一种风电机组整机一体化设计多目标协同优化方法及装置

摘要

本发明公开了一种风电机组整机一体化设计多目标协同优化方法和装置，包括：S1、对风电机组各关键部件进行优化分析，筛选出对整机优化设计目标敏感的部件级关键设计变量；S2、以部件级关键设计变量为整机优化的设计变量，进行整机优化分析并筛选出其中对整机优化目标敏感的整机级关键设计变量；S3、以整机级关键设计变量为整机优化的设计变量，采用基于多目标优化理论的改良遗传算法进行整机优化，获取整机全局帕雷托最优解集。本发明成功辨识了影响整机优化设计目标的部件级及整机级关键设计变量，获取了整机设计输入输出参数关系，构建了高精度全局优化设计近似模型，并且基于多目标优化理论的改良遗传算法，实现快速自动优化且整机或系统最优。

说明书

技术领域

本发明涉及风电机组设计领域，特别是涉及一种风电机组整机一体化设计多目标协同优化方法及装置。

背景技术

随着风电市场向低风速以及超低风速区域的迅速发展，风轮直径不断增大，机组性能和成本的矛盾日益突出，整机设计面临的挑战越来越严峻。风电机组整机系统复杂，包括叶片、传动链、变桨、偏航、塔筒、控制等多学科、多子系统(多个关键部件)；发电量、载荷、成本等多个设计指标。而传统的风电机组整机设计方法往往局限于各子系统内的优化设计，对不同子系统之间的相互影响考虑不足，难以实现整机系统的最优设计。并且，各子系统间的实验和人工试错迭代存在大量重复性工作，容易出错。

CN100523490C专利公开了一种用于优化风能设备、尤其在其转子/发电机系统方面的运行参数的方法。采用迭代的方法用于优化参数，通过具有足够大数量的试样的迭代方法可以平衡随机波动。

CN103597413A专利公开了一种用于在计算机支持下生成技术系统尤其燃气轮机或风力机的数据驱动的模型(NM)方法。采用神经网络学习优化，技术系统的运行参数包括风力机的一个或多个测量参数：功率、风速、风轮转速、叶片弯曲应力和/或偏转和/或交变载荷以及塔筒振动。

上述方法虽然考虑了多目标，运用了迭代优化、神经网络学习优化方法，但仅对风机运行参数进行优化，没有运用到风电机组多学科多子系统的设计参数优化中。

CN106777525专利公开了一种设计风力发电机叶片的方法和装置，采用遗传迭代算法进行叶片结构优化设计，气动外形是随机生成的，最后对叶片设计数据按照要求进行排序筛选。该方法只考虑了风电机组单个部件的单学科性能优化，而叶片的结构和气动的优化目标是不统一的，甚至是相互矛盾的。

由此可见，上述现有的风电机组在整机设计上，显然仍存在有不便与缺陷，而亟待加以进一步改进。如何能创设一种可实现整机最优或系统最优的风电机组整机一体化设计多目标协同优化方法及装置，成为当前业界急需改进的目标。

发明内容

本发明要解决的技术问题是提供一种风电机组整机一体化设计多目标协同优化方法及装置，使整机最优或系统最优，从而克服现有的风电机组关键部件及子系统协同设计寻优难、全局寻优难的缺陷。

为解决上述技术问题，本发明采用如下技术方案：

一种风电机组整机一体化设计多目标协同优化方法，包括：

S1、对风电机组各关键部件进行优化分析，筛选出各关键部件中对整机优化设计目标敏感的部件级关键设计变量；

S2、以所述部件级关键设计变量为整机优化的设计变量，以整机优化设计目标为目标，进行整机优化分析并筛选出其中对所述整机优化目标敏感的整机级关键设计变量；

S3、以所述整机级关键设计变量为整机优化的设计变量，采用基于多目标优化理论的改良遗传算法进行整机优化，获取整机全局帕雷托最优解集。

作为本发明进一步地改进，在所述S1和/或S2中，基于最优拉丁超立方抽样方法进行试验设计，进而筛选出对整机优化设计目标敏感的关键设计变量。

进一步地，在所述S1和/或S2中，筛选出对整机优化设计目标敏感的关键设计变量是通过获取每个设计变量与整机优化设计目标之间的变化关系曲线，再根据曲线斜率判断敏感度。

