;r1和r2是0到1范围内的随机值;W是惯性重量,其值设置在0.1到0.9范围内Vi k+1是第ith粒子在第(k+1)th代中的转速;显示每个粒子的位置;是粒子最佳位置上每个粒子的前一个最佳位置,gBestk是所有粒子的最佳位置,
改进传统的粒子群算法,为惯性权重W增加约束,限制惯性权重从最大惯性权重Wmax线性减小到最小惯性权重Wmin,公式如下,
其中,iter是当前的代编号;itermax是总的代编号,
通过不断更新位置,粒子在解空间中趋向最优解的位置,完成搜索过程,最终输出更新因子的全局最优解。
5.根据权利要求1所示的一种燃气轮机性能仿真自适应方法,其特征在于,所述步骤4中:
1)燃气轮机性能模型整定,直到它们在相同的环境条件和燃油流量下准确预测发动机性能,假定没有测量噪声或偏差的情况下的发动机性能表示为,
Y=f(X,u) (19)
其中,Y表示发动机性能向量,由不同发动机气路位置的压力和温度等测量值组成,即Y=[P,T],部件特征向量包括不可测量的量,例如折合质量和效率,即X=[G,η,n,π],u由环境条件和燃油流量组成的,称为发动机模型控制变量(u=[Pamb,Tamb,handle]),该参数用作发动机性能仿真的模型的输入,根据所选的仿真方法,控制变量可以是动力涡轮机输出的有用功率Ppt、折合转速Ncor或任何其他变量,
2)采用改进粒子群算法调整部件特性更新因子,匹配参考燃气轮机性能实测数据,直到适应度达到要求精度或者达到最大代数,调整独立参数向量X,实现燃气轮机模型输出参数Y和参考燃气轮机输出参数Yr之间差值的最小化,评估预测Y和观测测量Yr之间差异的目标函数如下,
其中n表示测量参数的总数,γi表示测量参数的相对误差,Yi-Yri表示模型仿真数据Yi和现场测量数据Yri之间的差值,现场测量数据Yri选用燃气轮机连续加载过程的性能测量数据,
3)适应度精度设置为eps=1×10-1,αi的寻优范围从αi到αi+3δk,mt的寻优范围从mt-δk到mt+δk,pt的寻优范围从pt-δk到pt+δk,γt的寻优范围从γt-δk到γt+δk,χt的寻优范围从χt-δk到χt+δk,φt的寻优范围从φt-δk到φt+δk,δk=1。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110412226.2A CN113420404B (zh) | 2021-04-16 | 2021-04-16 | 一种燃气轮机性能仿真自适应方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110412226.2A CN113420404B (zh) | 2021-04-16 | 2021-04-16 | 一种燃气轮机性能仿真自适应方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113420404A true CN113420404A (zh) | 2021-09-21 |
CN113420404B CN113420404B (zh) | 2023-12-01 |
Family
ID=77711859
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110412226.2A Active CN113420404B (zh) | 2021-04-16 | 2021-04-16 | 一种燃气轮机性能仿真自适应方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113420404B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104037765A (zh) * | 2014-07-08 | 2014-09-10 | 上海电力学院 | 基于改进遗传算法选取有源配电网供电恢复方案的方法 |
CN104778507A (zh) * | 2015-04-02 | 2015-07-15 | 南京邮电大学 | 一种基于自适应粒子群算法的楼宇智能用电策略获取方法 |
CN105912878A (zh) * | 2016-05-26 | 2016-08-31 | 哈尔滨工程大学 | 基于热力模型与粒子群优化算法相结合的燃气轮机自适应气路部件性能诊断方法 |
WO2020000248A1 (zh) * | 2018-06-27 | 2020-01-02 | 大连理工大学 | 一种基于空间重构的航空发动机过渡态加速过程关键性能参数预测方法 |
-
2021
- 2021-04-16 CN CN202110412226.2A patent/CN113420404B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104037765A (zh) * | 2014-07-08 | 2014-09-10 | 上海电力学院 | 基于改进遗传算法选取有源配电网供电恢复方案的方法 |
CN104778507A (zh) * | 2015-04-02 | 2015-07-15 | 南京邮电大学 | 一种基于自适应粒子群算法的楼宇智能用电策略获取方法 |
CN105912878A (zh) * | 2016-05-26 | 2016-08-31 | 哈尔滨工程大学 | 基于热力模型与粒子群优化算法相结合的燃气轮机自适应气路部件性能诊断方法 |
WO2020000248A1 (zh) * | 2018-06-27 | 2020-01-02 | 大连理工大学 | 一种基于空间重构的航空发动机过渡态加速过程关键性能参数预测方法 |
Non-Patent Citations (1)
Title |
---|
李旭渊;许化龙;许哲: "基于改进粒子群优化算法的发动机故障仿真", 火力与指挥控制, vol. 35, no. 4 * |
Also Published As
Publication number | Publication date |
---|---|
CN113420404B (zh) | 2023-12-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | Multiple-point adaptive performance simulation tuned to aeroengine test-bed data | |
US11436395B2 (en) | Method for prediction of key performance parameter of an aero-engine transition state acceleration process based on space reconstruction | |
US10331810B2 (en) | Method for determining a model of an output quantity of a technical system | |
CN108804850B (zh) | 基于空间重构的航空发动机过渡态加速过程参数预测方法 | |
RU2559718C2 (ru) | Система и способ настройки/калибровки семейств ступеней турбомашин | |
US12008295B2 (en) | Method and device for creating a model of a technical system from measurements | |
Tsoutsanis et al. | An efficient component map generation method for prediction of gas turbine performance | |
US20090271149A1 (en) | Analysis Method | |
Tsoutsanis et al. | Non-linear model calibration for off-design performance prediction of gas turbines with experimental data | |
JP2010277577A (ja) | 制御及び推定のための線形モデルのリアルタイムスケジューリング | |
CN106126902A (zh) | 基于粒子群优化算法辨识的燃气轮机部件特性线修正方法 | |
CN115544694A (zh) | 压气机转子轴向力评估方法、装置、设备及介质 | |
JP5804918B2 (ja) | シミュレーションシステム、シミュレーション実行方法およびプログラム | |
CN113420404A (zh) | 一种燃气轮机性能仿真自适应方法 | |
Loboda et al. | Neural networks for gas turbine fault identification: multilayer perceptron or radial basis network? | |
Visser et al. | A generic approach for gas turbine adaptive modeling | |
Loboda et al. | A more realistic scheme of deviation error representation for gas turbine diagnostics | |
Kurstak et al. | Parametric investigation of vibratory responses for reduced-order models of rotating bladed disks | |
Yan et al. | A tuning scheme of cycle reference point for gas turbine adaptive performance simulation with field data | |
CN113408076A (zh) | 基于支持向量机模型的小样本机械剩余寿命预测方法 | |
Visser et al. | Experience with gsp as a gas path analysis tool | |
Wagner et al. | Automatic Numerical Analyses and Optimization of Operating Maps Applied to a Radial Compressor | |
Tsoutsanis et al. | Nonlinear model-based adaptation for off-design performance prediction of gas turbines | |
Tregenza et al. | A comparison of turbine mass flow models based on pragmatic identification data sets for turbogenerator model development | |
CN114818205B (zh) | 一种航空发动机全生命周期叶尖间隙在线感知方法 |
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 |