【技術實現步驟摘要】
本專利技術涉及風力發電以及深度學習技術，具體涉及一種基于改進型物理信息神經網絡的風電場尾流預測方法。
技術介紹
1、風能作為最重要的可再生能源之一，風力發電技術在全球范圍內得到迅速發展。隨著風電場規模的擴大和風力機的大型化發展，因尾流效應造成風能損失愈加嚴重。因此，為了減輕尾流效應的影響并提高風力機對風能的利用效率，準確與高效的尾流預測對于風電場的優化設計與控制具有重要意義。尾流效應是指由于上游風力機從迎風側提取風能后在其后方形成湍流區域，導致下游風力機接收到的風速降低、湍流增強，從而使得風力機的發電效率降低和疲勞損耗增加。
2、當前，傳統的基于深度學習技術的尾流預測模型，需要大量數據以實現模型訓練，而在實際應用中往往難以獲取滿足需求的數據量，阻礙了其在工程實踐中得到廣泛應用。
3、激光測風雷達技術因具有測量精度高、時空分辨率高、探測范圍廣、響應速度快等優勢，在風電領域得到了普遍應用。然而，激光測風雷達只能測量沿激光光束方向上稀疏位置的視向風速和風向，無法得到風電場尾流的詳細信息。
4、因此，急需一種能夠利用激光測風雷達稀疏測量點的視向風速數據，實現風電場尾流準確與高效預測的技術解決方案。
技術實現思路
1、專利技術目的：本專利技術的目的在于解決現有技術中存在的不足，提供一種基于改進型物理信息神經網絡的風電場尾流預測方法。
2、技術方案：本專利技術的一種基于改進型物理信息神經網絡的風電場尾流預測方法，構建風電場尾流預測模型，風電場尾流
3、步驟1、對于構建的基礎型物理信息神經網絡，采用余弦退火算法、動態損失函數權重策略來融合激光測風雷達模塊、二維navier-stokes方程和致動盤模型，構建改進型物理信息神經網絡；
4、步驟2、構建訓練數據集并引入逐步時間節省策略對步驟1所得改進型物理信息神經網絡進行訓練，得到風電場尾流預測模型，訓練過程中激光測風雷達模塊計算視向風速ulos；訓練數據集包括激光測風雷達稀疏測量點的視向風速數據；
5、步驟3、向訓練好的風電場尾流預測模型輸入空間位置數據和時間數據，即輸入時空坐標(x,y,t)，得到預測的風電場尾流的流向風速u、展向風速v和空氣壓力p。
6、本專利技術中激光測風雷達模塊的損失函數本質上就是指預測的視向風速與實測的視向風速的對比；神經網絡訓練過程中的一個目的就是實現預測的視向風速與實測的視向風速之間差異最小，其最終目的是實現總損失函數最小化。
7、進一步地，所述二維navier-stokes方程表達式為：
8、
9、式中，表示偏導數運算；u為流向風速；v表示展向風速；t為預測時刻；x為流向位置；y為展向位置；ρ表示空氣密度；p為空氣壓力；υ為空氣運動粘度；
10、所述致動盤模型的表達式為：
11、
12、式中，xf表示致動盤中心的流向位置；yf為致動盤中心的展向位置；f(xf,yf)表示施加在中心位置坐標為(xf,yf)的致動盤上的體積力；nelem為致動盤離散元素的總數；fi表示第i個致動盤離散元素處的體積力；ε為高斯核的平滑參數；exp(·)表示以數學常數e為底的指數函數；為第i個致動盤離散元素的流向位置；表示第i個致動盤離散元素的展向位置。
13、進一步地，通過損失函數將激光測風雷達模塊、二維navier-stokes方程和致動盤模型融入基礎型物理信息神經網絡中，損失函數公式為：
14、
15、式中，w1代表激光測風雷達模塊的損失函數權重；為激光測風雷達模塊的損失函數；w2代表navier-stokes方程的損失函數權重；為navier-stokes方程的損失函數；w3代表致動盤模型的損失函數權重；為致動盤模型的損失函數；最終以損失函數值最小為目標進行神經網絡訓練。
16、進一步地，通過動態損失函數權重策略對損失函數進行自適應調整，使得損失函數中的三個權重通過梯度上升進行動態更新，表達式如下：
17、
18、式中，和分別表示第k+1個和第k個訓練回合時激光測風雷達模塊的損失函數權重；為權重w1更新時的學習率；表示對損失函數求關于權重w1的偏導；為總損失函數；θk為第k個訓練回合時神經網絡的訓練參數；和分別表示第k+1個和第k個訓練回合時navier-stokes方程的損失函數權重；為權重w2更新時的學習率；表示對損失函數求關于權重w2的偏導；和分別表示第k+1個和第k個訓練回合時致動盤模型的損失函數權重；表示對損失函數求關于權重w3的偏導。