进一步地，在所述S1和/或S2中，进行优化分析时，获取整机设计输入、输出参数关系，构建高精度全局优化设计近似模型，再基于所述近似模型筛选出关键设计变量。

进一步地，所述近似模型用下式来描述输入变量和输出响应之间的关系：

式中，y(x)：响应实际值，是未知函数；

ε：近似值与实际值之间的随机误差，通常服从(0,σ

所述构建高精度全局优化设计近似模型时，选择近似模型类型，通过计算模型近似误差，验证模型预测的效果，如果近似模型可信度不够，则需要更新模型。

进一步地，所述近似模型类型为：响应面模型、径向基/椭圆基神经网络模型、正交多项式模型或克里格模型。

进一步地，所述S3中，多目标优化理论的改良遗传算法采用NSGA-II方法。

进一步地，所述整机优化设计目标为最优度电成本，其以发电量和机组成本协同寻优为目标；所述整机级关键设计变量包括：功率等级、风轮直径、轮毂中心高度、外叶展弦长分布、主梁最厚铺层参数、中叶展扭角分布、塔顶内径、塔顶外径。

进一步地，所述风电机组为低风速的兆瓦级风电机组。

本发明还提供了一种风电机组整机一体化设计多目标协同优化装置，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现上述的风电机组整机一体化设计多目标协同优化方法。

通过采用上述技术方案，本发明至少具有以下优点：

1、本发明的风电机组整机一体化设计多目标协同优化方法，筛选出了影响整机设计目标的部件级关键设计变量及整机级关键设计变量(关键设计因子)，以此为基础来搭建优化设计平台及基于该平台，采用基于多目标优化理论的改良遗传算法进行整机优化，可获取整机全局帕雷托最优解集，实现了整机最优或系统最优，从而克服现有的风电机组关键部件及子系统协同设计寻优难、全局寻优难的缺陷。

2、本发明通过采用最优拉丁超立方抽样方法的实验设计方法进行敏感度分析，使所有的试验点尽量均匀的分布在设计空间，具有更好的空间填充性和均衡性，可成功辨识出对整机优化设计目标有重要影响的敏感性因素。

3、本发明通过构建高精度全局优化设计近似模型，逼近一组输入变量(独立变量)与输出变量(响应变量)，避免了许多子系统模块都需要通过仿真来计算部件性能，计算量小，耗时短，计算成本低，加快了优化算法的寻优速度，对复杂系统的优化有良好的效果。

4、本发明中整机寻优算法采用基于多目标优化理论的改良遗传算法，优化胜出个体能扩展到整个Pareto域，并均匀分布，保持了种群的多样性，扩大了采样空间，提高了算法的运算速度和鲁棒性。通过改良遗传算法的自动优化专家算法和分步迭代自动寻优，实现低风速机组设计快速自动迭代寻优求解，获取低风速机组整机全局帕雷托最优解集。

附图说明

上述仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，以下结合附图与具体实施方式对本发明作进一步的详细说明。

图1是本发明一实施例中风电机组整机一体化设计多目标协同优化方法的逻辑流程图；

图2是基于最优拉丁超立方的实验设计分析筛选设计变量的结构框图；

图3是随机拉丁超立方设计和最优拉丁超立方设计对比图；其中a)是随机拉丁超立方设计图，b)是最优拉丁超立方设计图；

图4是优化设计变量对整机优化设计目标的影响，其中a)是叶片长度(风轮直径)对年发电量的影响，b)是外叶展弦长对年发电量的影响，c)是中叶展扭角对年发电量的影响；

图5是各关键输入变量与输出响应(目标函数)之间的关系曲线图；其中，(a)是塔筒高度与目标函数之间的关系图；(b)是风轮半径与目标函数之间的关系图；(c)是额定功率与目标函数之间的关系图；(d)是风轮转速与目标函数之间的关系图。

