一种热管理型组合动力装置智能参数优化方法与流程

1.本发明属于航空机电技术领域，涉及一种动力装置的参数优化方法，具体涉及一种热管理型组合动力装置智能参数优化方法。


背景技术：

2.热管理型组合动力装置对飞机环控系统和二动力系统进行了集成设计，同一压气机可为环境控制系统和辅助动力系统提供压缩空气，并且将发电机与压气机、涡轮做同轴化设计，机电系统的质量和体积都有所减少，符合机电系统综合化、多电化的发展趋势，同时也减轻了飞机整体的质量，提高了飞机作战性能，是未来飞机机电技术研究重点关注的对象。功能综合的热管理型组合动力装置提高了系统集成度，但由于系统非线性、耦合性强的特点，随之而来的控制和系统优化配置问题突出。
3.随着航空机电技术不断发展，在满足系统功能需求的同时，如何提高机电系统的能量利用率成为当下亟待解决的问题。通过提高系统效率，可节省飞机的能源成本，减少对发动机的影响，提升作战航程，从而提高飞机的综合性能，因此开展能量优化研究是有必要的。目前常用的系统能量优化方法是通过经验或计算选取几组典型设计参数，将不同参数分配求解结果进行对比选取最优解，通过优化参数分配提高系统效率，但存在以下几点问题：
4.1、对于多输入多输出的复杂系统，已不适用于经验选定参数，给定设计点参数难度大，并且由于本设计参数是非线性耦合的，经验选定效果较差；
5.2、专家经验选取的参数分配方法主观性大，精度低，选取设计参数数量较少，优化方法存在偶然性。
6.3、热管理型组合动力装置存在非线性、强耦合的特点，采用穷举法对大量设计参数进行计算会使得计算成本大大增加，效率较低。
7.专利《一种飞机自适应动力与热管理系统的能量管理策略》(公开号cn106970523b)介绍了一种动力与热管理系统的能量管理策略，通过机器训练样本得到神经网络控制器控制系统的能量分配，以实现能量优化管理。但此方法需要大量的数据样本进行训练，神经网络存在计算复杂的特点，目前无法获取机器训练所需的大量数据样本。因此，寻求更为简便、效率更高的能量优化方法是有必要的。


技术实现要素：

8.本发明的目的：为了解决上述问题，本发明提供了一种热管理型组合动力装置智能参数优化方法，能够筛选出最优输入参数保证系统整体获得最优的能量利用率，能提升优化效果并减少寻优运算时间。
9.本发明的技术方案如下：
10.一种热管理型组合动力装置智能参数优化方法，确定热管理型组合动力装置各部件的输入输出参数，对上述输入输出参数进行数学建模，依据各输入输出参数建立系统共
同工作方程，根据系统流量平衡、功率平衡、压力平衡的关系建立方程组、建立仿真模型，并求解得到各部件输出参数结果；
11.根据当前工作模式的系统需求确定装置的功能目标、性能目标、输入输出参数、优化参数和系统约束条件；应用粒子群智能算法对仿真模型进行优化，最后得到能效最优的系统输出参数。
12.进一步的，热管理型组合动力装置的各部件输入输出参数具体如下：
13.压气机、动力涡轮和制冷涡轮的输入输出参数，包括气体流量、压力、温度和燃油流量；
14.燃烧室的输入输出参数，包括气体流量、压力、温度和燃油流量；
15.发电机的输入输出参数，包括轴功与发电量；
16.换热器的输入输出参数，包括冷/热端流量、压力和温度。
17.进一步的，对压气机的输入输出参数进行数学建模的方法是：
18.[q
1_out
，t
1_out
，p
1_out
，w
1_out
]＝f1(n，p
1_in
，t
1_in
，π1)
[0019]
式中，p
1_in
，t
1_in
分别为环境压力、环境温度，π
1_out
为压气机压比，n为热管理型组合动力装置轴转速。q
1_out
，t
1_out
，p
1_out
，w
1_out
分别为压气机的出口流量、出口温度、出口压力和消耗功。
[0020]
进一步的，对燃烧室的输入输出参数进行数学建模的方法是：
[0021]
[q
2_out
，t
2_out
，p
2_out
