【技术实现步骤摘要】
本专利技术涉及风力发电机空气动力分析，具体涉及一种风力机叶片动态失速气动力智能预测方法。
技术介绍
1、中国风电行业迅猛发展，随着风力机尺寸增加，其动态失速气动力的评估对叶片载荷计算、气动外形设计至关重要，最终影响风能捕获效率。动态失速现象常导致风力机发电功率下降甚至造成结构损坏，因此对其进行准确建模预测非常关键。
2、目前风电行业对于强非定常、非线性的动态失速气动力存在四种预示方法。一是数值模拟的方法，通过离散求解ns方程的方式存在严重的效率与精度不平衡的缺陷，且现阶段没有绝对精确的湍流模型以满足工程精度需求。二是风洞试验，虽然其精度较高但对于整个叶片、全部翼型的风洞试验成本高、周期长，且缺乏成熟与鲁棒的试验手段。三是广泛使用的半经验模型方法，但其预测精度较低，许多工况均会出现预测错误的情况。四是大数据驱动的机器学习方法，但现有技术往往建立黑箱模型，没有充分的物理指导，造成其泛化性低、强烈依赖海量数据的缺陷。因此，上述动态失速气动力预测方法存在以下不足：融合困难、效率低以及精度低。
技术实现思路
1、针对现有技术中的上述不足，本专利技术提供了一种风力机叶片动态失速气动力智能预测方法，将物理知识融入神经网络中，构建基于物理知识的翼型动态失速神经网络模型对气动力进行预测，同时结合经典的动量叶素理论模型对基于物理知识的翼型动态失速神经网络模型预测的气动力进行修正，以提高风力机叶片气动模型在少样本下的泛化能力与预测精度。
2、为了达到上述专利技术目的，本专利技术采
3、一种风力机叶片动态失速气动力智能预测方法，包括以下步骤：
4、s1、获取风力机叶片的输入特征数据与目标叶片的高精度气动力数据；
5、s2、将步骤s1中输入特征数据与高精度气动力数据输入基于物理知识的翼型动态失速神经网络模型中进行训练，得到训练好的基于物理知识的翼型动态失速神经网络模型与动态失速气动力预测数据；
6、基于物理知识的翼型动态失速神经网络模型由网络分支与融合网络构成，网络分支由网络输入层、隐藏层以及输出层构成，融合网络由融合网络输入层、隐藏层以及输出层构成；
7、s3、获取风力机叶片的迎角，并输入步骤s2中训练好的基于物理知识的翼型动态失速神经网络模型与动量叶素理论求解器进行耦合迭代，得到修正的风力机叶片的非定常气动力。
8、本专利技术具有以下有益效果：
9、1.本专利技术所提出的一种风力机叶片动态失速气动力智能预测方法，基于经典的理论半经验模型的物理特征，辅助神经网络的建模，将物理知识融入神经网络中，构建基于物理知识的翼型动态失速神经网络模型并对气动力进行预测，减少了训练数据，提高了预测精度；
10、2.将基于物理知识的翼型动态失速神经网络模型与动量叶素方法进行耦合迭代，具有高效高精度的全叶片动态失速气动力预测能力。
本文档来自技高网...【技术保护点】
1.一种风力机叶片动态失速气动力智能预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种风力机叶片动态失速气动力智能预测方法，其特征在于，步骤S1具体包括：
3.根据权利要求1所述的一种风力机叶片动态失速气动力智能预测方法，其特征在于，步骤S2具体包括：
4.根据权利要求3所述的一种风力机叶片动态失速气动力智能预测方法，其特征在于，步骤S21中得到的基于物理知识的翼型动态失速神经网络模型的输入矩阵为：
5.根据权利要求3所述的一种风力机叶片动态失速气动力智能预测方法，其特征在于，步骤S22中得到的输入数据为：
6.根据权利要求3所述的一种风力机叶片动态失速气动力智能预测方法，其特征在于，步骤S24具体包括：
7.根据权利要求3所述的一种风力机叶片动态失速气动力智能预测方法，其特征在于，步骤S25中利用相对误差函数与绝对误差函数评价训练好的基于物理知识的翼型动态失速神经网络模型的泛化预测误差，即：
8.根据权利要求1所述的一种风力机叶片动态失速气动力智能预测方法，其特征在于，步骤S3具
...【技术特征摘要】
1.一种风力机叶片动态失速气动力智能预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种风力机叶片动态失速气动力智能预测方法，其特征在于，步骤s1具体包括：
3.根据权利要求1所述的一种风力机叶片动态失速气动力智能预测方法，其特征在于，步骤s2具体包括：
4.根据权利要求3所述的一种风力机叶片动态失速气动力智能预测方法，其特征在于，步骤s21中得到的基于物理知识的翼型动态失速神经网络模型的输入矩阵为：
5.根据权利要求3所述的一种风力机...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。