有機工質(zhì)低溫余熱發(fā)電系統(tǒng)多目標優(yōu)化設(shè)計

王 漫，王江峰，閻哲泉，馬少林，戴義平

（1.西安交通大學 葉輪機械研究所，西安710049；2.東方汽輪機有限公司，德陽618201）

隨著有機朗肯循環(huán)發(fā)電系統(tǒng)在低溫熱源［1-2］（工業(yè)余熱、太陽能、地熱能等）回收利用中的廣泛應(yīng)用，在大量理論分析和試驗研究的基礎(chǔ)上，如何實現(xiàn)系統(tǒng)的最優(yōu)化設(shè)計逐漸成為重要的研究課題.大部分優(yōu)化研究僅從熱力學角度［3-4］或經(jīng)濟學角度［5-6］等單方面進行考慮，獲得系統(tǒng)達到最佳熱力學性能或經(jīng)濟性能時的熱力參數(shù).另外，又有學者［7-9］在對系統(tǒng)熱力性能進行優(yōu)化的同時，從經(jīng)濟性、環(huán)境友好性等方面對有機朗肯循環(huán)優(yōu)化問題進行了討論，但均以單目標函數(shù)進行優(yōu)化.在實際系統(tǒng)設(shè)計中，單目標優(yōu)化設(shè)計往往不能滿足設(shè)計要求，系統(tǒng)熱力性能的提高往往導(dǎo)致經(jīng)濟性變差，因此需要綜合考慮多種因素，對有機朗肯循環(huán)進行多目標優(yōu)化設(shè)計.目前，針對有機朗肯循環(huán)系統(tǒng)進行多目標優(yōu)化的研究較少，因此開展這方面的研究工作具有重要的學術(shù)價值和工程應(yīng)用價值.

1 多目標優(yōu)化問題

在系統(tǒng)設(shè)計中，往往存在多個設(shè)計目標，而這些設(shè)計目標有時會相互沖突，因此需要找到最佳設(shè)計參數(shù)以同時滿足相互沖突的多個目標，這就是多目標優(yōu)化問題.一般，對于具有n個決策變量、m個目標函數(shù)的多目標優(yōu)化問題，可以描述為：

約束條件如下：

在多目標優(yōu)化問題中，大多情況下，各個優(yōu)化目標相互沖突和相互制約，某個目標性能的改善可能會導(dǎo)致其他目標性能的下降，同時使所有目標都達到最優(yōu)是不可能實現(xiàn)的，只能在各個目標之間進行妥協(xié)折中和協(xié)調(diào)權(quán)衡，使所有的目標函數(shù)盡可能達到最優(yōu).因此，對于多目標優(yōu)化問題，其最優(yōu)解不是一個單獨的最優(yōu)解，而是在給定約束條件下的Pareto最優(yōu)解集.多目標優(yōu)化就是通過多目標優(yōu)化方法獲得問題的Pareto最優(yōu)解集，并且根據(jù)實際條件和決策者偏好，從Pareto最優(yōu)解集中選擇一些Pareto最優(yōu)解.

在給定余熱量條件下，從熱力學角度來講，希望系統(tǒng)的凈輸出功率最大，系統(tǒng)的熱力性能最好，而從經(jīng)濟性角度來講，希望系統(tǒng)的投資費用和運行費用最小，回收周期最短.因此，在對系統(tǒng)進行優(yōu)化設(shè)計時，需要對多目標優(yōu)化參數(shù)進行優(yōu)化，保證系統(tǒng)熱力性和經(jīng)濟性都能達到最優(yōu).

2 多目標優(yōu)化算法

非支配解排序遺傳算法（NSGA-II）是迄今為止應(yīng)用最廣泛的多目標優(yōu)化算法之一，具有以下優(yōu)點：可以降低計算復(fù)雜度；提出了擁擠距離的概念，采用擁擠距離比較算子進行選擇，保證個體的多樣性，防止過早收斂；引入精英保留機制，經(jīng)過選擇后參加繁殖的個體所產(chǎn)生的后代與其父代個體共同競爭來產(chǎn)生下一代種群，因此有利于保持優(yōu)良的個體，提高種群的整體進化水平.