]＝f2(p
2_in
，t
2_in
，q
2_in
，q
fuel
)
[0022]
式中，p
2_in
，t
2_in
，q
2_in
，q
fuel
分别为燃烧室的进口压力、进口温度、进口流量和燃油量，q
2_out
，t
2_out
，p
2_out
分别为燃烧室的出口流量、出口温度和出口压力。
[0023]
进一步的，对动力涡轮的输入输出参数进行数学建模方法是：
[0024]
[q
3_out
，t
3_out
，p
3_out
，w
3_out
]＝f3(n，p
3_in
，t
3_in
，π3)
[0025]
式中，p
3_in
，t
3_in
，π3分别为动力涡轮的进口压力、进口温度和膨胀比，q
3_out
，t
3_out
，p
3_out
，w
3_out
为动力涡轮出口流量、出口温度、出口压力和输出功。
[0026]
进一步的，对发电机的输入输出参数进行数学建模的方法是：
[0027]
[w
5_out
]＝f5(n，w
5_in
)
[0028]
式中，w
5_in
为发电机的输入功，w
5_out
为发电机的输出功。
[0029]
进一步的，根据系统流量平衡、功率平衡、压力平衡的关系建立方程组、建立仿真模型的具体方法是：
[0030]
建立所述模式的稳态共同工作方程，暂定忽略管路内的流量及压力损失，根据各部件界面连续条件与同轴匹配关系，建立流量平衡、压力平衡、能量平衡方程；各部件界面连续条件包括：压气机入口与大气环境对应参数相等，压气机出口与燃烧室入口对应参数相等，燃烧室出口与动力涡轮入口对应参数相等；根据同轴匹配关系，压气机、动力涡轮与发电机三者做功平衡，最后建立以下共同工作方程组：
[0031]
流量平衡方程：
[0032]q1_out
＝q
2_in
[0033]q2_out
＝q
3_out
[0034]
压力平衡方程：
[0035]
p
2_in
＝p
1_out
[0036]
p
2_out
＝p
3_in
[0037]
p
3_out
＝p
1_in
*σ
[0038]
其中σ为喷管的膨胀系数，根据喷管特性确定。
[0039]
能量平衡方程：
[0040]
t
1_otu
＝t
2_in
[0041]
t
2_out
＝t
3_in
[0042]w5_in
＝w
3_out-w
1_out
。
[0043]
进一步的，并求解得到各部件输出参数结果的方法是：应用newton－raphson数值解法对共同工作方程组进行求解，得到各部件参数结果。
[0044]
进一步的，应用粒子群智能算法对仿真模型进行优化的方法中，还使用混沌初始化、自适应变异和惯性权重自适应调整改进方法。
[0045]
进一步的，上述方法具体包括以下步骤：
[0046]
步骤一：参数初始化，包括种群规模、学习因子、惯性权重、最大迭代次数、粒子搜索空间范围和运动速度等；
[0047]
步骤二：采用混沌初始化策略，根据待优化输入参数维数随机产生同等维数的初始种群；
[0048]
步骤三：结合仿真模型，根据优化评价体系中适应度评价方法计算种群中每个粒子的适应度值；
[0049]
步骤四：根据优化评价体系筛除不符合约束条件的粒子，对比更新个体极值和群体极值；
[0050]
步骤五：将上述结果代入粒子群运动方程，根据自适应策略调整惯性权重，然后对种群的速度和位置进行更新，并采用变异策略，产生下一代种群。
[0051]
步骤六：判断是否达到最大迭代次数，若没有达到，重复步骤三至步骤五，若达到最大迭代次数，则算法结束，结束优化流程；
[0052]
步骤七：输出全局最优粒子即优化结果。
[0053]
本发明的有益效果：
[0054]
1)对热管理型组合动力装置进行仿真建模，建立精度高、收敛快的热管理型组合动力装置仿真模型
[0055]
2)针对此装置建立以能源消耗为评价指标，以系统需求为约束条件的优化评价体系。选用粒子群算法流程对热管理型组合动力装置的仿真模型进行参数优化，得到满足优化评价体系的最优输入参数。相比于传统的专家经验选取参数的方法，降低了能量消耗，提升了系统效率。
