CN116911187A - 一种风浪联合作用下的海上风力机疲劳损伤估计方法 - Google Patents
一种风浪联合作用下的海上风力机疲劳损伤估计方法 Download PDFInfo
- Publication number
- CN116911187A CN116911187A CN202310869436.3A CN202310869436A CN116911187A CN 116911187 A CN116911187 A CN 116911187A CN 202310869436 A CN202310869436 A CN 202310869436A CN 116911187 A CN116911187 A CN 116911187A
- Authority
- CN
- China
- Prior art keywords
- population
- wave
- wind
- sparrow
- fatigue damage
- 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
- 238000000034 method Methods 0.000 title claims abstract description 34
- 230000009471 action Effects 0.000 title claims abstract description 22
- 241000287127 Passeridae Species 0.000 claims abstract description 80
- 238000012549 training Methods 0.000 claims abstract description 32
- 238000013528 artificial neural network Methods 0.000 claims abstract description 22
- 230000007613 environmental effect Effects 0.000 claims abstract description 20
- 238000012360 testing method Methods 0.000 claims abstract description 16
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 14
- 238000005457 optimization Methods 0.000 claims abstract description 12
- 238000005315 distribution function Methods 0.000 claims abstract description 4
- 238000001228 spectrum Methods 0.000 claims description 13
- 230000002431 foraging effect Effects 0.000 claims description 9
- 244000062645 predators Species 0.000 claims description 6
- 238000009825 accumulation Methods 0.000 claims description 5
- 238000012795 verification Methods 0.000 claims description 5
- 238000001514 detection method Methods 0.000 claims description 3
- 238000012804 iterative process Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 239000013589 supplement Substances 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 abstract description 11
- 230000006870 function Effects 0.000 description 18
- 230000007774 longterm Effects 0.000 description 6
- 230000004044 response Effects 0.000 description 6
- 238000005070 sampling Methods 0.000 description 5
- 238000004088 simulation Methods 0.000 description 5
