结合神经网络算法的风电场数值模拟方法、装置及存储介质制造方法及图纸

本发明专利技术公开了一种结合神经网络算法的风电场数值模拟方法、装置及存储介质，属于风电场数值模拟技术领域。首先对目标风电场求解区域划分网格进行离散，给定初始时刻参数，求解动量方程，获得计算流速数值，求解压力修正方程，对求得的计算流速数值进行修正，判断求解结果是否达到收敛，若否，则重复求解过程；若是，则将几何参数和流场参数作为输入数据，将本次求解结果作为输出数据输入神经网络进行一次训练，最后判断是否达到预设的求解时间，若否则重复之前步骤；若是则停止求解，得到训练后的神经网络；利用该神经网络完成风电场数值模拟。该方法相较于人工主观给定初始值会大大提高准确性，代替常见的人为主观给定初值的方法，提高收敛性。

【技术实现步骤摘要】
结合神经网络算法的风电场数值模拟方法、装置及存储介质
本专利技术属于风电场数值模拟
，具体涉及一种结合神经网络算法的风电场数值模拟方法、装置及存储介质。
技术介绍
通常情况下，人们难以对流体参数的分布情况进行充分的试验、测量。以风电场为例，只能采用数量有限的测风塔对风速进行单点测量，对整个风电场内风速、压力等参数的分布情况只能依赖数值模拟手段进行计算。将以风电场的数值模拟计算结果作为前期发电量计算、微观选址的基础，是项目规划的重要依据，提高其准确性对项目建设的经济性十分必要。目前对流场内流速的求解，包括风电场，都采用以SIMPLE算法为例的数值模拟方法进行求解。主要求解过程为：将流场划分为若干(通常数目较大，如为三维计算，网格数目可达千万甚至亿级)假设流速、压力的初始分布，根据初始分布求解动量方程获得新的流速分布，该分布并不一定满足连续方程；用连续方程对上一步求解的流速进行修正；如果修正前后的流速差值符合精度要求则认为收敛，否则继续重复动量方程求解-连续方程修正这一过程，直到获得符合精度要求的数值解。流场的数值求解往往存在收敛性问题，其中影响收敛性的一个重要问题是初始流场分布的给定。如果给定的流场与实际不符，往往会导致求解过程的震荡。但在没有求解之前，往往又没有恰当的初始值，只能人为给定一种分布，而这种分布往往与实际相差甚远，在这种初始分布的情况下往往需要很多次迭代才能达到收敛。
技术实现思路
为了解决上述问题，本专利技术的目的在于提供一种结合神经网络算法的风电场数值模拟方法、装置及存储介质，相对于普遍采用的人工主观给定初始值的做法更加贴近实际，能够促进CFD求解过程的收敛速度。本专利技术是通过以下技术方案来实现：一种结合神经网络算法的风电场数值模拟方法，包括以下步骤：S1：对目标风电场求解区域划分网格，进行离散；S2：给定初始时刻参数；S3：求解动量方程，获得计算流速数值；S4：求解压力修正方程，对S3求得的计算流速数值进行修正；S5：判断S4的求解结果是否达到收敛，若否，则重复S3～S4；若是，则将几何参数和流场参数作为输入数据，将本次求解结果作为输出数据，输入神经网络进行一次训练；S6：判断是否达到预设的求解时间，若否，则重复S3～S5；若是，则停止求解，得到训练后的神经网络；利用该神经网络完成风电场数值模拟。优选地，S1具体为：在目标风电场取一个方形区域，将该区域划分成若干小块，每块用一个点表示。优选地，S2中，初始时刻参数包括流速、压力、温度和物性参数。优选地，S5中，几何参数包括目标风电场的形状和地形数据。优选地，S5中，本次求解结果是指使本次求解结果收敛的流速和压力参数。优选地，S5中，神经网络的输出矩阵大小与求解精度相匹配。本专利技术还公开了一种计算机设备，包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述结合神经网络算法的风电场数值模拟方法的步骤。本专利技术还公开了一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序被处理器执行时实现上述结合神经网络算法的风电场数值模拟方法的步骤。与现有技术相比，本专利技术具有以下有益的技术效果：本专利技术公开的结合神经网络算法的风电场数值模拟方法，将待求变量(流速)作为输出矩阵，风电场几何特征(高度、坡度、待求点在风电场中所处位置、粗糙度等)作为输入；采用神经网络方法，在CFD计算过程中每求出一次流速数值，便将相关的输入矩阵参数和流速值作为训练数据代入神经网络进行训练。随着模拟案例的增多，该神经网络估算流速的准确度将逐步提高，能够根据待求解风电场的几何参数初步估算出流场分布初值，相较于人工主观给定初始值会大大提高准确性，能够代替常见的人为主观给定初值的方法，提高收敛性。附图说明图1为本专利技术的结合神经网络算法的风电场数值模拟方法的流程图。具体实施方式下面以附图和具体实施例对本专利技术做进一步的详细说明，所述是对本专利技术的解释而不是限定。本专利技术的结合神经网络算法的风电场数值模拟方法，流程图如图1，包括以下步骤：S1：对目标风电场求解区域划分网格，进行离散；具体的，在目标风电场取一个方形区域，将该区域划分成若干小块，每块用一个点表示；S2：给定初始时刻参数；初始时刻参数包括流速、压力、温度和物性参数。S3：求解动量方程，获得计算流速数值；S4：求解压力修正方程，对S3求得的计算流速数值进行修正；S5：判断S4的求解结果是否达到收敛，若否，则重复S3～S4；若是，则将几何参数和流场参数作为输入数据，将本次求解结果作为输出数据，输入神经网络进行一次训练；几何参数包括目标风电场的形状和地形数据。本次求解结果是指使本次求解结果收敛的流速和压力参数。神经网络的输出矩阵大小与求解精度相匹配；S6：判断是否达到预设的求解时间，若否，则重复S3～S5；若是，则停止求解，得到训练后的神经网络，利用该神经网络完成风电场数值模拟。每当CFD过程中求解完一个节点的变量，以流速为例，以求解出的该流速数值区域构建神经网络输出矩阵(风电场流速一般在0-10米/秒，以1米/秒为单位输出矩阵只有十个数值，可以根据精度要求调整输出矩阵的大小。例如，想达到精度0.1m/s设置输出矩阵为0.1，0.2,0.3,.....10.0即可)。输入矩阵由风电场相关参数的取值组成，主要有该节点所在地形的坡度、粗糙度，坡度和粗糙度也可以按精度决定取值，构建输入矩阵。有了输入输出矩阵后，可以在CFD的迭代求解过程中利用每次求解的结果作为训练数据，例如每次求得一个流速值，可以将该节点所在位置的坡度、粗糙度、在流场中所处的位置及流速结果作为神经网络的训练数据进行训练。这样在经历足够多的迭代过程后，该神经网络便有了根据节点所在位置的坡度、粗糙度、在流场中所处的位置对流速结果进行估算的能力，那么可以用这个估算值作为初始值用作CFD求解中。本专利技术还提供一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现本专利技术所述结合神经网络算法的风电场数值模拟方法的步骤。本专利技术结合神经网络算法的风电场数值模拟方法可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本专利技术可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。本专利技术结合神经网络算法的风电场数值模拟方法如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，在示例性实施例中，还提供了一种计算机可读存储介质，本专利技术实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于该计算机本文档来自技高网...