[0056]
3)以较快速度对动力与热管理装置完成参数优化，相比于穷举计算法减少了计算与时间成本。
附图说明
[0057]
图1是本发明方法所用的热管理型组合动力装置架构图；
[0058]
图2热管理型组合动力装置优化评价体系示意图；
[0059]
图3粒子群优化算法流程图；
[0060]
图4热管理型组合动力装置优化仿真流程图；
[0061]
其中，1-压气机，2-燃烧室，3-动力涡轮，4-制冷涡轮，5-发电机，6-换热器。
具体实施方式
[0062]
本部分是本发明的实施例，用于解释和说明本发明的技术方案。
[0063]
一种热管理型组合动力装置智能参数优化方法，确定热管理型组合动力装置各部件的输入输出参数，对上述输入输出参数进行数学建模，依据各输入输出参数建立系统共同工作方程，根据系统流量平衡、功率平衡、压力平衡的关系建立方程组、建立仿真模型，并求解得到各部件输出参数结果；
[0064]
根据当前工作模式的系统需求确定装置的功能目标、性能目标、输入输出参数、优化参数和系统约束条件；应用粒子群智能算法对仿真模型进行优化，最后得到能效最优的系统输出参数。
[0065]
热管理型组合动力装置的各部件输入输出参数具体如下：
[0066]
压气机、动力涡轮和制冷涡轮的输入输出参数，包括气体流量、压力、温度和燃油流量；
[0067]
燃烧室的输入输出参数，包括气体流量、压力、温度和燃油流量；
[0068]
发电机的输入输出参数，包括轴功与发电量；
[0069]
换热器的输入输出参数，包括冷/热端流量、压力和温度。
[0070]
对压气机的输入输出参数进行数学建模的方法是：
[0071]
[q
1_out
，t
1_out
，p
1_out
，w
1_out
]-f1(n，p
1_in
，t
1_in
，π1)
[0072]
式中，p
1_in
，t
1_in
分别为环境压力、环境温度，π
1_out
为压气机压比，n为热管理型组合动力装置轴转速。q
1_out
，t
1_out
，p
1_out
，w
1_out
分别为压气机的出口流量、出口温度、出口压力和消耗功。
[0073]
对燃烧室的输入输出参数进行数学建模的方法是：
[0074]
[q
2_out
，t
2_out
，p
2_out
]＝f2(p
2_in
，t
2_in
，q
2_in
，q
fuel
)
[0075]
式中，p
2_in
，t
2_in
，q
2_in
，q
fuel
分别为燃烧室的进口压力、进口温度、进口流量和燃油量，q
2_out
，t
2_out
，p
2_out
分别为燃烧室的出口流量、出口温度和出口压力。
[0076]
对动力涡轮的输入输出参数进行数学建模方法是：
[0077]
[q
3_out
，t
3_out
，p
3_out
，w
3_out
]＝f3(n，p
3_in
，t
3_in
，π3)
[0078]
式中，p
3_in
，t
3_in
，π3分别为动力涡轮的进口压力、进口温度和膨胀比，q
3_out
，t
3_out
，p
3_out
，w
3_out
为动力涡轮出口流量、出口温度、出口压力和输出功。
[0079]
对发电机的输入输出参数进行数学建模的方法是：
[0080]
[w
5_out
]＝f5(n，w
5_in
)
[0081]
式中，w
5_in
为发电机的输入功，w
5_out
为发电机的输出功。
[0082]
根据系统流量平衡、功率平衡、压力平衡的关系建立方程组、建立仿真模型的具体方法是：
[0083]
建立所述模式的稳态共同工作方程，暂定忽略管路内的流量及压力损失，根据各部件界面连续条件与同轴匹配关系，建立流量平衡、压力平衡、能量平衡方程；各部件界面连续条件包括：压气机入口与大气环境对应参数相等，压气机出口与燃烧室入口对应参数