- 238000005452 bending Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000013461 design Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 description 1
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 description 1
- KFLQGJQSLUYUBF-WOJBJXKFSA-N Phyllanthin Chemical group C([C@H](COC)[C@@H](COC)CC=1C=C(OC)C(OC)=CC=1)C1=CC=C(OC)C(OC)=C1 KFLQGJQSLUYUBF-WOJBJXKFSA-N 0.000 description 1
- 241000745988 Phyllostachys Species 0.000 description 1
- 229910000831 Steel Inorganic materials 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M9/00—Aerodynamic testing; Arrangements in or on wind tunnels
- G01M9/06—Measuring arrangements specially adapted for aerodynamic testing
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F03—MACHINES OR ENGINES FOR LIQUIDS; WIND, SPRING, OR WEIGHT MOTORS; PRODUCING MECHANICAL POWER OR A REACTIVE PROPULSIVE THRUST, NOT OTHERWISE PROVIDED FOR
- F03D—WIND MOTORS
- F03D17/00—Monitoring or testing of wind motors, e.g. diagnostics
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M10/00—Hydrodynamic testing; Arrangements in or on ship-testing tanks or water tunnels
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
- G06N3/0499—Feedforward networks
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Fluid Mechanics (AREA)
- Chemical & Material Sciences (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mechanical Engineering (AREA)
- Combustion & Propulsion (AREA)
- Sustainable Energy (AREA)
- Sustainable Development (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种风浪联合作用下的海上风力机疲劳损伤估计方法,包括如下步骤:建立风速、波高和波周期的联合分布函数;2)获取若干组工况下的环境参数;3)建立风速模型和波浪模型,生成风浪环境;4)计算海上风力机的应力时程;5)根据应力时程,计算得到海上风力机的疲劳损伤数据;6)将环境参数和疲劳损伤数据按照一定比例分为训练集和测试集;7)使用麻雀优化算法的BP神经网络作为预测模型;8)SSA‑BP预测模型运算后得到若干疲劳损伤数据;9)得到风浪联合作用下海上风力机总疲劳损伤值。本发明能够有效提高海上风力机疲劳损伤计算的效率和计算的精度。
Description
技术领域
本发明涉及风力发电技术领域,尤其涉及一种基于麻雀算法优化的BP神经网络的风浪联合作用下的海上风力机疲劳损伤估计方法。
背景技术
海上风力涡轮机20年的设计周期内始终受到风和波浪的循环作用,其疲劳问题备受关注。根据国际标准IEC-61400,海上风力涡轮机的疲劳损伤评估需要在数千种不同的风力和波浪条件下采集大量的结构响应样本。