图6是近似模型的构建方法图；

图7为NSGA-Ⅱ算法流程图；

图8是优化结果Pareto解(最优解)示意图。

具体实施方式

风电机组机型研发的性能指标评价标准多样化，比如最佳功率曲线Cp、年发电量、整机重量、整机成本等多指标，目标之间相互制约，之前也有大量学者研发多目标优化设计，但也很难找到兼顾所有目标的最优解。而本发明提出了整机全局优化模块嵌套技术和部件优化分级技术，成功辨识了影响整机优化设计目标的部件级关键设计变量及整机级关键设计变量，以此为基础来搭建优化设计平台及基于该平台进行寻优设计，可以解决风电机组关键部件及子系统协同设计寻优难题。其中，风电机组可为低风速、中风速、高风速等任意机型，风电机组优选为兆瓦级风电机组。

如图1、图2所示，本实施例一种风电机组整机一体化设计多目标协同优化方法，包括：

S1、对风电机组各关键部件进行优化分析，筛选出各关键部件中对整机优化设计目标敏感的部件级关键设计变量；

S2、以所述部件级关键设计变量为整机优化的设计变量，以整机优化设计目标为目标，进行整机优化分析并筛选出其中对所述整机优化目标敏感的整机级关键设计变量；

S3、以所述整机级关键设计变量为整机优化的设计变量，采用基于多目标优化理论的改良遗传算法进行整机优化，获取整机全局帕雷托最优解集。

下面将进行详细展开说明：

S1、对风电机组各关键部件进行优化分析，筛选出各关键部件中对整机优化设计目标敏感的部件级关键设计变量。

对于集成了多学科、多子系统的整机系统优化，每个子系统(关键部件，如叶片、传动链、变桨、偏航、塔筒、控制等)都包含许多优化设计变量，许多变量之间还具有一定的相关性，优化设计变量多对于系统优化是首要解决的首要问题。

因此，本实施例对整机系统优化参数进行实验设计，为了对实验进行合理安排，以较小的试验规模(试验次数)、较短的试验周期和较低的试验成本，获得理想的试验结果，本实施例采用最优拉丁超立方抽样方法。

最优拉丁超立方抽样方法：试验设计主要对试验进行合理安排，以较小的试验规模(试验次数)、较短的试验周期和较低的试验成本，获得理想的试验结果以及得出科学的结论。随机拉丁超立方设计(Latin hypercube design，以下简称LHD)理是在n维空间中，将每一维坐标区间

对各关键部件的每个优化设计变量采用最优拉丁超立方抽样方法进行实验设计，即对每个变量赋值形成样本点。通过计算进行敏感度分析，实现优化设计变量筛选。筛选出各部件对优化设计目标敏感度较高的优化变量，作为部件级关键设计变量，既保证模拟精度，又可以有效节省计算成本。并且可以得到每个优化设计变量和整机优化设计目标之间的变化关系曲线，曲线斜率判断敏感度，通过敏感度分析，辨别出对目标影响较大的优化设计变量及其影响规律，如图4所示，敏感度较高的作为筛选出的部件级的关键设计变量。

由于各个关键部件(子系统)如果都通过仿真来计算部件性能的话，则存在计算量大，耗时长、计算成本高的缺陷。因此，本实施例在对风电机组各键部件进行优化分析时，分别构建了高精度全局优化设计近似模型，逼近一组输入变量(独立变量)与输出变量(响应变量)，加快了优化算法的寻优速度。

近似模型方法(Approximation Models)是通过数学模型的方法逼近一组输入变量(独立变量)与输出变量(响应变量)的方法。近似模型用下式来描述输入变量和输出响应之间的关系：

式中，y(x)：响应实际值，是未知函数；

ε：近似值与实际值之间的随机误差，通常服从(0,σ

常见的近似模型方法包括：

在构建高精度全局优化设计近似模型时，包括如下步骤：a、样本数据采集。B、样本点可以来自试验设计、随机试验、物理试验、经验数据库等。C、选择近似模型类型。D、初始化近似模型。E、验证近似模型。通过计算模型近似误差，可验证模型预测的效果。如果近似模型可信度不够，则需要更新模型，提高其预测精度。常用的方法包括增加更多的样本数据、更改模型参数等。如果近似模型具有足够可信度，则可以使用该近似模型替代仿真程序。

