基于遗传算法的风力机叶片气动多目标优化设计方法

技术领域

本发明涉及风力发电技术领域，具体涉及基于遗传算法的风力机叶片气动多目标优化设计方法。

背景技术

遗传算法是通过借鉴生物的进化，有效处理传统算法无法解决的问题，是一种具有自组织、自适应、自学习特性的全局优化算法。在风力机叶片设计方面，运用遗传算法可以对叶片气动参数、载荷、以及约束条件等完成并行搜索寻优，以编码方式工作，不对参数本身进行操作；用概率性传递规则代替确定性规则，对各项目标进行全局寻优，只使用目标函数和相应的适应度函数，不需要其他的辅助信息。

风电行业现有的叶片气动设计大多采用“气动设计-结构设计-载荷仿真-气动优化”的经验性设计思路，将叶片的气动设计和载荷目标分开，依靠经验来实现叶片气动变量、载荷目标和约束条件之间的协调，这种方法可以获得相对可靠的可行解，却难以获得气动设计方案的最优解，无法实现整机的最优经济效益。

发明内容

针对现有技术中的缺陷，本发明提供的基于遗传算法的风力机叶片气动多目标优化设计方法，以解决现有叶片气动设计方法将叶片气动设计和载荷目标分开，难以获得气动设计方案最优解的技术问题。

为了实现上述目的，本发明通过如下技术方案来实现：

一种基于遗传算法的风力机叶片气动多目标优化设计方法，包括如下步骤：

确定预设输入条件；其中，所述预设输入条件包括翼型约束、解空间设置和目标函数中的至少一种；

基于遗传算法对叶片进行寻优计算，以确定所述叶片的形状。

可选地，所述翼型约束包括指定厚度分布不同的翼型族。

可选地，所述解空间设置包括将气动外形参数作为优化目标，不同的参数分布相互组合形成解空间；其中，所述气动外形参数包括叶片展向截面对应的弦长、扭角、厚度、预弯中的至少一个。

可选地，所述解空间设置包括将弦长和扭角作为优化目标，且限制弦长许可变化范围在5％以内，不同的扭角分布和弦长分布相互组合形成解空间。

可选地，所述解空间设置满足以下公式：

Chord＝F(f(x

Twist＝G(g(x

其中，Chord表示危及给出截面弦长分布，Twist表示随机给出截面扭角分布，F表示弦长拟合函数，f表示弦长离散点函数，G表示扭角拟合函数，g表示扭角离散点函数，x

可选地，所述目标函数包括将叶片风能利用系数最大、叶片载荷最小、重量小、发电能力强中的至少一项作为优化目标。

可选地，所述目标函数将叶片风能利用系数最大、叶片载荷最小作为优化目标，具体如下：

其中，a、b和c与期望风能利用系数Cp

可选地，在所述基于遗传算法对所述叶片进行寻优计算之前，还包括：

遗传算法边界设置，所述遗传算法边界设置包括设置遗传算法种群数目、杂交率、变异率和最大迭代次数。

由上述技术方案可知，本发明的有益效果：

本发明提供的基于遗传算法的风力机叶片气动多目标优化设计方法，包括以下步骤：确定预设输入条件；其中，所述预设输入条件包括翼型约束、解空间设置和目标函数中的至少一种；基于遗传算法对叶片进行寻优计算，以确定所述叶片的形状。通过本优化设计方法，可对风电机组叶片气动设计展开多目标优化，借助遗传算法能够很好的完成叶片外形优化设计过程，相比传统设计方法能够显著提高叶片的性能参数，并且能够降低气动载荷，适应工程上对风力机叶片发电性能强，载荷表现低，经济效益好等多项需求的目的。

附图说明

为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍。在所有附图中，类似的元件或部分一般由类似的附图标记标识。附图中，各元件或部分并不一定按照实际的比例绘制。