为了提高结构疲劳损伤的估计效率,主要包括合并载荷集、频域分析和替代模型。通过忽略产生类似输出的负载集,开发了风力涡轮机的种合并负载集方法,以减少计算量。然而,风力涡轮机疲劳损伤的估计误差总是随着合并载荷集的增加而显著增加,这限制了其效率的提高。在频域分析中,通常假设结构响应与荷载呈线性,其频谱带宽较窄;而实际中,对于海上台风力涡轮机,在风和波浪的共同作用下,结构响应通常与荷载呈非线性,其频谱带宽很宽,因此采用了将风和波浪效应叠加在结构上的方法,其精度需要研究。
发明内容
针对现有技术存在的上述不足,本发明的目的在于解决现有估计方法效率低,精度低的问题,提供一种风浪联合作用下的海上风力机疲劳损伤估计方法,能够有效提高海上风力机疲劳损伤计算的效率和计算的精度。
为了解决上述技术问题,本发明采用的技术方案是这样的:一种风浪联合作用下的海上风力机疲劳损伤估计方法,其特征在于,包括如下步骤:
1)根据平均风速概率分布与波高和波周期的条件概率分布建立风速、波高和波周期的联合分布函数,估计多种风浪组合条件的发生概率;
2)按照设定规则,获取若干组工况下的环境参数,其中,每组环境参数均包括风速、波高和波周期数据;
3)建立风速模型和波浪模型,根据获取的环境参数,通过谱方法生成风浪环境;
4)计算海上风力机在给定风浪环境下的应力时程;
5)根据应力时程,结合Miner线性累积损伤理论、雨流计数法和SN曲线法计算得到海上风力机在给定风浪环境的疲劳损伤数据;
6)将环境参数和疲劳损伤数据按照一定比例分为训练集和测试集,并进行数据归一化处理;
7)使用麻雀优化算法的BP神经网络作为预测模型,构建输入层、隐藏层和输出层,用训练集对SSA-BP预测模型进行训练,训练过程中,利用麻雀优化算法(SSA),来获得BP神经网络的最优阈值和权值,直至完成训练迭代次数或最优阈值和权值的误差位于设定误差阈值范围内,训练终止;完成SSA-BP预测模型训练后,利用测试集对SSA-BP预测模型进行验证,将验证合格的SSA-BP预测模型确认为优化后的SSA-BP预测模型,否则,重复本步骤;
8)依次将步骤2)预估的若干组环境参数输入到优化后的SSA-BP预测模型中,经SSA-BP预测模型运算后得到若干疲劳损伤数据;
9)将步骤8)得到的疲劳损伤数据与风浪概率加权求和,得到风浪联合作用下海上风力机总疲劳损伤值:
其中,nc表示环境条件的可能组合的数量,pi表示发生概率。
进一步地,步骤1)中,风浪环境条件发生概率由风速、波高和周期的联合概率分布计算得到:
p(U,H,T)=f(U)·f(H|U)·f(T|U,H);
其中,平均风速的概率密度函数和波高的条件概率密度函数服从双参数威布尔分布:
式中,αH和βH分别为形状参数和尺度参数;
波周期的条件概率密度函数遵循对数正态分布:
式中,μln(T)和σln(T)分别表示自然对数波周期的平均值和标准差。
进一步地,所述步骤7)包括如下步骤:
S1)确定BP神经网络拓扑结构及初始化BP神经网络的权值和阈值,设麻雀种群规模20,种群更新次数20,发现者比例0.2,预警值0.8;
S2)利用麻雀优化算法获取BP神经网络最优阈值和权值的过程就是寻找最有麻雀位置的过程,计算初始种群中所有麻雀对应的适应度,获得当前最佳适应度值;
初始化麻雀种群,通过矩阵表示由n只麻雀组成的n×d维向量种群,即
式中,Xij为第i只麻雀的第j维位置;n为该麻雀种群中麻雀个体数目;d为目标函数变量空间的维数;麻雀种群的适应度可表示为:
式中,f为麻雀个体适应度;
S3)利用麻雀的觅食和报警行为来更新发现者和加入者的位置,同时更新警戒者来避免局部最优解;在迭代过程中发现者位置的更新公式如下:
式中,itermax是预先设定的最大迭代次数,α为[0,1]中的均匀随机数,Q为一个标准正态分布随机数;当R2<ST时,该种群附近没有发现天敌,觅食环境较为安全,此时发现者可以进行广泛的搜索;当R2≥ST时,该种群中的部分麻雀已经发现了捕食者,并开始向种群中的其它麻雀发出警报,种群调整需尽快寻求安全区域;
其中,为当前种群中具有最优适应度的麻雀位置,/>为当前种群中具有最差适应度的麻雀位置,当i>n/2时,第i个加入者的适应度较低且没有获得食物,处于十分饥饿的状态,需要飞往其它区域以补充能量;当i≤n/2时,第i个加入者将在/>附近随机觅食;
在整个种群中,部分麻雀担任侦擦预警的功能,负责对整个种群扩散警戒信号,从而带领种群前往新的安全区域,每代种群中随机选择占种群总数10%~20%的麻雀执行预警功能,其位置更新公式为:
其中,β为符合正态分布的随机数,K为[-1,1]之间的随机数,ε为一个较小的数字,防止分母为0,fworst为具有当前种群的最差适应度值,fg为全局最优适应度值,当fi>fg时,该麻雀处于种群的边缘,容易受到捕食者的攻击;当fi≤fg时,处于种群中间的麻雀意识到了危险,需要接近种群中其它麻雀以降低被捕食的概率;
S4)根据上述得到的更优位置更新所有麻雀适应度值;
S5)重复步骤S2-S4)直至达到训练终止条件,输出该条件下最优适应度值及BP神经网络的最优权值和阈值;