NSGA-II的計算過程［10］如下：（1）隨機產(chǎn)生初始種群P0，種群規(guī)模為N，對初始種群采用二元錦標賽選擇，通過交叉和變異操作，產(chǎn)生子代種群Q0；（2）將父代種群和子代種群結(jié)合為新的種群Rt，其規(guī)模為2N；（3）對種群Rt進行非支配排序，將其分為不同的非支配等級（非支配前端）F1、F2、…，等級越高，距離最優(yōu)解越遠；（4）新的種群由不同非支配前端的個體來填充，依次按照F1、F2、…的順序來填充，由于種群規(guī)模為N，不可能所有非支配等級的個體均被填充到新的種群.考慮到最后一個非支配前端中的個體多于種群中剩下的位置，因此需要對同一非支配等級中的個體進行選擇，按照擁擠距離的大小進行排序，選擇擁擠距離大的填充種群中剩下的位置，最終形成新的種群Pt＋1；（5）對種群Pt＋1執(zhí)行交叉、變異，形成種群Qt＋1；（6）如果終止條件成立則結(jié)束，否則，跳轉(zhuǎn)到步驟（2）.算法的主要過程如圖1所示.

圖1 NSGA-II算法的主要過程Fig.1 Optimization procedure of the NSGA-II algorithm

3 有機工質(zhì)低溫余熱發(fā)電系統(tǒng)的數(shù)學模型

3.1 熱力學模型

有機工質(zhì)低溫余熱發(fā)電系統(tǒng)如圖2所示.有機工質(zhì)經(jīng)過增壓泵升壓后，進入余熱鍋爐吸收余熱熱源的熱量，產(chǎn)生高溫高壓蒸汽，進入透平膨脹做功，透平排氣進入冷凝器被冷卻水冷凝成液態(tài).為了簡化系統(tǒng)，忽略次要因素建立有機工質(zhì)低溫余熱發(fā)電系統(tǒng)的數(shù)學模型，進行如下假設(shè)：系統(tǒng)處于穩(wěn)定流動狀態(tài)；系統(tǒng)各個部件和外界環(huán)境沒有熱交換，忽略余熱鍋爐、冷凝器、回熱器和連接管路的壓力損失；冷凝器出口有機工質(zhì)為飽和液體；透平效率和泵效率為給定值.

圖2 有機工質(zhì)低溫余熱發(fā)電系統(tǒng)示意圖Fig.2 Schematic diagram of an ORC power generation system with low-temperature waste-heat sources

余熱鍋爐

透平

冷凝器

增壓泵

余熱鍋爐和冷凝器采用板式換熱器，其傳熱方程式為

對數(shù)平均溫差為

傳熱系數(shù)為

3.2 經(jīng)濟模型

有機工質(zhì)低溫余熱發(fā)電系統(tǒng)的總投資費用由系統(tǒng)中各個部件的投資費用相加組成.總投資費用為

冷凝器投資費用為

余熱鍋爐投資費用為

增壓泵投資費用為

有機工質(zhì)投資費用為

式中：K0＝8.374；B1，CND、B2，CND、B1，HRVG、B2，HRVG、B1，PUMP和B2，PUMP均為常數(shù)；FM，CND、FM，HRVG和FM，PUMP為不銹鋼的材料因子；FP，CND、FP，HRVG和FP，PUMP為壓力因子；FS為考慮到材料、管路、控制、運輸和人力等其他因素的附加因子；FMP為材料和壓力復(fù)合因子.

各部件的材料因子分別由下列各式給出：

式 中：C1，CND、C2，CND、C3，CND、C1，HRVG、C2，HRVG、C3，HRVG、C1，PUMP、C2，PUMP和C3，PUMP均 為 常 數(shù)；pCND、pHRVG和pPUMP分別為冷凝器、余熱鍋爐和增壓泵的設(shè)計運行壓力.

C0CND和C0HRVG分別為環(huán)境壓力下、材料為碳鋼的冷凝器和余熱鍋爐的設(shè)備購買費用，萬元；C0PUMP和C0TBN分別為增壓泵和透平的基本費用，萬元.C0CND、C0HRVG、C0PUMP和C0TBN分別由以下公式給出：

式 中：K1，CND、K2，CND、K3，CND、K1，HRVG、K2，HRVG、K3，HRVG、K1，PUMP、K2，PUMP、K3，PUMP、K1，TBN、K2，TBN和K3，TBN均為常數(shù)；ACND和AHRVG分別為冷凝器和余熱鍋爐的換熱面積，m2；WPUMP為增壓泵消耗功率，kW；WTBN為透平輸出功率，kW.

上述公式中常數(shù)的取值詳見參考文獻［11］.

4 有機工質(zhì)低溫余熱發(fā)電系統(tǒng)多目標優(yōu)化

4.1 目標函數(shù)、決策變量和約束條件

對于有機工質(zhì)低溫余熱發(fā)電系統(tǒng)，選取2個目標函數(shù)，分別為系統(tǒng)效率和總投資費用，要求系統(tǒng)效率最大，而系統(tǒng)總投資費用最小，如下式所示：

選取影響系統(tǒng)凈輸出功率和投資費用的5個關(guān)鍵參數(shù)作為決策變量，分別為透平進口壓力、透平進口溫度、節(jié)點溫差、接近點溫差和換熱器端差，如式（26）中所示.多目標優(yōu)化的約束條件為：（1）余熱側(cè)蒸發(fā)器出口溫度不能高于余熱鍋爐進口溫度；（2）透平進口溫度為過熱狀態(tài)或者飽和狀態(tài)；（3）有機工質(zhì)低溫余熱發(fā)電系統(tǒng)多目標參數(shù)優(yōu)化的相關(guān)計算條件及所選決策變量的取值范圍分別見表1和表2.