【技术保护点】
1.一种结合神经网络算法的风电场数值模拟方法，其特征在于，包括以下步骤：/nS1：对目标风电场求解区域划分网格，进行离散；/nS2：给定初始时刻参数；/nS3：求解动量方程，获得计算流速数值；/nS4：求解压力修正方程，对S3求得的计算流速数值进行修正；/nS5：判断S4的求解结果是否达到收敛，若否，则重复S3～S4；若是，则将几何参数和流场参数作为输入数据，将本次求解结果作为输出数据，输入神经网络进行一次训练；/nS6：判断是否达到预设的求解时间，若否，则重复S3～S5；若是，则停止求解，得到训练后的神经网络；利用该神经网络完成风电场数值模拟。/n

【技术特征摘要】
1.一种结合神经网络算法的风电场数值模拟方法，其特征在于，包括以下步骤：
S1：对目标风电场求解区域划分网格，进行离散；
S2：给定初始时刻参数；
S3：求解动量方程，获得计算流速数值；
S4：求解压力修正方程，对S3求得的计算流速数值进行修正；
S5：判断S4的求解结果是否达到收敛，若否，则重复S3～S4；若是，则将几何参数和流场参数作为输入数据，将本次求解结果作为输出数据，输入神经网络进行一次训练；
S6：判断是否达到预设的求解时间，若否，则重复S3～S5；若是，则停止求解，得到训练后的神经网络；利用该神经网络完成风电场数值模拟。


2.如权利要求1所述的结合神经网络算法的风电场数值模拟方法，其特征在于，S1具体为：在目标风电场取一个方形区域，将该区域划分成若干小块，每块用一个点表示。


3.如权利要求1所述的结合神经网络算法的风电场数值模拟方法，其特征在于，S2中，初始时刻参数包括流速、压力、温度和物性...

【专利技术属性】
技术研发人员：尹铁男，闫姝，郭小江，丁坤，史绍平，屠劲林，梁思超，冯笑丹，
申请(专利权)人：华能新能源股份有限公司，中国华能集团清洁能源技术研究院有限公司，华能集团技术创新中心有限公司，华能海上风电科学技术研究有限公司，
类型：发明
国别省市：北京;11