S6)将测试集中的输入参数输入SSA-BP预测模型中,然后利用测试集对训练后的SSA-BP预测模型的泛化能力进行评估,以对SSA-BP预测模型进行评价。
与现有技术相比,本发明具有如下优点:
1、将风浪及风力机的耦合模型应用于计算环境荷载对结构疲劳累积的影响,并综合考虑风浪联合作用,实现了更真实、准确的疲劳损伤计算。
2、提出疲劳损伤计算在荷载输入和疲劳输出之间建立预测模型,用来替代原来的复杂模拟,相较于现有的合并荷载集、基于频域模拟等简化计算方法,提高了的效率与精度。该预测模型采用了SSA-BP算法,结合麻雀优化和反向传播算法,可准确预测疲劳损伤情况,为长期运行中的风力机问题提供可靠预测和评估。
3、综合考虑长期工况下的风浪概率,实现更准确的风力机疲劳损伤预测;相较于仅关注特定工况下的短期疲劳,本发明通过全面分析长期疲劳,能够更全面地评估风力机在长期运行中可能遇到的疲劳损伤情况,提前发现潜在问题,保障风力机的可靠性和安全性。
附图说明
图1为本发明实施例中的各工况组合发生概率图;
图2为本发明实施例中的单桩荷载的正方向示意图;
图3为本发明实施例中的BP神经网络的拓扑结构示意图;
图4为本发明实施例中的基于麻雀搜索算法优化的BP神经网络的流程图;
图5为本发明实施例中的基于神经网络模型的海上风力机疲劳损伤评估的流程图。
具体实施方式
下面将结合附图及实施例对本发明作进一步说明。
实施例:参见图1-5,一种风浪联合作用下的海上风力机疲劳损伤估计方法,其特征在于,包括如下步骤:
1)根据平均风速概率分布与波高和波周期的条件概率分布建立风速、波高和波周期的联合分布函数,估计多种风浪组合条件的发生概率。具体地:
11)平均风速的概率密度函数采用双参数威布尔分布:
式中,αU和βU分别表示形状参数和尺度参数,U为平均风速(变量)。
12)波高的条件概率密度函数也采用双参数威布尔分布:
式中,αHC和βHC分别为形状参数和尺度参数;其中,为了提高在风速较大时HS的拟合精度,将形状参数和尺度参数拟合为平均风速的幂函数来表示:
式中,a1、a2、a3、b1、b2、b3为原始数据经非线性曲线拟合估计的参数。
13)波周期的条件概率密度函数,采用对数正态分布:
式中,和/>为条件对数正态分布中的参数,即各波-风类组合下ln(t)的平均值和标准差,对数正态分布中的参数现在都是HS和UW的函数。
根据关系式可以得到:
和/>分别各风浪组合下TP的平均值和标准差,/>为协方差系数(COV);需要拟合/>和/>作为HS和UW的函数来表示条件性。
TP在对数正态分布中的参数化可以使用Johannessen提出的基于北海北部风况和海况的方法,该方法的细节没有给出,但列出了重要的方程来解释其原理。TP的平均值可以用以下公式来近似:
其中,θ和γ为拟合系数;和/>为给定HS下的期望谱峰周期和平均风速,将这两个期望值作为HS的函数进行拟合:
其中,和/>为归一化的波周期和风速。
对于每个级别的波高,归一化周期被转化成归一化风速的函数;绝大多数的波高都有接近线性的关系,表明γ约等于1,因此可以假设变异系数为只与波高HS有关的函数:
式中,k1、k2、k3为原始数据经非线性曲线拟合估计的参数。
由于单桩式风力机一般海深为二十米左右,本文选取在大西洋的Sem Rev站点的参数选择;边缘分布和条件联合分布的参数具体取值下表所示:
表1边缘分布和条件联合分布的参数取值
14)UW、HS和TP的联合分布由UW的边际分布、给定UW的HS的条件分布和给定UW和HS的TP的条件分布组成:
p(U,H,T)=f(U)·f(H|U)·f(T|U,H);
基于上述定义,计算了风速、波高和周期的联合概率分布。
2)按照设定规则,获取若干组工况下的环境参数,其中,每组环境参数均包括风速、波高和波周期数据;其中,设定规则包括风速范围、波高范围、波周期范围以及风速步长、波高步长、波周期步长等。具体地,参加如下示例:
选用5MW单桩式海上风力机模型作为研究对象,设定风力机的环境来流风速介于3m/s到25m/s之间,分别设定3m/s、5m/s、7m/s等12种情况;波高介于1m到6m之间,分别设定1m、2m、3m等6种情况;波周期5s到15s之间,分别设定5s、7s、9s等6种情况。最终得到各工况条件与风力机疲劳载荷之间的映射关系。模拟时长取3800秒,忽略前200s以避免初始化效应,取后3600s用于之后疲劳计算,以消除初始化不稳定效应;计算工况共432组,具体工况参数如下表:
表2工况参数设置
3)建立风速模型和波浪模型,根据获取的环境参数,通过谱方法生成风浪环境;具体如下:
31)建立风速模型,风况符合IEC标准(IEC,2019),其流向平均速度模型为:
ux(z)=U(z/zhub)a;
式中,U是轮毂高度zhub处的参考流向平均风速,zhub取10m,a是海上平均风速分布的指数,等于0.12,横向和垂直平均风速均为零。