表1 有機工質(zhì)低溫余熱發(fā)電系統(tǒng)的計算條件Tab.1 Calculation conditions of the ORC power generation system

4.2 多目標優(yōu)化結(jié)果

圖3給出了采用NSGA-II算法進行多目標優(yōu)化后不同工質(zhì)系統(tǒng)的最優(yōu)解（Pareto最優(yōu)前沿）的比較.由圖3可以看出，對相同的效率，采用R245fa的低溫余熱發(fā)電系統(tǒng)的總投資費用比采用R123和異丁烷的低，因此，在不考慮有機工質(zhì)費用的條件下，采用R245fa的低溫余熱發(fā)電系統(tǒng)綜合性能最好.

表2 決策變量的取值范圍Tab.2 Data range of decision variables

圖3 采用不同工質(zhì)系統(tǒng)的最優(yōu)解（Pareto最優(yōu)前沿）比較Fig.3 Comparison of Pareto optimal solutions among different working fluids

對采用R245fa作為工質(zhì)的余熱發(fā)電系統(tǒng)最優(yōu)解的決策變量分布進行分析.圖4給出了Pareto最優(yōu)前沿中透平進口壓力在取值范圍內(nèi)的分布.由圖4可以看出，最優(yōu)解的透平進口壓力集中在1.1～1.4 MPa，說明透平進口壓力不能太低，太低會影響有機工質(zhì)余熱發(fā)電系統(tǒng)的綜合性能.圖5給出了Pareto最優(yōu)前沿中透平進口溫度在取值范圍內(nèi)的分布.由圖5可以看出，最優(yōu)解的透平進口溫度集中在93～128 ℃.

圖4 Pareto最優(yōu)前沿中透平進口壓力在取值范圍內(nèi)的分布Fig.4 Distribution of turbine inlet pressure within data range in the Pareto frontier

圖5 Pareto最優(yōu)前沿中透平進口溫度在取值范圍內(nèi)的分布Fig.5 Distribution of turbine inlet temperature within data range in the Pareto frontier

圖6、圖7和圖8分別給出了Pareto最優(yōu)前沿中余熱鍋爐節(jié)點溫差、接近點溫差和冷凝器端差在相應(yīng)取值范圍內(nèi)的分布.由圖6～圖8可以看出，最優(yōu)解的余熱鍋爐節(jié)點溫差、接近點溫差和冷凝器端差基本覆蓋整個取值范圍.

圖6 Pareto最優(yōu)前沿中節(jié)點溫差在取值范圍內(nèi)的分布Fig.6 Distribution of pinch temperature difference within data range in the Pareto frontier

圖7 Pareto最優(yōu)前沿中接近點溫差在取值范圍內(nèi)的分布Fig.7 Distribution of approach temperature difference within data range in the Pareto frontier

圖8 Pareto最優(yōu)前沿中冷凝器端差在取值范圍內(nèi)的分布Fig.8 Distribution of condenser temperature difference within data range in the Pareto frontier

在多目標最優(yōu)解集中如何選擇一個合適的解來滿足優(yōu)化設(shè)計的要求，是多目標優(yōu)化必須解決的一個問題.對于有機工質(zhì)余熱發(fā)電系統(tǒng)多目標優(yōu)化而言，就是在搜索空間所得到的所有Pareto最優(yōu)解集中選出一個比較合適的解，使有機工質(zhì)余熱發(fā)電系統(tǒng)的綜合性能最好.選出最優(yōu)解是一個決策過程，實際上，這個決策過程主要依賴于工程經(jīng)驗和決策者的偏好.本文中假設(shè)一個理想點，在這個點上，每一個單目標函數(shù)各自達到最優(yōu)值，2個目標函數(shù)不可能同時達到最優(yōu)值，如圖9中D點所示.可以看出，在D點，以系統(tǒng)的總投資費用為單目標函數(shù)，采用R245fa的有機工質(zhì)余熱發(fā)電系統(tǒng)的總投資費用最低，以系統(tǒng)的效率為單目標函數(shù)，系統(tǒng)的效率最大.然后，從理想點（D點）作到Pareto最優(yōu)前沿的最短距離獲得C點，這個C點既在Pareto最優(yōu)前沿上，又是使系統(tǒng)的效率和總投資費用都達到最佳的點.

