CN116776600B - 基于自适应代理模型的风力机叶片优化设计方法及系统 - Google Patents

基于自适应代理模型的风力机叶片优化设计方法及系统 Download PDF

Info

Publication number
CN116776600B
CN116776600B CN202310739874.8A CN202310739874A CN116776600B CN 116776600 B CN116776600 B CN 116776600B CN 202310739874 A CN202310739874 A CN 202310739874A CN 116776600 B CN116776600 B CN 116776600B
Authority
CN
China
Prior art keywords
design
objective function
proxy
model
adaptive
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.)
Active
Application number
CN202310739874.8A
Other languages
English (en)
Other versions
CN116776600A (zh
Inventor
孟瑞
陈亮亮
陈旭辉
辜继明
谢能刚
王璐
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Anhui University of Technology AHUT
Original Assignee
Anhui University of Technology AHUT
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Anhui University of Technology AHUT filed Critical Anhui University of Technology AHUT
Priority to CN202310739874.8A priority Critical patent/CN116776600B/zh
Publication of CN116776600A publication Critical patent/CN116776600A/zh
Application granted granted Critical
Publication of CN116776600B publication Critical patent/CN116776600B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/17—Mechanical parametric or variational design
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/04—Constraint-based CAD

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Geometry (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Computer Hardware Design (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Wind Motors (AREA)

Abstract

本发明公开了一种基于自适应代理模型的风力机叶片优化设计方法及系统，涉及风力发电技术领域，所述方法包括：S1：确定风力机叶片优化设计需要的目标函数F＝(f1,f2,...,fm)、设计变量x＝(x1,x2,...,xn)和设计空间D；S2：使用自适应代理模型代理目标函数F，得到自适应代理目标函数S3：对自适应代理目标函数使用优化算法进行优化，得到Parato解集该解集就是风力机叶片设计需要的具体设计参数值。本发明加快了风力机的叶片优化设计过程，同时提高了代理目标函数的计算精度，有利于快速准确地设计出高风能利用率的风力机叶片，同时优化叶片的质量和结构，降低了风力发电的生产成本。

