基于自适应粒子群优化算法的串联复合涡轮储能优化策略

doi:10.11772/j.issn.1001-9081.2023020197

《计算机应用》唯一官方网站 ›› 2024, Vol. 44 ›› Issue (2): 611-618.DOI: 10.11772/j.issn.1001-9081.2023020197

• 前沿与综合应用 • 上一篇

基于自适应粒子群优化算法的串联复合涡轮储能优化策略

王震, 张珊珊(), 邬斌扬, 苏万华

天津大学内燃机燃烧学国家重点实验室，天津 300072

收稿日期:2023-02-28 修回日期:2023-03-29 接受日期:2023-04-10 发布日期:2023-08-14 出版日期:2024-02-10
通讯作者: 张珊珊
作者简介:王震（1998—），男，吉林吉林人，硕士研究生，主要研究方向：余热回收、能量存储
邬斌扬（1986—），男，江苏盐城人，副教授，博士，主要研究方向：燃烧的人工智能预测
苏万华（1941—），男，黑龙江佳木斯人，教授，硕士，主要研究方向：柴油电控燃油系统。
基金资助:
国家自然科学基金创新研究群体项目(51921004)

Optimization strategy of tandem composite turbine energy storage based on self-adaptive particle swarm optimization algorithm

Zhen WANG, Shanshan ZHANG(), Binyang WU, Wanhua SU

State Key Laboratory of Engines，Tianjin University，Tianjin 300072，China

Received:2023-02-28 Revised:2023-03-29 Accepted:2023-04-10 Online:2023-08-14 Published:2024-02-10
Contact: Shanshan ZHANG
About author:WANG Zhen， born in 1998， M. S. candidate. His research interests include waste heat recovery， energy storage.
WU Binyang， born in 1986， Ph. D.， associate professor. His research interests include artificial intelligence prediction of combustion.
SU Wanhua， born in 1941， M. S.， professor. His research interests include diesel electric control fuel system.
Supported by:
National Natural Foundation of China Innovative Research Group Project(51921004)

摘要/Abstract

摘要：

针对发动机串联复合涡轮发电系统储能困难等问题，提出了一种基于自适应粒子群优化（SAPSO）算法的最大功率点追踪（MPPT）方法，增强发电系统功率的捕获能力。此外，采用混合储能系统（HESS）替代单一蓄电池储能，实现电能的高效、稳定存储。通过Matlab/Simulink软件，建立了基于发动机串联复合涡轮发电的储能优化控制仿真模型，对比分析了不同控制方法在设定工况下的功率追踪性能以及混合储能系统的储能特性。仿真结果表明，相较于传统扰动观测法（P&O）控制方法，在所提的SAPSO-MPPT方法下，发电功率提高了190 W，响应时间缩短了0.15 s。同时，HESS能够有效追踪母线上的需求功率，电能回收效率高达95.3% 。最后，基于Y24型改装发动机台架搭建了串联复合涡轮发电系统实验平台，对所提储能优化控制策略的节油潜力进行了实验验证。结果表明，SAPSO-MPPT+HESS储能优化策略能够有效提高排气能量回收效率，优化后系统总热效率比原发动机提高了提高0.53个百分点。

关键词: 自适应粒子群优化算法, 串联复合涡轮发电系统, 最大功率点追踪, 混合储能系统

Abstract:

A new Maximum Power Point Tracking （MPPT） method， based on Self-Adaptive Particle Swarm Optimization （SAPSO）， was proposed to address the energy storage challenge in engine tandem composite turbine power generation systems. A Hybrid Energy Storage System （HESS） was introduced to augment the power capture capability of the generation system and replace single battery storage， achieving efficient and stable electrical energy storage. A control simulation model of energy storage optimization based on tandem composite turbine power generation was established using Matlab/Simulink software. The power tracking performance for various control methods and the energy storage characteristics of hybrid energy storage systems were compared and analyzed under predetermined operating conditions. Simulation results reveal that the proposed SAPSO-MPPT method outperforms the conventional P&O （Perturbation and Observation） control method， increasing power generation by 190 W and reducing response time by 0.15 s. Additionally， HESS could effectively track the demand power on the busbar， achieving power recovery efficiency of 95.3% . Finally， a test platform for the tandem composite turbine power generation system was developed using a modified Y24 engine bench to validate the fuel-saving potential of the proposed energy storage optimized control strategy. The test findings indicate that the suggested SAPSO-MPPT+HESS energy storage optimization strategy improves energy recovery efficiency by 0.53 percentage points compared to the original engine.

Key words: Self-Adaptive Particle Swarm Optimization (SAPSO) algorithm, tandem composite turbine power generation system, Maximum Power Point Tracking (MPPT), Hybrid Energy Storage System (HESS)

中图分类号:

TK41

王震, 张珊珊, 邬斌扬, 苏万华. 基于自适应粒子群优化算法的串联复合涡轮储能优化策略[J]. 计算机应用, 2024, 44(2): 611-618.