相等，燃烧室出口与动力涡轮入口对应参数相等；根据同轴匹配关系，压气机、动力涡轮与发电机三者做功平衡，最后建立以下共同工作方程组：
[0084]
流量平衡方程：
[0085]q1_out
＝q
2_in
[0086]q2_out
＝q
3_out
[0087]
压力平衡方程：
[0088]
p
2_in
＝p
1_out
[0089]
p
2_out
＝p
3_in
[0090]
p
3_out
＝p
1_in
*σ
[0091]
其中σ为喷管的膨胀系数，根据喷管特性确定。
[0092]
能量平衡方程：
[0093]
t
1_out
＝t
2_in
[0094]
t
2_out
＝t
3_in
[0095]w3_in
＝w
3_ou-w
1_out
。
[0096]
并求解得到各部件输出参数结果的方法是：应用newton－raphson数值解法对共同工作方程组进行求解，得到各部件参数结果。
[0097]
应用粒子群智能算法对仿真模型进行优化的方法中，还使用混沌初始化、自适应变异和惯性权重自适应调整改进方法。
[0098]
上述方法具体包括以下步骤：
[0099]
步骤一：参数初始化，包括种群规模、学习因子、惯性权重、最大迭代次数、粒子搜索空间范围和运动速度等；
[0100]
步骤二：采用混沌初始化策略，根据待优化输入参数维数随机产生同等维数的初始种群；
[0101]
步骤三：结合仿真模型，根据优化评价体系中适应度评价方法计算种群中每个粒子的适应度值；
[0102]
步骤四：根据优化评价体系筛除不符合约束条件的粒子，对比更新个体极值和群体极值；
[0103]
步骤五：将上述结果代入粒子群运动方程，根据自适应策略调整惯性权重，然后对种群的速度和位置进行更新，并采用变异策略，产生下一代种群。
[0104]
步骤六：判断是否达到最大迭代次数，若没有达到，重复步骤三至步骤五，若达到最大迭代次数，则算法结束，结束优化流程；
[0105]
步骤七：输出全局最优粒子即优化结果。
[0106]
下面通过附图进一步说明本发明的另一个实施例。
[0107]
图1是本发明所使用的热管理型组合动力装置，装置包括压气机1、燃烧室2、动力涡轮3、制冷涡轮4、发电机5、换热器6。
[0108]
以热管理型组合动力装置地面起动主发动机模式优化为实施例，通过粒子群智能算法进行参数优化。
[0109]
起动主发动机模式下工作部件为压气机1、燃烧室2、动力涡轮3和发电机5。压气机从外界吸入空气并进行压缩，升温升压后的空气经燃烧室点火燃烧后进入动力涡轮膨胀做
功，驱动发电机产生电能，通过电起动的方式起动主发动机。
[0110]
根据所选压气机的特性进行数学建模，建立压气机模型的数学函数形式为[q
1_out
，t
1_out
，p
1_out
，w
1_out
]-f1(n，p
1_in
，t
1_in
，π1)
[0111]
式中，p
1_in
，t
1_in
分别为环境压力、环境温度，π
1_out
为压气机压比，n为热管理型组合动力装置轴转速。q
1_out
，t
1_out
，p
1_out
，w
1_out
分别为压气机的出口流量、出口温度、出口压力和消耗功。
[0112]
根据所选燃烧室的特性进行数学建模，建立燃烧室模型的数学函数形式为[q
2_out
，t
2_out
，p
2_out
]＝f2(p
2_in
，t
2_in
，q
2_in
，q
fuel
)
[0113]
式中，p
2_in
，t
2_in
，q
2_in
，q
fuel
分别为燃烧室的进口压力、进口温度、进口流量和燃油量，q
2_out
，t
2_out
，p
2_out
分别为燃烧室的出口流量、出口温度和出口压力。
[0114]
根据所选动力涡轮的特性进行数学建模，建立动力涡轮模型的数学函数形式为
[0115]
[q
3_out
，t
3_out
，p
3_out
，w
3_out
]＝f3(n，p
3_in
，t
3_in
，π3)
[0116]
式中，p