Description

基于自适应代理模型的风力机叶片优化设计方法及系统
技术领域
本发明涉及风力发电技术领域，特别是涉及一种基于自适应代理模型的风力机叶片优化设计方法及系统。
背景技术
风力机叶片优化设计是一个多学科的复杂系统优化设计问题，其中，涉及到一些专业计算软件调用、数值计算和函数迭代求解等问题，这些高计算量问题大幅增加了优化过程中目标函数的计算时间。
代理模型技术是一种利用多组设计变量样本及其相应的响应值来建立输入与输出之间近似函数关系的方法。通过将代理模型与优化算法相结合，形成了一类基于代理模型的优化方法，可以显著减少优化过程中的计算量，提高优化设计的效率。
而现有的基于代理模型的优化技术是通过加点准则在优化过程中不断自适应采样来更新代理模型，并进行优化求解。但它每一次迭代计算过分依赖于上一次迭代生成的模型的质量，没有考虑代理模型精度较低时带来的误差。
发明内容
本发明的目的是提供一种基于自适应代理模型的风力机叶片优化设计方法及系统，通过代理模型优化设计风力机叶片，可以不断自适应采样来更新代理模型，能够减少目标函数计算时间，提高代理模型精度。
为实现上述目的，本发明提供了如下方案：
一种带基于自适应代理模型的风力机叶片优化设计方法，包括以下步骤：
S1：确定风力机叶片优化设计需要的目标函数F＝(f1，f2，...，fm)、设计变量x＝(x1，x2，...，xn)和设计空间D，将多目标优化问题转化为数学模型，表达式为：
s.t.x∈D
S2：使用自适应代理模型代理目标函数F，得到自适应代理目标函数目标函数F自适应代理目标函数/>满足以下关系：
其中，T表示优化算法调用自适应代理目标函数的次数。
S3：对自适应代理目标函数使用优化算法进行优化，得到Pareto解集该解集就是风力机叶片设计需要的具体设计参数值。
进一步的，所述步骤S1包括：
S101：确定风力机叶片优化设计需要的优化目标，构建目标函数；
S102：确定影响目标函数的设计变量；
S103：确定设计变量的设计空间。
进一步的，所述S103确定设计变量的设计空间的方法包括：
S1031：确定约束条件：
最大叶尖摆振方向位移约束：g1(x)-u1≤0
最大叶尖挥舞方向位移约束：g2(x)-u2≤0
叶片一阶固有频率约束：δf-|g3(x)-Bnf|≤0
其中，g1(x)表示设计变量x下的最大叶尖摆振方向位移；u1表示允许的最大叶尖摆振位移；g2(x)表示设计变量x下的最大叶尖挥舞方向位移；u2表示允许的最大叶尖挥舞位移；δf表示允许的最小频率差；g3(x)表示设计变量x下的叶片一阶固有频率；B表示叶片数量；nf表示叶片转速；
S1032：确定设计变量的上下限：
S1033：得到设计空间D的表达式：
进一步的，所述S2：使用自适应代理模型代理目标函数F，得到自适应代理目标函数包括以下步骤：
S201：输入设计变量x；
S202：判断是否是第一次迭代进入自适应代理目标函数如果是，则进入步骤S203；否则，跳过步骤S203，进入步骤S204；
S203：初始化数据库中的样本数据S、代理判别器Mp和自适应代理模型Ms；
S204：加载数据库中的样本数据S、代理判别器Mp和自适应代理模型Ms；
S205：使用样本数据S和代理判别器Mp判断输入的设计变量x是否可以代理；如果是，则进入步骤S206；否则进入步骤S207；
S206：使用自适应代理模型Ms计算目标函数值；输出目标函数值，并且结束调用；
S207：使用目标函数F计算函数值；输出目标函数值；
S208：根据样本数据S和输入的设计变量x判断是否需要更新数据库；如果是，则将这组设计变量和目标函数值添加到样本数据中，生成新样本数据，并使用新样本数据更新代理判别器Mp，重新训练自适应代理模型Ms；否则舍弃该样本数据，结束调用。
进一步的，步骤S205中，使用样本数据S和代理判别器Mp判断输入的设计变量x是否可以代理，包括：
通过估计输入的设计变量x的模型响应值的均方误差MSE来判断是否可以代理，当时，可以代理；否则不代理；
其中，δMSE表示模型响应值的允许最大均方误差。
进一步的，步骤205中，使用样本数据S和代理判别器Mp判断输入的设计变量x是否可以代理，包括：通过离群值检测的算法来判断是否可以代理，该方法具体包括：
S2001：用样本数据S构建训练样本T＝{(x1，y1)，(x2，y2)，...，(x|S|，y|S|)}；
其中，y1，y2，...，y|S|为样本标签，将标签全部定义为“正类”，即y1，y2，...，y|S|都等于1；
S2002：将离群值检测的算法转化为相应的对偶问题，
式中，φ是一个非线性函数，它将原始样本映射到高维的特征空间，通过定义映射函数φ的内积，回避内积的显式计算，即：φ(xi)Tφ(xj)＝κ(xi，xj)；κ(xi，xj)为核函数，该核函数为高斯核函数，即κ(xi，xj)＝exp(-||xi-xj||2/2σ2)，σ是带宽，它可以控制高斯核函数的局部作用范围；αi和αj是拉格朗日乘子；v是一个决策边界的控制参数；xi，xj均表示设计变量；