通过频谱表示方法在时域模拟风环境,Kaimal频谱定义如下:
其中,Sk(f)是风速的谱,k=x,y,z分别代表流向、横向和垂直方向,σk和Lk分别是风速和湍流积分尺度的标准差,定义为:
式中,Iref为湍流强度参考值,取0.16。
建立平均风速模型以及风速谱模型,通过逆傅里叶变换可得到轮毂处的风速时程。
32)建立波浪模型,采用JONWAP谱模拟波浪环境,其中有义波高H和谱峰周期T在随机海况下定义为:
其中,给定不规则海况的峰值形状参数γ和标度因数σ分别定义为:
JONSWAP谱通过傅立叶逆变换生成海浪波高时程。
4)采用开源风力机计算软件OpenFAST,计算海上风力机在给定风浪环境下的应力时程;具体地:
41)通过开源风力机计算软件OpenFAST在时域内模拟该海上风力机在风、浪工况下的动力响应(即进行动力响应计算),其中,风力机叶片上的风载荷采用叶素动量理论计算,基础上的波浪载荷通过Morrison方程计算,风力机的动力响应通过多体动力学模型模拟,并经模拟后得到风力机基础底部的弯矩时程和轴力时程。
具体地,风力机叶片所受风荷载主要包括升力和阻力两部分:
叶素单位长度上升阻力以及塔筒单位长度上气动力为:
其中,ρ为空气密度;c为叶素弦长;升、阻力系数CL(α)与CD(α)为攻角α的函数。
其中,d(z)为塔筒直径;CTD(z)为塔筒截面阻力系数;CTL(z)为塔筒截面升力系数;UZ为垂直于塔筒高度方向的风速。
基础上的波浪载荷由Morrison方程计算:
其中,ux是垂直于圆管轴线流体速度矢量;CD和CM分别是拖曳力系数和惯性力系数,圆管截面CD=1,CM=1。
假设风向和波作用方向始终相同,风力涡轮机基础轴向力和前后力矩的数值结果样本(U=9m/s,H=5m,T=15s)如5所示。
42)将41)模拟得到的弯矩时程、轴力时程转化成应力时程,计算式如下:
式中,Fz为基础底部的轴向力,Mx、My为关于X轴和Y轴的弯矩,正方向如图2所示,A为基础底面的公称截面积,Ix、Iy为关于X轴和Y轴的截面惯性矩,r为基础底部外壁对应的半径,θ为基础底部各点的方位角。
5)根据应力时程,结合Miner线性累积损伤理论、雨流计数法和SN曲线法计算得到海上风力机在给定风浪环境的疲劳损伤数据;将步骤4)得到的应力时程根据Miner线性累积损伤理论、雨流计数法和SN曲线法计算基底疲劳损伤,所计算的应力时程,取其中的最大应力值绘制的疲劳寿命曲线,损伤为在该应力幅下的实际循环次数除以SN曲线中对应的循环次数。具体地:
51)Miner线性累积损伤理论如下:
式中:ni为第i个工况载荷对应的循环次数;Ni为根据SN曲线得到的在该工况载荷下结构的最大可循环次数;当D=1认为结构将发生疲劳破坏。
52)S-N曲线选择DNV(海上钢结构疲劳设计)规范作为疲劳计算的依据,DNV推荐使用如下形式:
式中:N为在应力范围Δσ内失效的预计循环次数,Δσ为应力范围,m为SN曲线斜率的负倒数,为通过SN曲线得到的log N轴上的截距,可由下式计算:
其中:a为与平均SN曲线相关的常数;s为log N的标准差。
53)计算得到风浪联合下海上风力机短期疲劳损伤值,各工况下基底8个方位角对应的疲劳损伤如表3。综合考虑长期工况下的风浪概率,从而获取风浪联合下海上风力机长期疲劳损伤值。
表3各工况下基底截面处疲劳损伤
6)将环境参数和疲劳损伤数据按照一定比例分为训练集和测试集,并进行数据归一化处理;其中,训练集用作模型训练,测试集用来评估模型泛化能力。
7)使用麻雀优化算法的BP神经网络作为预测模型,构建输入层、隐藏层和输出层,其中,输入层具有3个神经元,用于输入风速、波高和波周期参数;隐藏层为一层或多层;输出层具有1个神经元,用于输出疲劳损伤值。用训练集对SSA-BP预测模型进行训练,训练过程中,利用麻雀优化算法(SSA),来获得BP神经网络的最优阈值和权值,以提高BP神经网络模型的训练精度和泛化能力。直至完成训练迭代次数或最优阈值和权值的误差位于设定误差阈值范围内,训练终止。完成SSA-BP预测模型训练后,利用测试集对SSA-BP预测模型进行验证,以确认模型的泛化性能和有效性。将验证合格的SSA-BP预测模型确认为优化后的SSA-BP预测模型,否则,重复本步骤。具体地:
S1)确定BP神经网络拓扑结构及初始化BP神经网络的权值和阈值,设麻雀种群规模20,种群更新次数20,发现者比例0.2,预警值0.8;
S2)利用麻雀优化算法获取BP神经网络最优阈值和权值的过程就是寻找最有麻雀位置的过程,计算初始种群中所有麻雀对应的适应度,获得当前最佳适应度值。
初始化麻雀种群,通过矩阵表示由n只麻雀组成的n×d维向量种群,即
式中,Xij为第i只麻雀的第j维位置;n为该麻雀种群中麻雀个体数目;d为目标函数变量空间的维数;麻雀种群的适应度可表示为:
式中,f为麻雀个体适应度;
