CN113158586A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN113158586A CN113158586A CN202110580913.5A CN202110580913A CN113158586A CN 113158586 A CN113158586 A CN 113158586A CN 202110580913 A CN202110580913 A CN 202110580913A CN 113158586 A CN113158586 A CN 113158586A
- Authority
- CN
- China
- Prior art keywords
- neural network
- solving
- numerical simulation
- power plant
- wind power
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/28—Design optimisation, verification or simulation using fluid dynamics, e.g. using Navier-Stokes equations or computational fluid dynamics [CFD]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/06—Wind turbines or wind farms
Abstract
本发明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。
Description
技术领域
本发明属于风电场数值模拟技术领域,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。
背景技术
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。
发明内容
为了解决上述问题,本发明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。
本发明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。
本发明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。
本发明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,本发明具有以下有益的技术效果:
本发明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为本发明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发明做进一步的详细说明,所述是对本发明的解释而不是限定。
本发明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。
本发明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发明所述结合神经网络算法的风电场数值模拟方法的步骤。
本发明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,本发明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。本发明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,本发明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可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读存储介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括电载波信号和电信信号。其中,所述计算机存储介质可以是计算机能够存取的任何可用介质或数据存储设备,包括但不限于磁性存储器(例如软盘、硬盘、磁带、磁光盘(MO)等)、光学存储器(例如CD、DVD、BD、HVD等)、以及半导体存储器(例如ROM、EPROM、EEPROM、非易失性存储器(NANDFLASH)、固态硬盘(SSD))等。
在示例性实施例中,还提供计算机设备,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所述结合神经网络算法的风电场数值模拟方法的步骤。处理器可能是中央处理单元(CentralProcessingUnit,CPU),还可以是其他通用处理器、数字信号处理器(DigitalSignalProcessor、DSP)、专用集成电路(ApplicationSpecificIntegratedCircuit,ASIC)、现成可编程门阵列(Field-ProgrammableGateArray,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。
需要说明的是,以上所述仅为本发明实施方式的一部分,根据本发明所描述的系统所做的等效变化,均包括在本发明的保护范围内。本发明所属技术领域的技术人员可以对所描述的具体实例做类似的方式替代,只要不偏离本发明的结构或者超越本权利要求书所定义的范围,均属于本发明的保护范围。
Claims (8)
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、温度和物性参数。
4.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,S5中,几何参数包括目标风电场的形状和地形数据。
5.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,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。
6.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,S5中,神经网络的输出矩阵大小与求解精度相匹配。
7.一种计算机设备,其特征在于,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如权利要求1至6任一项所述的结合神经网络算法的风电场数值模拟方法的步骤。
8.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至6任一项所述的结合神经网络算法的风电场数值模拟方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110580913.5A CN113158586A (zh) | 2021-05-26 | 2021-05-26 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110580913.5A CN113158586A (zh) | 2021-05-26 | 2021-05-26 | 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 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113158586A true CN113158586A (zh) | 2021-07-23 |
Family
ID=76877805
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110580913.5A Pending CN113158586A (zh) | 2021-05-26 | 2021-05-26 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113158586A (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104657584A (zh) * | 2014-12-16 | 2015-05-27 | 华北电力大学(保定) | 一种基于Lorenz系统的风速预测方法 |