S2003：求解对偶问题，得到最优解α*＝(α1 *，α2 *，…，α|S| *)T；根据α*求解最优偏置b*，那么
S2004：得到代理判别器的表达式：
式中，sign为符号函数，当k＞0，sign(k)＝1；当k＝0，sign(k)＝0；当k＜0，sign(k)＝-1；当Mp(x)的值为1时，表示该设计变量x可以代理；当Mp(x)的值不等于1时，表示该设计变量x不可以代理。
进一步的，自适应代理模型Ms可以使用多项式响应面模型、径向基函数模型、Kriging模型或者前馈神经网络模型。
进一步的，所述步骤S3中的优化算法包括多目标遗传算法、粒子群算法或者博弈算法。
本发明还提供了一种基于自适应代理模型的风力机叶片优化设计系统，包括：
确定模块，用于确定风力机叶片优化设计需要的目标函数F＝(f1，f2，...，fm)，设计变量x＝(x1，x2，...，xn)和设计空间D；
自适应代理模型模块，用于使用自适应代理模型代理目标函数F，得到代理目标函数
优化模块，用于对自适应代理目标函数使用优化算法进行优化，得到Pareto解集/>该解集就是风力机叶片设计需要的具体设计参数值。
本发明还提供了一种电子设备，包括：
处理器；
存储器，用于存储所述处理器的可执行指令；
其中，所述处理器配置为经由执行所述可执行指令来执行上述方法。
根据本发明提供的具体实施例，本发明公开了以下技术效果：本发明提供的基于自适应代理模型的风力机叶片优化设计方法及系统，通过在自适应代理模型中添加代理判别器和改进代理优化方法，加快了风力机的叶片优化设计过程，同时提高了代理目标函数的计算精度。本发明有利于快速准确地设计出高风能利用率的风力机叶片，同时优化叶片的质量和结构，降低了风力发电的生产成本。解决了现有技术中使用代理模型优化设计风力机叶片时，目标函数计算时间长和代理模型精度低的问题。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例的基于自适应代理模型的风力机叶片优化设计方法的流程示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明的目的是提供一种基于自适应代理模型的风力机叶片优化设计方法及系统，通过代理模型优化设计风力机叶片，可以不断自适应采样来更新代理模型，能够减少目标函数计算时间，提高代理模型精度。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
如图1所示，本发明实施例提供的基于自适应代理模型的风力机叶片优化设计方法，包括以下步骤：
S1：确定风力机叶片优化设计需要的目标函数F＝(f1，f2，...，fm)、设计变量x＝(x1，x2，...，xn)和设计空间D，将多目标优化问题转化为数学模型，表达式为：
s.t.x∈D
S2：使用自适应代理模型代理目标函数F，得到自适应代理目标函数目标函数F和自适应代理目标函数/>满足以下关系：
其中，T表示优化算法调用自适应代理目标函数的次数。
步骤S2中自适应代理目标函数的输入是设计变量x，输出是目标函数值
S3：对自适应代理目标函数使用优化算法进行优化，得到Pareto解集该解集就是风力机叶片设计需要的具体设计参数值。
进一步的实施例中，所述S1包括：
S101：确定风力机叶片优化设计需要的优化目标，构建目标函数；优化目标可以根据需要自行添加，例如，将目标定为最大化叶片的年发电量E，同时最小化叶片的质量M，此时的目标函数F＝(1/E，M)。
S102：确定影响目标函数的设计变量；例如将叶片各个截面处的翼型弦长c和相对于叶尖翼型的扭转角度θ作为设计变量，此时设计变量其中，nc和nβ表示叶片截面的个数。
S103：确定设计变量的设计空间；通常需要考虑叶片最大叶尖摆振和挥舞方向位移和叶片一阶固有频率约束。
进一步的实施例中，所述S103确定设计变量的设计空间的方法包括：
S1031：确定约束条件：
最大叶尖摆振方向位移约束：g1(x)-u1≤0
最大叶尖挥舞方向位移约束：g2(x)-u2≤0
叶片一阶固有频率约束：δf-|g3(x)-Bnf|≤0
其中，g1(x)表示设计变量x下的最大叶尖摆振方向位移；u1表示允许的最大叶尖摆振位移；g2(x)表示设计变量x下的最大叶尖挥舞方向位移；u2表示允许的最大叶尖挥舞位移；δf表示允许的最小频率差；g3(x)表示设计变量x下的叶片一阶固有频率；B表示叶片数量；nf表示叶片转速；
S1032：确定设计变量的上下限：
S1033：得到设计空间D的表达式：
进一步的实施例中，所述S2：使用自适应代理模型代理目标函数F，得到自适应代理目标函数包括以下步骤：
S201：输入设计变量x；
S202：判断是否是第一次迭代进入自适应代理目标函数如果是，则进入步骤S203；否则，跳过步骤S203，进入步骤S204；
S203：初始化数据库中的样本数据S，代理判别器Mp和自适应代理模型Ms；
S204：加载数据库中的样本数据S，代理判别器Mp和自适应代理模型Ms；
S205：使用样本数据S和代理判别器Mp判断输入的设计变量x是否可以代理；如果是，则进入步骤S206；否则进入步骤S207；
S206：使用自适应代理模型Ms计算目标函数值；输出目标函数值，并且结束调用；
S207：使用目标函数F计算函数值；输出目标函数值；
S208：根据样本数据S和输入的设计变量x判断是否需要更新数据库；如果是，则将这组设计变量和目标函数值添加到样本数据中，生成新样本数据，并使用新样本数据更新代理判别器Mp，重新训练自适应代理模型Ms；否则舍弃该样本数据，结束调用。
本实施例中，自适应代理模型Ms可以使用多种预测模型，例如，多项式响应面模型、径向基函数模型、Kriging模型或者前馈神经网络模型等。
进一步的实施例中，步骤205中，使用样本数据S和代理判别器Mp判断输入的设计变量x是否可以代理，有2种方案，第一种是通过估计输入的设计变量x的模型响应值的均方误差MSE来判断是否可以代理，当时，可以代理；否则不代理；其中，δMSE表示模型响应值的允许最大均方误差。
第二种是通过离群值检测来判断是否可以代理，即通过支持向量机进行离群值检测的算法，该方法具体包括：
S2001：用样本数据S构建训练样本T＝{(x1，y1)，(x2，y2)，...，(x|S|，y|S|)}；
其中，y1，y2，...，y|S|为样本标签，将标签全部定义为“正类”，即y1，y2，...，y|S|都等于1；
S2002：由于离群值检测的算法类似于支持向量机的二元分类问题，因此将离群值检测的算法转化为相应的对偶问题，即：
式中，φ是一个非线性函数，它将原始样本映射到高维的特征空间，通过定义映射函数φ的内积，回避内积的显式计算，即：φ(xi)Tφ(xj)＝κ(xi，xj)；κ(xi，xj)为核函数，该核函数为高斯核函数，即κ(xi，xj)＝exp(-||xi-xj||2/2σ2)，σ是带宽，它可以控制高斯核函数的局部作用范围；αi和αj是拉格朗日乘子；v是一个决策边界的控制参数，较小的v值会导致较少支持向量，因此决策边界平滑、粗糙，较大的v值会导致较多支持向量，因此决策边界弯曲、灵活；xi，xj均表示设计变量。
S2003：求解对偶问题，得到最优解α*＝(α1 *，α2 *，...，α|s| *)T；根据α*求解最优偏置b*，那么
S2004：得到代理判别器的表达式：
令则Mp(x)＝sign(Y)；
式中，sign为符号函数。例如：当γ＞0，sign(γ)＝1；当γ＝0，sign(γ)＝0；当γ＜0，sign(γ)＝-1；当Mp(x)的值为1时，表示该设计变量x可以代理；当Mp(x)的值不等于1时，表示该设计变量x不可以代理。
本实施例中，所述步骤S3中的优化算法包括多目标遗传算法、粒子群算法或者博弈算法等。
本发明还提供了一种基于自适应代理模型的风力机叶片优化设计系统，包括：
确定模块，用于确定风力机叶片优化设计需要的目标函数F＝(f1，f2，...，fm)，设计变量x＝(x1，x2，...，xn)和设计空间D；
自适应代理模型模块，用于使用自适应代理模型代理目标函数F，得到代理目标函数
优化模块，用于对自适应代理目标函数使用优化算法进行优化，得到Pareto解集/>该解集就是风力机叶片设计需要的具体设计参数值。
进一步的实施例中，S3中对自适应代理目标函数使用优化算法进行优化，得到Pareto解集/>可以使用多种优化算法去计算得到，例如可以使用多目标遗传算法、粒子群算法或者博弈算法等。
本发明还提供了一种电子设备，包括：
处理器；
存储器，用于存储所述处理器的可执行指令；
其中，所述处理器配置为经由执行所述可执行指令来执行上述方法。
综上，本发明提供的基于自适应代理模型的风力机叶片优化设计系统，通过在自适应代理模型中添加代理判别器和改进代理优化方法，加快了风力机的叶片优化设计过程，同时提高了代理目标函数的计算精度。本发明有利于快速准确地设计出高风能利用率的风力机叶片，同时优化叶片的质量和结构，降低了风力发电的生产成本。解决了现有技术中使用代理模型优化设计风力机叶片时，目标函数计算时间长和代理模型精度低的问题。
在本实施例中的其余技术特征，本领域技术人员均可以根据实际情况进行灵活选用以满足不同的具体实际需求。然而，对于本领域普通技术人员显而易见的是：不必采用这些特定细节来实行本发明。在其他实例中，为了避免混淆本发明，未具体描述公知的组成，结构或部件，均在本发明的权利要求书请求保护的技术方案限定技术保护范围之内。
本领域人员所进行的改动和变化不脱离本发明的精神和范围，则都应在本发明所附权利要求的保护范围内。在以上描述中，为了提供对本发明的透彻理解，阐述了大量特定细节。然而，对于本领域普通技术人员显而易见的是：不必采用这些特定细节来实行本发明。在其他实例中，为了避免混淆本发明，未具体描述公知的技术，例如具体的施工细节，作业条件和其他的技术条件等。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (8)

1.一种基于自适应代理模型的风力机叶片优化设计方法，其特征在于，包括以下步骤：
S1：确定风力机叶片优化设计需要的目标函数F＝(f1,f2,...,fm)、设计变量x＝(x1,x2,...,xn)和设计空间D，将多目标优化问题转化为数学模型，表达式为：
s.t.x∈D
S2：使用自适应代理模型代理目标函数F，得到自适应代理目标函数目标函数F和自适应代理目标函数/>满足以下关系：
其中，T表示优化算法调用自适应代理目标函数的次数；
S3：对自适应代理目标函数使用优化算法进行优化，得到Pareto解集该解集就是风力机叶片设计需要的具体设计参数值；
所述S2：使用自适应代理模型代理目标函数F，得到自适应代理目标函数包括以下步骤：
S201：输入设计变量x；
S202：判断是否是第一次迭代进入自适应代理目标函数如果是，则进入步骤S203；否则，跳过步骤S203，进入步骤S204；
S203：初始化数据库中的样本数据S、代理判别器Mp和自适应代理模型Ms；
S204：加载数据库中的样本数据S、代理判别器Mp和自适应代理模型Ms；
S205：使用样本数据S和代理判别器Mp判断输入的设计变量x是否可以代理；如果是，则进入步骤S206；否则进入步骤S207；
S206：使用自适应代理模型Ms计算目标函数值；输出目标函数值，并且结束调用；
S207：使用目标函数F计算函数值；输出目标函数值；
S208：根据样本数据S和输入的设计变量x判断是否需要更新数据库；如果是，则将这组设计变量和目标函数值添加到样本数据中，生成新样本数据，并使用新样本数据更新代理判别器Mp，重新训练自适应代理模型Ms；否则舍弃该样本数据，结束调用；
所述步骤S205中，使用样本数据S和代理判别器Mp判断输入的设计变量x是否可以代理，包括：通过离群值检测的算法来判断是否可以代理，该方法具体包括：
S2001：用样本数据S构建训练样本{(x1,y1),(x2,y2),...,(x|S|,y|S|)}；
其中，y1,y2,...,y|S|为样本标签，将标签全部定义为“正类”，即y1,y2,...,y|S|都等于1；
S2002：将离群值检测的算法转化为相应的对偶问题，
式中，φ是一个非线性函数，它将原始样本映射到高维的特征空间，通过定义映射函数φ的内积，回避内积的显式计算，即：φ(xi)Tφ(xj)＝κ(xi,xj)；κ(xi,xj)为核函数，这里的核函数为高斯核函数，即κ(xi,xj)＝exp(-||xi-xj||2/2σ2)；σ是带宽，用于控制高斯核函数的局部作用范围；αi和αj是拉格朗日乘子；ν是一个决策边界的控制参数；xi,xj均表示设计变量；
S2003：求解对偶问题，得到最优解α*＝(α1 *,α2 *,...,α|S| *)T；根据α*求解最优偏置b*，那么
S2004：得到代理判别器的表达式：
式中，sign为符号函数，当k＞0，sign(k)＝1；当k＝0，sign(k)＝0；当k＜0，sign(k)＝-1；当Mp(x)的值为1时，表示该设计变量x可以代理；当Mp(x)的值不等于1时，表示该设计变量x不可以代理。
2.根据权利要求1所述的基于自适应代理模型的风力机叶片优化设计方法，其特征在于，步骤S1具体包括：
S101：确定风力机叶片优化设计需要的优化目标，构建目标函数；
S102：确定影响目标函数的设计变量；
S103：确定设计变量的设计空间。
3.根据权利要求2所述的基于自适应代理模型的风力机叶片优化设计方法，其特征在于，所述S103确定设计变量的设计空间的方法包括：
S1031：确定约束条件：
最大叶尖摆振方向位移约束：g1(x)-u1≤0
最大叶尖挥舞方向位移约束：g2(x)-u2≤0
叶片一阶固有频率约束：δf-|g3(x)-Bnf|≤0
其中，g1(x)表示设计变量x下的最大叶尖摆振方向位移；u1表示允许的最大叶尖摆振位移；g2(x)表示设计变量x下的最大叶尖挥舞方向位移；u2表示允许的最大叶尖挥舞位移；δf表示允许的最小频率差；g3(x)表示设计变量x下的叶片一阶固有频率；B表示叶片数量；nf表示叶片转速；
S1032：确定设计变量的上下限：
S1033：得到设计空间D的表达式：
4.根据权利要求1所述的基于自适应代理模型的风力机叶片优化设计方法，其特征在于，步骤S205中，使用样本数据S和代理判别器Mp判断输入的设计变量x是否可以代理，包括：
通过估计输入的设计变量x的模型响应值的均方误差MSE1，MSE2，...MSEm来判断是否可以代理，当时，可以代理；否则不代理；
其中，δMSE表示模型响应值的允许最大均方误差。
5.根据权利要求1所述的基于自适应代理模型的风力机叶片优化设计方法，其特征在于，自适应代理模型Ms使用多项式响应面模型、径向基函数模型、Kriging模型或者前馈神经网络模型。
6.根据权利要求1所述的基于自适应代理模型的风力机叶片优化设计方法，其特征在于，所述步骤S3中的优化算法包括多目标遗传算法、粒子群算法或者博弈算法。
7.一种基于自适应代理模型的风力机叶片优化设计系统，其特征在于，包括：
确定模块，用于确定风力机叶片优化设计需要的目标函数F＝(f1,f2,...,fm)，设计变量x＝(x1,x2,...,xn)和设计空间D；
自适应代理模型模块，用于使用自适应代理模型代理目标函数F，得到代理目标函数
优化模块，用于对自适应代理目标函数使用优化算法进行优化，得到Pareto解集该解集就是风力机叶片设计需要的具体设计参数值；
其中，所述使用自适应代理模型代理目标函数F，得到自适应代理目标函数包括以下步骤：
S201：输入设计变量x；
S202：判断是否是第一次迭代进入自适应代理目标函数如果是，则进入步骤S203；否则，跳过步骤S203，进入步骤S204；
S203：初始化数据库中的样本数据S、代理判别器Mp和自适应代理模型Ms；
S204：加载数据库中的样本数据S、代理判别器Mp和自适应代理模型Ms；
S205：使用样本数据S和代理判别器Mp判断输入的设计变量x是否可以代理；如果是，则进入步骤S206；否则进入步骤S207；
S206：使用自适应代理模型Ms计算目标函数值；输出目标函数值，并且结束调用；
S207：使用目标函数F计算函数值；输出目标函数值；
S208：根据样本数据S和输入的设计变量x判断是否需要更新数据库；如果是，则将这组设计变量和目标函数值添加到样本数据中，生成新样本数据，并使用新样本数据更新代理判别器Mp，重新训练自适应代理模型Ms；否则舍弃该样本数据，结束调用；
所述步骤S205中，使用样本数据S和代理判别器Mp判断输入的设计变量x是否可以代理，包括：通过离群值检测的算法来判断是否可以代理，具体包括：
S2001：用样本数据S构建训练样本{(x1,y1),(x2,y2),...,(x|S|,y|S|)}；
其中，y1,y2,...,y|S|为样本标签，将标签全部定义为“正类”，即y1,y2,...,y|S|都等于1；
S2002：将离群值检测的算法转化为相应的对偶问题，
式中，φ是一个非线性函数，它将原始样本映射到高维的特征空间，通过定义映射函数φ的内积，回避内积的显式计算，即：φ(xi)Tφ(xj)＝κ(xi,xj)；κ(xi,xj)为核函数，这里的核函数为高斯核函数，即κ(xi,xj)＝exp(-||xi-xj||2/2σ2)；σ是带宽，用于控制高斯核函数的局部作用范围；αi和αj是拉格朗日乘子；ν是一个决策边界的控制参数；xi,xj均表示设计变量；
S2003：求解对偶问题，得到最优解α*＝(α1 *,α2 *,...,α|S| *)T；根据α*求解最优偏置b*，那么
S2004：得到代理判别器的表达式：
式中，sign为符号函数，当k＞0，sign(k)＝1；当k＝0，sign(k)＝0；当k＜0，sign(k)＝-1；当Mp(x)的值为1时，表示该设计变量x可以代理；当Mp(x)的值不等于1时，表示该设计变量x不可以代理。
8.一种电子设备，其特征在于，包括：
处理器；
存储器，用于存储所述处理器的可执行指令；
其中，所述处理器配置为经由执行所述可执行指令来执行权利要求1至6任一项所述的方法。
CN202310739874.8A 2023-06-21 2023-06-21 基于自适应代理模型的风力机叶片优化设计方法及系统 Active CN116776600B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310739874.8A CN116776600B (zh) 2023-06-21 2023-06-21 基于自适应代理模型的风力机叶片优化设计方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310739874.8A CN116776600B (zh) 2023-06-21 2023-06-21 基于自适应代理模型的风力机叶片优化设计方法及系统

Publications (2)

Publication Number Publication Date
CN116776600A CN116776600A (zh) 2023-09-19
CN116776600B true CN116776600B (zh) 2024-04-12

Family

ID=87989079

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310739874.8A Active CN116776600B (zh) 2023-06-21 2023-06-21 基于自适应代理模型的风力机叶片优化设计方法及系统

Country Status (1)

Country Link
CN (1) CN116776600B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016089103A1 (ko) * 2014-12-04 2016-06-09 한국생산기술연구원 부등피치 재생 블로워 및 이의 최적화 설계 방법
CN109409019A (zh) * 2018-12-15 2019-03-01 江西理工大学南昌校区 一种风力机叶片气动外形的预弯优化方法
CN112800682A (zh) * 2021-02-04 2021-05-14 中国长江三峡集团有限公司 一种反馈寻优的风机叶片故障监测方法
CN113569360A (zh) * 2021-08-20 2021-10-29 安徽工业大学 一种风力机叶片抗颤振翼型簇设计方法
CN113626942A (zh) * 2021-06-03 2021-11-09 西北工业大学 基于代理模型的双幅涡轮盘疲劳蠕变寿命可靠性优化方法
CN113935235A (zh) * 2021-10-12 2022-01-14 北京索为系统技术股份有限公司 基于遗传算法和代理模型的工程设计优化方法及装置
CN115577596A (zh) * 2022-11-09 2023-01-06 西北工业大学 结构蠕变-疲劳寿命可靠性优化设计方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016089103A1 (ko) * 2014-12-04 2016-06-09 한국생산기술연구원 부등피치 재생 블로워 및 이의 최적화 설계 방법
CN109409019A (zh) * 2018-12-15 2019-03-01 江西理工大学南昌校区 一种风力机叶片气动外形的预弯优化方法
CN112800682A (zh) * 2021-02-04 2021-05-14 中国长江三峡集团有限公司 一种反馈寻优的风机叶片故障监测方法
WO2022166527A1 (zh) * 2021-02-04 2022-08-11 中国长江三峡集团有限公司 一种反馈寻优的风机叶片故障监测方法
CN113626942A (zh) * 2021-06-03 2021-11-09 西北工业大学 基于代理模型的双幅涡轮盘疲劳蠕变寿命可靠性优化方法
CN113569360A (zh) * 2021-08-20 2021-10-29 安徽工业大学 一种风力机叶片抗颤振翼型簇设计方法
CN113935235A (zh) * 2021-10-12 2022-01-14 北京索为系统技术股份有限公司 基于遗传算法和代理模型的工程设计优化方法及装置
CN115577596A (zh) * 2022-11-09 2023-01-06 西北工业大学 结构蠕变-疲劳寿命可靠性优化设计方法