在本实施例中优选根据关键部件的优化，得出仿真数据库，在此基础上，模拟输入和输出之间的函数关系，搭建近似模型。

S2、以所述部件级关键设计变量为整机优化的设计变量，以整机优化设计目标为目标，进行整机优化分析并筛选出其中对所述整机优化目标敏感的整机级关键设计变量。

根据各个关键部件优化情况，将各关键部件的优化模块一体化到整机大平台中，搭建整机模型，以部件级关键设计变量为整机优化的设计变量，以整机优化设计目标为目标，进行整机优化，找出各部件设计变量、以及设计变量之间的交互效应对设计变量的影响，并筛选出其中对所述整机优化设计目标敏感的整机级关键设计变量。

此步骤的方式同上述部件优化步骤，也采用最优拉丁超立方抽样方法进行实验设计，来筛选所述整机优化目标敏感的整机级关键设计变量。进行优化分析时，也是获取整机设计输入、输出参数关系，构建高精度全局优化设计近似模型，如图5、6所示，再基于所述近似模型筛选出关键设计变量。由于过程类似，在此不再赘述。

此步骤属于整机级的筛选步骤，以整机优化设计目标为最优度电成本为例，其以发电量和机组成本协同寻优为目标，可筛选出对较为敏感的整机级关键设计变量，包括：功率等级Prated，风轮直径RotorD，轮毂中心高度HubH，外叶展弦长分布cx[3,1]、cx[4,1]，主梁最厚铺层参数scx[4]、scy[2]，中叶展扭角分布tx[2,0]，塔顶内径tower_top_d，塔顶外径tower_top_D。

S3、以所述整机级关键设计变量为整机优化的设计变量，采用基于多目标优化理论的改良遗传算法进行整机优化，获取整机全局帕雷托最优解集。

本实施例采用帕雷托Pareto机制直接处理多个目标的优化技术，它不需要将多个目标转化为单一目标，因此解决了归一化方法的缺点。非归一化方法能够使所求解集的前沿与Pareto前沿尽量接近，并尽量均匀覆盖Pareto前沿。非归一化方法求解Pareto前沿的过程：使用初期值的解集作为起始点group(n)，然后按group(n)→group(n-1)→...→group(1)→group(0)的顺序逐步改善，逼近真正的Pareto前沿。

多目标优化算法采用改良遗传算法NSGA-II方法，方法流程图详见图7，NSGA-Ⅱ算法采用了快速非支配排序算法，计算复杂度比NSGA大大的降低；采用了拥挤度和拥挤度比较算子，代替了需要指定的共享半径shareQ，并在快速排序后的同级比较中作为胜出标准，通过设置样本点，计算过程中，父代种群跟子代种群进行合并，使得下一代的种群从双倍的空间中进行选取，使得准Pareto域中的个体能均匀地扩展到整个Pareto域，并均匀分布，保持了种群的多样性；引入了精英策略，扩大了采样空间，防止最佳个体的丢失，提高了算法的运算速度和鲁棒性。

以最优度电成本为例，其以优化目标为发电量最大、机组成本最小，通过改良遗传算法NSGA-II方法实现整个过程自动寻优。计算结果如图8所示，得到一系列Pareto解(最优解)，如图8中带线点所示。通过采用上述方法，可实现机组度电成本降低5％-10％。

另外，本发明还提供了一种风电机组整机一体化设计多目标协同优化装置，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现上述的风电机组整机一体化设计多目标协同优化方法。

综上所述，本发明提供了一种风电机组整机一体化设计多目标协同优化方法和装置。整机全局优化模块嵌套部件优化分级，对整机优化参数进行基于最优拉丁超立方抽样方法的实验设计分析，依次辨识影响整机优化设计目标(如机组度电成本)的部件级及整机级的关键设计变量，获取整机设计输入输出参数关系，构建高精度全局优化设计近似模型，并且基于多目标优化理论的改良遗传算法，实现风电机组设计快速自动优化及自动迭代寻优求解，获取风电机组整机全局帕雷托最优解集，实现了整机或系统最优。

以上所述，仅是本发明的较佳实施例而已，并非对本发明作任何形式上的限制，本领域技术人员利用上述揭示的技术内容做出些许简单修改、等同变化或修饰，均落在本发明的保护范围内。