图1为基于遗传算法的风力机叶片气动多目标优化设计方法的步骤图；

图2为弦长扭角优化方案示意图；

图3为粒子群算法优化结果对比图。

具体实施方式

下面将结合附图对本发明技术方案的实施例进行详细的描述。以下实施例仅用于更加清楚地说明本发明的技术方案，因此只作为示例，而不能以此来限制本发明的保护范围。

如图1所述，本发明提供一种基于遗传算法的风力机叶片气动多目标优化设计方法，包括如下步骤：

S1、确定预设输入条件；其中，所述预设输入条件包括翼型约束、解空间设置和目标函数中的至少一种；

S2、基于遗传算法对叶片进行寻优计算，以确定所述叶片的形状，所述叶片的形状包括翼型和解空间。遗传算法(Genetic Algorithm，GA)是近些年发展出来的一种通过优胜劣汰而逐渐逼近问题最优解的搜索寻优算法.遗传算法与准则法相比，有如下特点：可以并行搜索多个峰值，实现多点寻优；以编码方式工作，不对参数本身进行操作；用概率性传递规则代替确定性规则，具有全局寻优特点；只使用目标函数和相应的适应度函数，不需要其他的辅助信息.与传统数学算法相比，遗传算法比较适合求解不连续、多峰、高维、具有凹凸性的问题。

其中，所述翼型约束包括指定厚度分布不同的翼型族。约束叶片沿叶展方向各截面的翼型厚度，越薄的翼型，叶片Cp(Coefficient of Power，风能利用系数)越高，发电量越好，但叶片太薄将导致叶片的刚度下降，不满足挠度约束。叶片厚度分布与结构设计强相关，厚度分布不合理，将导致叶片不能完成结构设计。

所述解空间设置包括将气动外形参数作为优化目标，不同的参数分布相互组合形成解空间；其中，所述气动外形参数包括叶片展向截面对应的弦长、扭角、厚度、预弯中的至少一个。一个实施例，所述解空间设置包括将弦长和扭角作为优化目标，不同的扭角分布和弦长分布相互组合形成解空间。叶片气动优化时时考虑以下限制条件：以扭角优化为主，弦长优化为辅，限制弦长许可变化范围在5％以内。图2为弦长扭角优化方案示意图，“Chord”表示随机给出截面弦长分布，在分布曲线上选取7个优化控制点(Optimization Point ofChord，OPC)，运用遗传算法，每个控制点上下移动形成新的弦长分布点，新的弦长分布点以二阶插值方法形成新的弦长分布曲线，作为解空间里的弦长分布；“Twist”表示随机给出截面扭角分布，在分布曲线上选取7个优化控制点(Optimization Point of Twist，OPT)，运用遗传算法，每个控制点上下移动形成新的扭角分布点，新的扭角分布点以二阶插值方法形成新的扭角分布曲线，作为解空间里的扭角分布。由此，所述解空间设置满足以下公式：

Chord＝F(f(x

Twist＝G(g(x

其中，Chord表示危及给出截面弦长分布，Twist表示随机给出截面扭角分布，F表示弦长拟合函数，f表示弦长离散点函数，G表示扭角拟合函数，g表示扭角离散点函数，x

进一步地，所述目标函数包括将叶片风能利用系数最大、叶片载荷最小、重量小、发电能力强中的至少一项作为优化目标。一个实施例，所述目标函数将叶片风能利用系数最大、叶片载荷最小作为优化目标，具体函数如下：

其中，a、b和c与期望风能利用系数Cp

作为对上述方案的进一步改进，在所述基于遗传算法对所述叶片进行寻优计算之前，还包括遗传算法边界设置，所述遗传算法边界设置包括设置遗传算法种群数目、杂交率、变异率和最大迭代次数。如，可设置遗传算法种群数目64，杂交率0.05，变异率0.05，最大迭代次数100，并设置变异边界保护，防止种群基因超出边界。

综上，遗传算法程序使用Python编写，并完成上述实施例中7个控制点的迭代优化，以完成Pareto曲线绘制，如图3所示，其中，Optimal表示遗传算法结果，Original表示常规方法结果。分析图3中Pareto曲线可知，相较于常规设计方法，同Cp情况下，遗传算法得到的叶根弯矩My可下降约5％，最高Cp可达到0.486。

通过本优化设计方法，可对风电机组叶片气动设计展开多目标优化，借助遗传算法能够很好的完成叶片外形优化设计过程，遗传算法种群的变异和交叉互换概率决定了族群本身永恒的多样性，通常种群不会困在局部最优解上，理论上只要遗传代数足够多，就一定能找到最优解，遗传算法倾向于设置更长的迭代次数；相比传统设计方法能够显著提高叶片的性能参数，并且能够降低气动载荷，适应工程上对风力机叶片发电性能强，载荷表现低，经济效益好等多项需求的目的。

最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围，其均应涵盖在本发明的权利要求和说明书的范围当中。