Zhen WANG, Shanshan ZHANG, Binyang WU, Wanhua SU. Optimization strategy of tandem composite turbine energy storage based on self-adaptive particle swarm optimization algorithm[J]. Journal of Computer Applications, 2024, 44(2): 611-618.

图/表 18

图1 发动机串联复合发电系统的结构简图

Fig. 1 Structure sketch of engine tandem composite power generation system

表1 发动机串联复合发电系统主要技术参数

Tab. 1 Main technical parameters of engine tandem composite power generation system

参数	取值
发动机型式	直列四缸，四冲程
缸径×行程/（mm×mm）	85×104
排量/L	2.36
额定功率/kW	103
发动机额定转速/（r·min^-1）	2 900
废气涡轮最大膨胀比	2.2
动力涡轮最大膨胀比	3.4
发电机形式	永磁同步电机
发电机额定功率/kW	5
发电机额定转速/（r·min^-1）	10 000
额定电压/V	220

图2 基于串联复合涡轮发电的优化控制系统模型

Fig. 2 Optimized control system model based on tandem composite turbine power generation

图3 SAPSO算法和传统PSO算法寻优性能对比

Fig. 3 Optimization performance comparison of SAPSO and traditional PSO algorithms

图4 SAPSO-MPPT算法的流程

Fig. 4 Flow of SAPSO-MPPT algorithm

图5 串联复合涡轮发电系统混合储能系统结构

Fig. 5 Hybrid energy storage system structure for tandem composite turbine power generation system

图6 复合涡轮发电系统HESS功率分配控制策略

Fig. 6 Power distribution control strategy for HESS with tandem composite turbine power generation system

图7 储能优化控制策略总控制流程

Fig. 7 General control flow of energy storage optimized control strategy

图8 控制系统中端测试运行工况

Fig. 8 Operation conditions of control system mid-range test

图9 最大输出功率追踪效果对比

Fig. 9 Tracking effect comparison of maximum output power

图10 HESS测试工况功率曲线

Fig. 10 HESS test condition power curves

图11 HESS储能功率追踪效果

Fig. 11 Tracking effect of HESS energy storage power

图12 HESS中蓄电池、超级电容器储能曲线

Fig. 12 Energy storage curves of battery and supercapacitor in HESS

图13 串联复合涡轮发电系统实验台架

Fig. 13 Test bench for tandem composite turbine power generation system

图14 SAPSO控制方法与传统PSO控制方法发电情况对比

Fig. 14 Comparison of SAPSO and conventional control methods for power generation

表2 实验工况参数设置

Tab. 2 Test condition parameter setting

项目	参数值
发动机转速/（r·min^-1）	1 400， 1 600， 1 800， 2 000， 2 200
发动机负荷/MPa	1
循环喷油量/mg	124.8
进气温度/K	330
进气压力/bar	1.7