CN105389442A (zh) * | 2015-12-09 | 2016-03-09 | 天津大学 | 一种耦合遗传算法、神经网络与数值模拟的反向设计方法 |
US20170140268A1 (en) * | 2015-11-12 | 2017-05-18 | Google Inc. | Training neural networks using normalized target outputs |
CN107315862A (zh) * | 2017-06-12 | 2017-11-03 | 北京城建勘测设计研究院有限责任公司 | 一种建立明挖基坑工程勘察与模拟参数关系的方法 |
CN107726358A (zh) * | 2017-10-12 | 2018-02-23 | 东南大学 | 基于cfd数值模拟和智能建模的锅炉燃烧优化系统及方法 |
CN108984874A (zh) * | 2018-07-02 | 2018-12-11 | 中国航空发动机研究院 | 获取不可压缩流动的流场的数值模拟方法 |
CN110222883A (zh) * | 2019-05-22 | 2019-09-10 | 镇江市高等专科学校 | 基于风驱动优化bp神经网络的电力系统负荷预测方法 |
US20190278879A1 (en) * | 2018-03-09 | 2019-09-12 | Tata Consultancy Services Limited | System and method for determination of air entrapment in ladles |
CN111160520A (zh) * | 2019-12-06 | 2020-05-15 | 南京理工大学 | 一种基于遗传算法优化的bp神经网络风速预测方法 |
CN111651904A (zh) * | 2020-07-07 | 2020-09-11 | 中国人民解放军国防科技大学 | 基于机器学习的流场数据计算方法和装置 |
CN111832204A (zh) * | 2020-07-02 | 2020-10-27 | 西安交通大学 | 一种热流耦合结构的非迭代式拓扑优化方法 |
-
2021
- 2021-05-26 CN CN202110580913.5A patent/CN113158586A/zh active Pending
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104657584A (zh) * | 2014-12-16 | 2015-05-27 | 华北电力大学(保定) | 一种基于Lorenz系统的风速预测方法 |
US20170140268A1 (en) * | 2015-11-12 | 2017-05-18 | Google Inc. | Training neural networks using normalized target outputs |
CN105389442A (zh) * | 2015-12-09 | 2016-03-09 | 天津大学 | 一种耦合遗传算法、神经网络与数值模拟的反向设计方法 |
CN107315862A (zh) * | 2017-06-12 | 2017-11-03 | 北京城建勘测设计研究院有限责任公司 | 一种建立明挖基坑工程勘察与模拟参数关系的方法 |
CN107726358A (zh) * | 2017-10-12 | 2018-02-23 | 东南大学 | 基于cfd数值模拟和智能建模的锅炉燃烧优化系统及方法 |
US20190278879A1 (en) * | 2018-03-09 | 2019-09-12 | Tata Consultancy Services Limited | System and method for determination of air entrapment in ladles |
CN108984874A (zh) * | 2018-07-02 | 2018-12-11 | 中国航空发动机研究院 | 获取不可压缩流动的流场的数值模拟方法 |
CN110222883A (zh) * | 2019-05-22 | 2019-09-10 | 镇江市高等专科学校 | 基于风驱动优化bp神经网络的电力系统负荷预测方法 |
CN111160520A (zh) * | 2019-12-06 | 2020-05-15 | 南京理工大学 | 一种基于遗传算法优化的bp神经网络风速预测方法 |
CN111832204A (zh) * | 2020-07-02 | 2020-10-27 | 西安交通大学 | 一种热流耦合结构的非迭代式拓扑优化方法 |
CN111651904A (zh) * | 2020-07-07 | 2020-09-11 | 中国人民解放军国防科技大学 | 基于机器学习的流场数据计算方法和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108304623B (zh) | 一种基于堆栈降噪自动编码器的概率潮流在线计算方法 | |
CN113937763B (zh) | 风电功率预测方法、装置、设备及存储介质 | |
CN105138717A (zh) | 一种动态变异粒子群优化神经网络的变压器状态评估方法 | |
CN106684885B (zh) | 基于多场景分析的风电机组配电网无功优化方法 | |
CN112491096B (zh) | 一种用于生成电网仿真分析算例的方法及系统 | |
CN111027732B (zh) | 一种多风电场出力场景的生成方法及系统 | |
CN112270439B (zh) | 超短期风电功率预测方法、装置、电子设备及存储介质 | |
KR101651893B1 (ko) | 신경망 회로를 이용한 원자로 노심의 축방향 출력분포 합성방법 및 그 방법이 적용된 노심감시계통 | |
CN106682292B (zh) | 一种降维模拟退火算法的叶根结构优化方法 | |
CN108198268B (zh) | 一种生产设备数据标定方法 | |
CN114819374A (zh) | 区域新能源超短期功率预测方法及系统 | |
CN115498660A (zh) | 风电场调频动态建模方法、装置及电子设备 | |
CN107085646A (zh) | 一种输电线路下地面场强测量方法 | |
CN113919221A (zh) | 一种基于bp神经网络的风机载荷预测及分析方法、装置及存储介质 | |
CN113158586A (zh) | 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 | |
CN113239646A (zh) | 一种基于等效粗糙度风电场建模方法、介质和设备 | |
CN113177325A (zh) | 复杂地形下校正标准k-ε模型可调参数方法、装置及存储介质 | |
CN112949227A (zh) | 适用于复杂地形风场湍流强度确定方法、系统、设备及存储介质 | |
CN115438590B (zh) | 一种基于bp神经网络的降水预报订正方法及系统 | |
CN114417549B (zh) | 一种基于超级计算机的数字孪生目标场数据处理系统 | |
CN107436957A (zh) | 一种混沌多项式构造方法 | |
CN114266349A (zh) | 一种基于自适应神经网络的潮流计算方法 | |
CN109086245B (zh) | 一种基于替代模型的vic参数多目标方法 | |
CN113239625A (zh) | 一种基于深度强化学习的电网稳定变化趋势预测方法及系统 | |
Silva et al. | Nonlinearities in reservoir operation for hydropower production |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |