《改进遗传算法在输气管道运行优化中的应用.ppt》由会员分享，可在线阅读，更多相关《改进遗传算法在输气管道运行优化中的应用.ppt（22页珍藏版）》请在三一办公上搜索。
1、改进遗传算法在输气管道运行优化中的应用,目录,1 作者介绍,蒋 毅 陈次昌（西南石油大学）陈 芬（中油设计西南分公司）2009年发表于油气储运 第28卷第7期,2 应用背景,天然气长输管道运行动力消耗费用数额巨大,于是想通过优化管道运行参数,以达到降低输送能耗,提高经济效益的目的。目前,天然气长输管道运行优化通常采用动态规划算法和遗传算法(GA)在实际应用中,传统的遗传算法暴露出无效操作多、收敛速度慢、算法效率低等问题,应用背景,本文中提出的方法 结合天然气长输管道的运行特点,对传统的遗传算法进行改进可以大大提高遗传算法在天然气长输管道运行优化中的应用时效。,3 数学模型,目标函数：以管道运行
2、的动力费用最低为最优准则,即取长输管道全线压缩机站压缩机机组运行消耗动力费用为目标函数。设全线有n 座压缩机站,每座压缩机站有mi台压缩机组,全线压缩机组消耗的动力费用目标函数为:,数学模型,n全线压缩机站总数;mi 每座压缩机站的压缩机组台数;t0、t1 开始和终止的计算时间;t 运行时间,min;Ci 第i 个压缩机站单位动力消耗费用,元/min;N i,j 第i 个压缩机站第j 台压缩机在转速 为s 时的功率,约束条件,天然气长输管道运行优化问题的约束条件：气体管流的水力约束条件;气体管流的热力约束条件;压缩机站特性约束条件；进站压力下限、出站压力上限等;压缩机运行约束条件；进出口流量限
3、制等。,4 传统遗传算法的应用,1 约束条件的处理归一化处理所有不等式的约束条件,得到:gi(X)0(i=1,2,3)2 适应度函数的确定输气干线压缩机站机组组合运行优化是有约束的最小化问题:式中 F 是全线压缩机组消耗的动力费用的目标函数。,传统遗传算法的应用,由于这是最小化问题，需要把它转化为最大化问题来解决。因此，得到全线压缩机组动力消耗的适应度函数:在本文中，作者采取了取倒数的处理方法,确定编码方案,根据离心式压缩机的特性曲线,将相对转速离散化为0.75、0.80、0.85、0.90、0.95、1.00、1.05、1.10八个等级,再考虑压缩机组停运的情况,分别以8、7、6、5、4、3
4、、2、1、0进行编号。设有10 台压缩机组,按一台压缩机组占一个位置,随机生成一个有10 位的染色体,例如2513568417、1356847205、3645842145,染色体中的每个正整数按位置对应相应的压缩机组运行时的对比相对转速编号。,遗传算子,根据适应度的大小用轮盘赌方式选择2 个个体作为交叉操作的父本。随机选择交叉操作的起始机组号,从该机组号开始,将对应的运行方式相互交换,得到2 个新的个体,例如:父体A 125424|3584 125424|5742 新个体A1父体B 235146|5742 235146|3584 新个体B1变异算子即在交叉操作过程中,若一新个体中的某一机组满足
5、变异概率(P m)条件,则该机组的运行方式随机变为其它转速编号。,总体步骤,遗传算法过程如下:begint 0;生成初始群体P(t);评估P(t);while 不满足终止条件dot t+1;从P(t-1)中选择P(t);评估P(t);endend,5 改进遗传算法与应用,1 适应度函数动态定标在传统遗传算法的运算过程中存在两个问题：一是在遗传进化初期,一般存在一些超常个体,这些个体竞争性太强,导致未成熟收敛现象,得不到全局优化解二是在遗传算法进化过程中,如果群体的平均适应度已接近最佳个体适应度,可能导致无目标的随机漫游过程,严重影响收敛速度。,改进遗传算法与应用,采用适应度函数动态定标,可解决
6、上述问题,即对于未成熟收敛现象,可通过缩小相应的适应度函数值来降低异常个体的竞争力;对于随机漫游现象,可通过放大相应的适应度函数值来提高个体间的竞争力。通过研究,采用适应度函数线性定标:,自适应交叉概率和变异概率,交叉概率和变异概率根据群体中个体适应度的分散程度作自适应调整：分散程度越大,交叉概率越大,变异概率越小;反之,分散程度越小,交叉概率越小,变异概率越大。交叉概率和变异概率分别采用指数下降法和指数上升法来确定。,实例计算,某天然气长输管道全长999.9 km,管径为6308 mm,输气量为5106 m3/d,最高运行压力为5.5 MPa,终点配气站最低运行压力为1 MPa。管输天然气的
7、相对密度=0.58,压缩系数Z=0.93,平均温度T=288 K,水力摩阻系数=0.012 1,自用气系数M=0.995,每个压缩机站配置3 套压缩机组。,实例计算,实例计算,使用改进遗传算法进行优化计算,：种群规模为200,交叉概率为0.8,变异概率为0.25,遗传代数为50。采用5 次计算的结果作为参考,计算结果选择其中最优的一次,全线动力费用为9.869104 元/d。,实例计算,使用动态规划算法和传统遗传算法对此例进行计算,并与改进遗传算法进行比较,结果见表3。,实例计算,改进遗传算法的优化结果远远优于动态规划算法,每小时可节约0.435104 元的动力费用。与传统遗传算法相比,改进遗传算法减少了大量无效操作,运算过程最小代数普遍减小,收敛速度快,效率高,计算时间大为缩短。,Thank You!,
