[发明专利]一种自适应的燃气轮机轮盘型线优化方法

说明书

本发明公开了一种自适应的燃气轮机轮盘型线优化方法，属于系统设计优化应用领域；其首先根据系统设计的要求，提取设计变量，确定目标变量，建立系统的高精度模型和低精度近似模型，并初始化；其次基于区间缩减策略，从已知点中采样出新点，并计算新点的低精度模型的目标函数值；接着训练一个高斯过程回归模型，用于学习高精度模型和低精度模型之间的误差，并用此模型预测新点的目标函数误差；然后根据建立的低精度接受模型，以一定概率接受低精度模型的结果，减少优化过程对高精度模型的依赖；最后基于Metropolis‑Hastings算法下的能量下降法，进一步优化采样结果，通过迭代过程完成最终的优化。

技术领域

本发明属于燃气轮机轮盘优化设计应用技术领域，特别涉及一种自适应的燃气轮机轮盘型线优化方法。

背景技术

燃气轮机是动力领域的重要设备，燃气轮机的转子轮盘作为整个重要部件，其结构设计和优化会影响整个机组的整体性能与效率。优化问题是目标优化设计应用领域的重要课题，随着工业技术和信息技术的发展，解决多变量优化的问题显得愈加重要。为了实现对轮盘更精准的描述，往往需要较多的参数(示例性的，5至20个)来确定，且参数影响往往并非线性，种种因素使得燃气轮机轮盘的结构优化难度较大。

现阶段解决优化问题的手段通常分为梯度方法和采样方法(非梯度方法)，通常实际优化问题绝大多数为“黑盒函数”问题，由于不存在解析式，因此梯度方法难以完全奏效，而采用采样方法，如遗传算法等群智能算法优化成本很高。另一方面，对于实际优化问题的非“黑盒函数”问题，变量个数可能往往高达15～20个，利用采样优化方法和梯度优化方法花费的人力和时间成本更为高昂。

高斯过程回归基于严格的数理统计和概率论的理论基础，对处理小样本、非线性、高维度的复杂问题具有十分良好的适应性。高斯过程回归方法自提出开始已经在时序预测分析、动态系统模型识别、系统控制及系统优化设计等方面发挥重要作用。针对大部分具有5～20个设计空间的系统控制和优化问题，考虑到优化成本因素，数据样本往往不大，且优化目标维度较高，非线性程度较大；针对这种具有5～20个设计空间的优化问题，利用高斯过程回归方法的优势，可以很好的解决问题；综上，亟需一种新的自适应的燃气轮机轮盘型线优化方法。

发明内容

本发明的目的在于提供一种自适应的燃气轮机轮盘型线优化方法，通过引入高精度模型和低精度模型的接受准则，以一定概率用低精度模型的结果代替高精度模型的计算，缩短时间成本，并结合Metropolis-Hastings算法，解决优化算法的收敛问题。

本发明采用如下技术方案来实现的：

本发明的一种自适应的燃气轮机轮盘型线优化方法，包括以下步骤：

1)根据燃气轮机轮盘形状参数选取设计变量和优化目标变量，建立系统设计的高精度模型和低精度模型；

2)从设计空间中随机生成N组设计初值X_0i，利用高精度模型和低精度模型分别计算这N组初值下的目标函数值；

3)基于区间缩减策略从设计空间中产生新的设计变量值X_new，计算X_new的低精度模型的目标函数值；

4)计算已知的高精度模型和低精度模型之间目标函数值的误差ε，利用高斯过程回归学习误差；

5)利用步骤4)训练的高斯过程回归模型预测新误差的期望μ和方差σ²；

6)引入高精度模型和低精度模型的接受准则，以一定概率接受低精度模型计算的X_new的目标函数值；

7)利用基于Metropolis-Hastings算法的能量下降法，迭代优化结果，然后更新能量下降法的参数T；

8)判断迭代条件和收敛条件，完成优化。