S3)利用麻雀的觅食和报警行为来更新发现者和加入者的位置,同时更新警戒者来避免局部最优解。在迭代过程中发现者位置的更新公式如下:
式中,itermax是预先设定的最大迭代次数,α为[0,1]中的均匀随机数,Q为一个标准正态分布随机数;当R2<ST时,该种群附近没有发现天敌,觅食环境较为安全,此时发现者可以进行广泛的搜索;当R2≥ST时,该种群中的部分麻雀已经发现了捕食者,并开始向种群中的其它麻雀发出警报,种群调整需尽快寻求安全区域;
其中,为当前种群中具有最优适应度的麻雀位置,/>为当前种群中具有最差适应度的麻雀位置,当i>n/2时,第i个加入者的适应度较低且没有获得食物,处于十分饥饿的状态,需要飞往其它区域以补充能量;当i≤n/2时,第i个加入者将在/>附近随机觅食;
在整个种群中,部分麻雀担任侦擦预警的功能,负责对整个种群扩散警戒信号,从而带领种群前往新的安全区域,每代种群中随机选择占种群总数10%~20%的麻雀执行预警功能,其位置更新公式为:
其中,β为符合正态分布的随机数,K为[-1,1]之间的随机数,ε为一个较小的数字,防止分母为0,fworst为具有当前种群的最差适应度值,fg为全局最优适应度值,当fi>fg时,该麻雀处于种群的边缘,容易受到捕食者的攻击;当fi≤fg时,处于种群中间的麻雀意识到了危险,需要接近种群中其它麻雀以降低被捕食的概率。
S4)根据上述得到的更优位置更新所有麻雀适应度值。
S5)重复步骤S2-S4)直至达到训练终止条件,输出该条件下最优适应度值及BP神经网络的最优权值和阈值;
S6)将测试集中的输入参数输入SSA-BP预测模型,然后利用测试集对训练后的SSA-BP预测模型的泛化能力进行评估,以对SSA-BP预测模型进行评价,将符合要求的SSA-BP预测模型确认为优化后的SSA-BP预测模型,完成SSA-BP预测模型的训练。
其中,SSA-BP预测模型验证和预测时使用验证数据集对训练好的SSA-BP预测模型进行验证,评估其预测准确性和泛化能力,具体地:使用预测值与模拟数据之间的平均绝对百分比误差(MAPE)、均方根误差(RMSE)和相关系数R来判断预测模型的性能:
其中,N表示样本数量,表示每组荷载工况下的模拟数据,/>表示每组荷载工况下的代理模型预测值。
式中,N为数据量;和/>分别为预测值和模拟值;/>和/>分别代表预测值和模拟值的平均值。
最后,参数调优和性能改进:根据验证结果,对SSA-BP预测模型的超参数进行调优,如隐藏层节点数、学习率等,以进一步提升模型的性能和预测精度。可以利用麻雀搜索算法进行参数搜索和优化,找到最佳的超参数组合。
作为一种具体实时例:
SSA-BP预测模型的训练集和测试集采样:采用拉丁超立方采样,选择训练工况;对输入和输出数据进行随机抽样;将432个工况数据中,按各工况条件与风力机疲劳损伤之间的映射关系,将300个训练集和132个测试集输入到SSA-BP预测模型中,对各工况条件与风力机疲劳损伤之间的关系进行训练和验证;表4展示的是采用拉丁超立方抽样法得到的300个训练样本数据。
表4基于拉丁超立方抽样所得训练样本数据
8)依次将步骤2)预估的若干组环境参数输入到优化后的优化后的SSA-BP预测模型中,经SSA-BP预测模型运算后得到若干疲劳损伤数据;即通过优化后的SSA-BP预测模型对输入的环境参数进行计算,得到风力机在风和波浪的联合作用下的结构疲劳损伤。
9)根据步骤8)训练的得到的疲劳损伤数据与风浪概率模型加权求和,得到风浪联合作用下海上风力机总疲劳损伤值:
其中,nc表示环境条件的可能组合的数量,pi表示发生概率。
最后需要说明的是,以上实施例仅用以说明本发明的技术方案而非限制技术方案,本领域的普通技术人员应当理解,那些对本发明的技术方案进行修改或者等同替换,而不脱离本技术方案的宗旨和范围,均应涵盖在本发明的权利要求范围当中。
Claims (3)
1.一种风浪联合作用下的海上风力机疲劳损伤估计方法,其特征在于,包括如下步骤:
1)根据平均风速概率分布与波高和波周期的条件概率分布建立风速、波高和波周期的联合分布函数,估计多种风浪组合条件的发生概率;
2)按照设定规则,获取若干组工况下的环境参数,其中,每组环境参数均包括风速、波高和波周期数据;
3)建立风速模型和波浪模型,根据获取的环境参数,通过谱方法生成风浪环境;
4)计算海上风力机在给定风浪环境下的应力时程;
5)根据应力时程,结合Miner线性累积损伤理论、雨流计数法和SN曲线法计算得到海上风力机在给定风浪环境的疲劳损伤数据;
6)将环境参数和疲劳损伤数据按照一定比例分为训练集和测试集,并进行数据归一化处理;
7)使用麻雀优化算法的BP神经网络作为预测模型,构建输入层、隐藏层和输出层,用训练集对SSA-BP预测模型进行训练,训练过程中,利用麻雀优化算法(SSA),来获得BP神经网络的最优阈值和权值,直至完成训练迭代次数或最优阈值和权值的误差位于设定误差阈值范围内,训练终止;完成SSA-BP预测模型训练后,利用测试集对SSA-BP预测模型进行验证,将验证合格的SSA-BP预测模型确认为优化后的SSA-BP预测模型,否则,重复本步骤;