3_in
，t
3_in，
π3分别为动力涡轮的进口压力、进口温度和膨胀比，q
3_out
，t
3_out
，p
3_out
，w
3_out
为动力涡轮出口流量、出口温度、出口压力和输出功。
[0117]
根据所选发电机的特性进行数学建模，建立发电机模型的数学函数形式为
[0118]
[w
5_out
]＝f5(n，w
5_in
)
[0119]
式中，w
5_in
为发电机的输入功，w
5_out
为发电机的输出功。
[0120]
建立各部件模型后，建立所述模式的稳态共同工作方程，暂定忽略管路内的流量及压力损失，根据各部件界面连续条件与同轴匹配关系，建立流量平衡、压力平衡、能量平衡方程。
[0121]
各部件界面连续条件包括：压气机入口与大气环境对应参数相等，压气机出口与燃烧室入口对应参数相等，燃烧室出口与动力涡轮入口对应参数相等。根据同轴匹配关系，压气机、动力涡轮与发电机三者做功平衡。建立以下共同工作方程组进行求解。
[0122]
流量平衡方程：
[0123]q1_out
＝q
2_in
[0124]q2_out
＝q
3_out
[0125]
压力平衡方程：
[0126]
p
2_in
＝p
1_out
[0127]
p
2_out
＝p
3_in
[0128]
p
3_out
＝p
1_in
*σ
[0129]
其中σ为喷管的膨胀系数，根据喷管特性确定。
[0130]
能量平衡方程：
[0131]
t
1_out
＝t
2_in
[0132]
t
2_out
＝t
3_in
[0133]w5_in
＝w
3_out-w
1_out
[0134]
建立所述方程组后，应用newton－raphson数值解法对方程组进行求解，得到热管理型组合动力装置的整体输入输出函数模型为：[w
5_out
，t
3_out
]＝f(n，p
1_in
，t
1_in
，q
fuel
)
[0135]
通过所述热管理型组合动力装置函数模型，输入环境参数、转速、燃油量可输出热管理型组合动力装置的发电量和排气温度。
[0136]
根据热管理型组合动力装置在主发动机起动模式下的系统需求，建立优化评价方法。确定优化目标为燃油消耗量最低，约束条件为发电量满足需求、动力涡轮出口不超温，寻找燃油消耗量最低时的输入参数组合。优化目标函数表达式如下所示：
[0137][0138]
式中x表示主发起动模式下待优化变量燃油消耗量、转速的大小，y表示如流量、温度、压力等其余输入变量。c表示系统的发电需求，余下不等式表征系统输入参数的搜索区间。
[0139]
结合所述粒子群优化过程可以推导出热管理型组合动力装置主发起动模式下的优化步骤如下，对应流程如图4所示。
[0140]
步骤一：确定输入变量燃油量、转速的待优化参数范围，并利用随机函数初始化变量获得初始化粒子群。
[0141]
步骤二：利用约束条件建立优化目标函数，将所获取的粒子代入主发起动模式优化目标函数中获得粒子的适应度值。
[0142]
步骤三：根据获得的适应度值获取此时的全局最优粒子和局部最优粒子。系统约束条件为发电量满足需求，且系统稳定运行，动力涡轮出口不超温。若不满足约束条件则筛除掉不符合约束条件的粒子。
[0143]
步骤四：代入粒子的运动状态方程获取粒子群下一代粒子的状态矢量。
[0144]
步骤五：终止条件判定，若未达到终止条件则重复步骤二到步骤四更新迭代全局最优粒子，若已达到终止条件则停止迭代输出此时的全局最优粒子。
[0145]
以海平面起动工况为优化对象，进行优化仿真，环境温度为15℃，环境压力为101kpa，针对不同需求发电量优化轴转速。将优化后的结果同仿真模型未做优化的结果对比，验证是否产生优化效果，验证结果如表1所示。左边的燃油量是优化后的燃油量，右边的燃油量是额定转速下对比燃油量，结果表明，针对不同需求发电量，通过粒子群智能算法优化后燃油量显著降低，优化效果明显。
[0146]
表1主发动机起动模式优化表
[0147]