图15 发动机系统功率输出对比

Fig. 15 Engine system power output comparison

图16 发动机系统热效率对比

Fig. 16 Engine system thermal efficiency comparison

参考文献 20

1	DOLZ V， NOVELLA R， GARCÍA A， et al. HD diesel engine equipped with a bottoming Rankine cycle as a waste heat recovery system. Part 1：Study and analysis of the waste heat energy［J］. Applied Thermal Engineering， 2012， 36： 269-278. 10.1016/j.applthermaleng.2011.10.025
2	赵欣颖，高文志，卫利锋，等. 基于遗传算法的汽油机朗肯循环余热回收系统的优化［J］. 内燃机工程， 2020， 41（1）： 49-56.
	ZHAO X Y， GAO W Z， WEI L F， et al. Optimization of waste heat recovery system of gasoline engine Rankine cycle based on genetic algorithm ［J］. Chinese Internal Combustion Engine Engineering， 2020， 41（1）： 49-56.
3	XU Y， CUI Y， WANG Y， et al. Simulation study on exhaust turbine power generation for waste heat recovery from exhaust of a diesel engine［J］. Energy Reports， 2021， 7： 8378-8389. 10.1016/j.egyr.2021.09.083
4	赵梦珏. 基于扰动观察法的光伏MPPT技术的仿真分析［J］. 电工技术， 2022（16）： 54-56.
	ZHAO M J. Simulation analysis of photovoltaic MPPT technology based on disturbance observation method ［J］. Electric Engineering， 2022（16）： 54-56.
5	李畸勇，张伟斌，武泽中，等. 基于稳态无振荡INC的MPPT控制策略［J］. 电源技术， 2021， 45（2）： 217-221. 10.3969/j.issn.1002-087X.2021.02.018
	LI J Y， ZHANG W B， WU Z Z， et al. MPPT control strategy based on steady state non-oscillating conductance increment algorithm［J］. Chinese Journal of Power Sources， 2021， 45（2）： 217-221. 10.3969/j.issn.1002-087X.2021.02.018
6	郭金智，潘子峻，袁绍军，等.基于改进电导增量法的变步长MPPT算法［J］. 电气传动， 2022， 52（20）： 50-56.
	GUO J Z， PAN Z J， YUAN S J， et al. Variable step size MPPT algorithm based on improved conductance increment method［J］. Electric Drive， 2022， 52（20）： 50-56.
7	MESSALTI S， HARRAG A G， LOUKRIZ A E. A new neural networks MPPT controller for PV systems［C］// Proceedings of the 6th International Renewable Energy Congress. Piscataway： IEEE， 2015： 1-5. 10.1109/irec.2015.7110907
8	CHANDRASEKARAN K， MOHANTY M， GOLLA M， et al. Dynamic MPPT controller using cascade neural network for a wind power conversion system with energy management［J］. IETE Journal of Research， 2020， 68（5）： 3316-3330.
9	张晓强，刘宜罡，邹应全，等. 基于自适应神经网络控制的光伏MPPT算法改进［J］. 太阳能学报， 2019， 40（11）： 3095-3102.
	ZHANG X Q， LIU Y G， ZOU Y Q， et al. An enhanced photovoltaic MPPT approach based on adaptive neural network control［J］. Acta Energiae Solaris Sinica， 2019， 40（11）： 3095-3102.
10	GABASH A， LI P. Active-reactive optimal power flow in distribution networks with embedded generation and battery storage［J］. IEEE Transactions on Power Systems， 2012， 27（4）： 2026-2035. 10.1109/tpwrs.2012.2187315
11	唐西胜，武鑫，齐智平. 超级电容器蓄电池混合储能独立光伏系统研究［J］. 太阳能学报， 2007，28（2）： 178-183. 10.3321/j.issn:0254-0096.2007.02.014
	TANG X S， WU X， QI Z P. Study on stand-alone PV system with battery/ultracapacitor hybrid energy storage［J］. Acta Energiae Solaris Sinica， 2007，28（2）： 178-183. 10.3321/j.issn:0254-0096.2007.02.014
12	GU Y， LI W， HE X. Frequency-coordinating virtual impedance for autonomous power management of DC microgrid［J］. IEEE Transactions on Power Electronics， 2015， 30（4）： 2328-2337. 10.1109/tpel.2014.2325856
13	HREDAK B， AGELIDIS V G， JANG M. A model predictive control system for a hybrid battery-ultracapacitor power source［J］. IEEE Transactions on Power Electronics， 2014， 29（3）： 1469-1479. 10.1109/tpel.2013.2262003
14	KUMAR D， CHATTERJEE K. A review of conventional and advanced MPPT algorithms for wind energy systems［J］. Renewable and Sustainable Energy Reviews， 2016， 55： 957-970. 10.1016/j.rser.2015.11.013
15	顾宏中.涡轮增压柴油机性能研究［M］.上海：上海交通大学出版社， 1998： 6-8.
	GU H Z. Research on Turbocharged Diesel Engine Performance ［M］. Shanghai： Shanghai Jiao Tong University Press， 1998： 6-8.
16	LI S， HASKEW T， SWATLOSKI R， et al. Optimal and direct-current vector control of direct-driven PMSG wind turbines［J］. IEEE Transactions on Power Electronics， 2012， 27（5）： 2325-2337. 10.1109/tpel.2011.2174254
17	ZHANG Y， WANG S， JI G. A comprehensive survey on particle swarm optimization algorithm and its applications［J］. Mathematical Problems in Engineering， 2015， 2015： 931256. 10.1155/2015/931256
18	梁明玉，蔡新红，赵咪. 基于改进粒子群算法的光伏系统MPPT控制研究［J］. 计算机仿真， 2021， 38（10）： 133-139. 10.3969/j.issn.1006-9348.2021.10.026
	LIANG M Y， CAI X H， ZHAO M. Research on MPPT control of photovoltaic system based on improved particle swarm optimization［J］. Computer Simulation， 2021， 38（10）： 133-139. 10.3969/j.issn.1006-9348.2021.10.026
19	舒寅笛，邓竞. 电动汽车混合储能系统的自适应滑模控制［J］. 电气应用， 2021， 40（11）： 10-18.
	SHU Y D， DENG J. Adaptive sliding mode control for a hybrid energy storage system for electric vehicles［J］. Electrotechnical Application， 2021， 40（11）： 10-18.
20	XIAO G， CHEN Q， XIAO P， et al. Multi-objective optimization for a Li-Ion battery and supercapacitor hybrid energy storage electric vehicle［J］. Energies， 2022， 15（8）： 2821. 10.3390/en15082821

基于自适应粒子群优化算法的串联复合涡轮储能优化策略

Optimization strategy of tandem composite turbine energy storage based on self-adaptive particle swarm optimization algorithm

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 18

参考文献 20

相关文章 1

编辑推荐

Metrics