8)依次将步骤2)预估的若干组环境参数输入到优化后的SSA-BP预测模型中,经SSA-BP预测模型运算后得到若干疲劳损伤数据;
9)将步骤8)得到的疲劳损伤数据与风浪概率加权求和,得到风浪联合作用下海上风力机总疲劳损伤值:
其中,nc表示环境条件的可能组合的数量,pi表示发生概率。
2.根据权利要求1所述的一种风浪联合作用下的海上风力机疲劳损伤估计方法,其特征在于,步骤1)中,风浪环境条件发生概率由风速、波高和周期的联合概率分布计算得到:
p(U,H,T)=f(U)·f(H|U)·f(T|U,H);
其中,平均风速的概率密度函数和波高的条件概率密度函数服从双参数威布尔分布:
式中,αH和βH分别为形状参数和尺度参数;
波周期的条件概率密度函数遵循对数正态分布:
式中,μln(T)和σln(T)分别表示自然对数波周期的平均值和标准差。
3.根据权利要求1所述的一种风浪联合作用下的海上风力机疲劳损伤估计方法,其特征在于,所述步骤7)包括如下步骤:
S1)确定BP神经网络拓扑结构及初始化BP神经网络的权值和阈值,设麻雀种群规模20,种群更新次数20,发现者比例0.2,预警值0.8;
S2)利用麻雀优化算法获取BP神经网络最优阈值和权值的过程就是寻找最有麻雀位置的过程,计算初始种群中所有麻雀对应的适应度,获得当前最佳适应度值;
初始化麻雀种群,通过矩阵表示由n只麻雀组成的n×d维向量种群,即
式中,Xij为第i只麻雀的第j维位置;n为该麻雀种群中麻雀个体数目;d为目标函数变量空间的维数;麻雀种群的适应度可表示为:
式中,f为麻雀个体适应度;
S3)利用麻雀的觅食和报警行为来更新发现者和加入者的位置,同时更新警戒者来避免局部最优解;在迭代过程中发现者位置的更新公式如下:
式中,itermax是预先设定的最大迭代次数,α为[0,1]中的均匀随机数,Q为一个标准正态分布随机数;当R2<ST时,该种群附近没有发现天敌,觅食环境较为安全,此时发现者可以进行广泛的搜索;当R2≥ST时,该种群中的部分麻雀已经发现了捕食者,并开始向种群中的其它麻雀发出警报,种群调整需尽快寻求安全区域;
其中,为当前种群中具有最优适应度的麻雀位置,/>为当前种群中具有最差适应度的麻雀位置,当i>n/2时,第i个加入者的适应度较低且没有获得食物,处于十分饥饿的状态,需要飞往其它区域以补充能量;当i≤n/2时,第i个加入者将在/>附近随机觅食;
在整个种群中,部分麻雀担任侦擦预警的功能,负责对整个种群扩散警戒信号,从而带领种群前往新的安全区域,每代种群中随机选择占种群总数10%~20%的麻雀执行预警功能,其位置更新公式为:
其中,β为符合正态分布的随机数,K为[-1,1]之间的随机数,ε为一个较小的数字,防止分母为0,fworst为具有当前种群的最差适应度值,fg为全局最优适应度值,当fi>fh时,该麻雀处于种群的边缘,容易受到捕食者的攻击;当fi≤fg时,处于种群中间的麻雀意识到了危险,需要接近种群中其它麻雀以降低被捕食的概率;
S4)根据上述得到的更优位置更新所有麻雀适应度值;
S5)重复步骤S2-S4)直至达到训练终止条件,输出该条件下最优适应度值及BP神经网络的最优权值和阈值;
S6)将测试集中的输入参数输入SSA-BP预测模型中,然后利用测试集对训练后的SSA-BP预测模型的泛化能力进行评估,以对SSA-BP预测模型进行评价。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310869436.3A CN116911187A (zh) | 2023-07-14 | 2023-07-14 | 一种风浪联合作用下的海上风力机疲劳损伤估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310869436.3A CN116911187A (zh) | 2023-07-14 | 2023-07-14 | 一种风浪联合作用下的海上风力机疲劳损伤估计方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116911187A true CN116911187A (zh) | 2023-10-20 |
Family
ID=88357695
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310869436.3A Pending CN116911187A (zh) | 2023-07-14 | 2023-07-14 | 一种风浪联合作用下的海上风力机疲劳损伤估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116911187A (zh) |