Non-Patent Citations (7)

* Cited by examiner, † Cited by third party
Title
Meta-modeling in Multi-Objective Optimization;Joshua Knowles;《Multiobjective Optimization》;20081231;第5252卷;245-284页 *
Multi-objective aerodynamic and structural optimization of a wind turbine blade using a novel adaptive game method;Rui Meng等;《Engineering Optimization》;20190916;第52卷(第08期);摘要，第1-6节 *
基于SMOTE算法和动态代理模型的船舶结构可靠性优化;刘婧等;《中国舰船研究》;20200706;第15卷(第05期);114-123页 *
基于支持向量分类机的结构可靠度分析;贾布裕等;《科学技术与工程》;20111130;第11卷(第31期);7714-7720页 *
基于自适应采样策略的RBF代理模型精馏过程多目标优化;刘磊等;《计算机与应用化学》;20180625;第35卷(第06期);摘要，第1-6节 *
基于进化算法的风力机叶片优化;陈晓宇等;《重庆理工大学学报(自然科学)》;20160531;第30卷(第05期);47-52页 *
电站锅炉高效低污染燃烧优化控制系统设计;刘定平等;《电力自动化设备》;20060531(第05期);46-49页 *

Also Published As

Publication number Publication date
CN116776600A (zh) 2023-09-19

Similar Documents

Publication Publication Date Title
CN107944648B (zh) 一种大型船舶航速油耗率预测方法
CN111898212B (zh) 基于BezierGAN和贝叶斯优化的叶轮机械型线设计优化方法
WO2022213768A1 (zh) 发动机模型的优化方法、装置、计算机设备及存储介质
CN116628894B (zh) 基于深度学习的水翼设计优化方法及水翼设计优化框架
CN112733273A (zh) 一种基于遗传算法和最大似然估计确定贝叶斯网络参数的方法
Jasa et al. Effectively using multifidelity optimization for wind turbine design
CN116776600B (zh) 基于自适应代理模型的风力机叶片优化设计方法及系统
CN112748665B (zh) 基于模糊卡尔曼滤波的氢燃料电池迭代控制方法及装置
CN114564787A (zh) 用于目标相关翼型设计的贝叶斯优化方法、装置及存储介质
CN116756536B (zh) 数据识别方法、模型训练方法、装置、设备及存储介质
KR102577714B1 (ko) 불균형 데이터 학습 장치 및 방법
CN113294297B (zh) 风电机组非线性模型预测转矩控制变权重调节方法
CN115292844A (zh) 一种基于深度图学习的叶轮机械叶片颤振边界预测方法
CN116484675A (zh) 一种舰船发动机叶片的裂纹扩展寿命预测方法及系统
CN114818203A (zh) 一种基于swa算法的减速器设计方法
CN115619563A (zh) 一种基于神经网络的股票价格分析方法
Hoyos et al. Airfoil shape optimization: Comparative study of meta-heuristic algorithms, airfoil parameterization methods and reynolds number impact
CN111709578A (zh) 一种短时船舶交通流预测方法、装置及存储介质
CN115270361B (zh) 高效求解约束问题的离心压气机叶轮优化设计方法及装置
CN116595883B (zh) 数值反应堆实时在线系统状态修正方法
WO2022215173A1 (ja) 固定小数点演算ビット幅の検証システム及び決定システム
CN114282614B (zh) 基于随机森林和ifda优化cnn-gru的中长期径流预测方法
CN115241873A (zh) 一种基于云计算的电力负荷预测方法
CN112801356A (zh) 一种基于ma-lssvm的电力负荷预测方法
Quick et al. Multifidelity Multiobjective Optimization for Wake Steering Strategies

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
GR01 Patent grant
GR01 Patent grant