圖9 Pareto最優(yōu)前沿中最優(yōu)解的選擇Fig.9 Selection of optimal solution from the Pareto frontier

表3給出了Pareto最優(yōu)前沿的最優(yōu)解的目標值，其中C點為最終找到的最優(yōu)解，其系統(tǒng)的效率為18.37%，總投資費用為455.84萬元.表4給出了Pareto最優(yōu)前沿的最優(yōu)解的決策變量取值，即系統(tǒng)多目標達到最優(yōu)時熱力參數(shù)的取值組合.

表3 Pareto最優(yōu)前沿的最優(yōu)解的目標值Tab.3 Objective values of the optimal solutions in the Pareto frontier

表4 Pareto最優(yōu)前沿的最優(yōu)解的決策變量取值Tab.4 Data setting for decision variables of optimal solutions in the Pareto frontier

5 結(jié) 論

在建立有機工質(zhì)低溫余熱發(fā)電系統(tǒng)的熱力學模型和經(jīng)濟模型的基礎(chǔ)上，為了使有機工質(zhì)低溫余熱發(fā)電系統(tǒng)的熱力性能和經(jīng)濟性都達到最佳，以系統(tǒng)效率最大化和系統(tǒng)總投資費用最小化為目標函數(shù)，采用NSGA-II算法對有機工質(zhì)低溫余熱發(fā)電系統(tǒng)進行了多目標優(yōu)化設(shè)計，獲得采用R123、R245fa和異丁烷作為工質(zhì)的Pareto最優(yōu)解集.通過比較可知，采用R245fa比其他2種工質(zhì)的綜合性能更好.對于采用R245fa的Pareto最優(yōu)解集，通過理想點輔助方法選擇出合適的多目標優(yōu)化解，最終系統(tǒng)效率為18.37%，總投資費用為455.84萬元.

［1］韓中合，葉依林，劉赟.不同工質(zhì)對太陽能有機朗肯循環(huán)系統(tǒng)性能的影響［J］.動力工程學報，2012，32（3）：229-234. HAN Zhonghe，YE Yilin，LIU Yun.Effect of working fluids on performance of solar organic Rankine cycles［J］.Journal of Chinese Society of Power Engineering，2012，32（3）：229-234.

［2］劉廣林，鹿院衛(wèi)，馬重芳，等.超臨界地熱有機朗肯循環(huán)工質(zhì)參數(shù)優(yōu)化［J］.工程熱物理學報，2010，31（11）：1886-1888. LIU Guanglin，LU Yuanwei，MA Chongfang，etal.Optimization of working fluids parameters in a super-critical cycle for geothermal power generation［J］.Journal of Engineering Thermophysics，2010，31（11）：1886-1888.

［3］SCHUSTER A，KARELLAS S，AUMANN R.Efficiency optimization potential in supercritical organic Rankine cycles［J］.Energy，2010，35（2）：1033-1039.

［4］湯元強，余岳峰.低溫余熱雙循環(huán)發(fā)電系統(tǒng)的設(shè)計與優(yōu)化［J］.動力工程學報，2012，32（6）：487-493. TANG Yuanqiang，YU Yuefeng.Design and optimization of the low-temperature waste-heat dual-cycle power generation system［J］.Journal of Chinese Society of Power Engineering，2012，32（6）：487-493.

［5］ATRENS A D，GURGENCI H，RUDOLPH V.Economic optimization of a CO2-based EGS power plant［J］.Energy ＆Fuels，2011，25（8）：3765-3775.

［6］ARSLAN O，YETIK O.ANN based optimization of supercritical ORC-binary geothermal power plant：simav case study［J］.Applied Thermal Engineering，2011，31（17／18）：3922-3928.

［7］ZHANG S J，WANG H X，GUO T.Performance comparison and parametric optimization of subcritical organic Rankine cycle（ORC）and transcritical power cycle system for low-temperature geothermal power generation［J］.Applied Energy，2011，88（8）：2740-2754.

［8］CAYER E，GALANIS N，NESREDDINE H.Parametric study and optimization of a transcritical power cycle using a low temperature source［J］.Applied Energy，2010，87（4）：1349-1357.

［9］QUOILIN S，DECLAYE S，TCHANCHE B F，etal.Thermo-economic optimization of waste heat recovery organic Rankine cycles［J］.Applied Thermal Engineering，2011，31（14／15）：2885-2893.

［10］DEB K.Multi-objective optimization using evolutionary algorithms［M］.UK：John Wiley ＆ Sons Ltd，2001.

［11］TURTON R，BAILIE R C，WHITING W B，etal.Analysis，synthesis and design of chemical processes［M］.3rd ed.America：Prentice Hall Inc，2009.