-
2023
- 2023-07-14 CN CN202310869436.3A patent/CN116911187A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105973594B (zh) | 一种基于连续深度置信网络的滚动轴承故障预测方法 | |
CN109214566A (zh) | 基于长短期记忆网络的风电功率短期预测方法 | |
CN113326969B (zh) | 基于改进的鲸鱼优化算法及elm的短期风速预测方法及系统 | |
CN114048930B (zh) | 一种超短期风电功率预测方法和装置 | |
Sheng et al. | Reliability and fragility assessment of offshore floating wind turbine subjected to tropical cyclone hazard | |
CN112149883A (zh) | 基于fwa-bp神经网络的光伏功率预测方法 | |
CN115877483A (zh) | 一种基于随机森林和gru的台风路径预报方法 | |
Wang et al. | Establishing robust short-term distributions of load extremes of offshore wind turbines | |
Ji et al. | Structural performance degradation identification of offshore wind turbines based on variational mode decomposition with a Grey Wolf Optimizer algorithm | |
CN111624522A (zh) | 基于蚁群优化rbf神经网络控制变压器故障诊断方法 | |
Lodge et al. | Short term wind speed prediction using artificial neural networks | |
CN106786499B (zh) | 基于改进afsa优化elm的短期风电功率预测方法 | |
CN114897204A (zh) | 一种海上风电场短期风速预测方法和装置 | |
Gong et al. | Forecasting of typhoon wave based on hybrid machine learning models | |
KR102406870B1 (ko) | 유효 전력 조절 하에서의 풍력 터빈 피로 하중 모델 구축 방법 | |
CN114548634A (zh) | 一种海上风资源综合评估方法、装置、存储介质和电子设备 | |
CN117454324A (zh) | 风速风向仪故障预警方法、系统、电子设备及存储介质 | |
CN116911187A (zh) | 一种风浪联合作用下的海上风力机疲劳损伤估计方法 | |
Bourguet et al. | Aerodynamic multi-criteria shape optimization of VAWT blade profile by viscous approach | |
CN112052604A (zh) | 风机等效疲劳载荷的预测方法、系统、设备及可读介质 | |
CN117150705A (zh) | 一种基于特征解构的海上风电场短期风速预测方法 | |
Rizianiza et al. | Prediction of significant wave height in the java sea using artificial neural network | |
Namura | Wind shear estimation model using load measurement of wind turbine tower and surrogate model | |
Yao et al. | Extreme motion prediction and early-warning assessment of semisubmersible platform based on deep learning method | |
Rongbin et al. | Research on wind power prediction method based on CEEMDAN-SSA-GRU |
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 |