19、進一步地，使用余弦退火算法是一種溫重啟隨機梯度下降方法，通過余弦退火算法在改進型物理信息神經網絡訓練時的每個溫啟動周期內逐步降低學習率，實現改進型物理信息神經網絡性能的提升，公式表示為：
20、
21、式中，ηj表示第j個訓練回合的學習率；ηmax為最大學習率；ηmin為最小學習率；tcur表示自溫重啟后神經網絡已訓練的回合數；te表示相鄰兩次溫重啟之間所需經歷的訓練回數，其初始值為t0，每次溫重啟后通過系數tmult擴大，即te+1＝tmult·te。
22、進一步地，所述步驟2引入逐步時間節省策略對成改進型物理信息神經網絡進行訓練的具體方法為：將整個訓練數據集按時間域分解為多個子訓練集，每個子訓練集根據時間順序由相同的改進型物理信息神經網絡進行逐步訓練；除初始訓練時使用的子訓練集，后續的子訓練集都將結合前一子訓練集數據進行改進型物理信息神經網絡訓練；改進型物理信息神經網絡在每步訓練完成后，將訓練參數信息作為下一步訓練的初始條件。
23、進一步地，訓練過程中激光測風雷達模塊預測的視向風速ulos計算公式為：
24、ulos＝utraincos(θ)-vtrainsin(θ)(10)
25、式中，ulos為預測的激光測風雷達的視向風速；utrain為神經網絡訓練過程中輸出的流向風速；vtrain為神經網絡訓練過程中輸出的展向風速；θ為激光測風雷達測量光束的方位角。
26、有益效果：本專利技術對基礎型物理信息神經網絡引入余弦退火算法、動態損失函數權重兩種精度提升策略，和逐步時間節省策略，形成改進型物理信息神經網絡，從而實現對風電場尾流更加準確、更加高效率的預測；另外本專利技術融合有激光測風雷達稀疏測量點風速數據約束、二維navier-stokes方程約束、致動盤模型約束，能夠通過將測量數據與物理規律結合的方法實現對風電場尾流的準確與高效預測。
本文檔來自技高網...【技術保護點】
1.一種基于改進型物理信息神經網絡的風電場尾流預測方法，其特征在于，構建風電場尾流預測模型，風電場尾流預測模型的輸入數據包括空間位置數據和時間數據，風電場尾流預測模型的輸出數據為風電場尾流風速；所述風電場尾流預測模型包括改進型物理信息神經網絡，并融合激光測風雷達模塊、二維Navier-Stokes方程和致動盤模型，激光測風雷達模塊結合激光測風雷達稀疏測量數據，二維Navier-Stokes方程和致動盤模型作為物理規律約束；具體方法如下：
2.根據權利要求1所述的基于改進型物理信息神經網絡的風電場尾流預測方法，其特征在于，所述二維Navier-Stokes方程表達式為：
3.根據權利要求1所述的基于改進型物理信息神經網絡的風電場尾流預測方法，其特征在于，通過損失函數將激光測風雷達模塊、二維Navier-Stokes方程和致動盤模型融入基礎型物理信息神經網絡中，損失函數公式為：
4.根據權利要求3所述的基于改進型物理信息神經網絡的風電場尾流預測方法，其特征在于，通過動態損失函數權重策略對損失函數進行自適應調整，使得損失函數中的三個權重通過梯度上升進
5.根據權利要求1或3所述的基于改進型物理信息神經網絡的風電場尾流預測方法，其特征在于，使用余弦退火算法在改進型物理信息神經網絡訓練時的每個溫啟動周期內逐步降低學習率，表達式為：
6.根據權利要求1所述的基于改進型物理信息神經網絡的風電場尾流預測方法，其特征在于，所述步驟2引入逐步時間節省策略對成改進型物理信息神經網絡進行訓練的具體方法為：將整個訓練數據集按時間域分解為多個子訓練集，每個子訓練集根據時間順序由相同的改進型物理信息神經網絡進行逐步訓練；除初始訓練時使用的子訓練集，后續的子訓練集都將結合前一子訓練集數據進行改進型物理信息神經網絡訓練；改進型物理信息神經網絡在每步訓練完成后，將訓練參數信息作為下一步訓練的初始條件。
7.根據權利要求1所述的基于改進型物理信息神經網絡的風電場尾流預測方法，其特征在于，訓練過程中激光測風雷達模塊預測的視向風速uLoS計算公式為：
...【技術特征摘要】
1.一種基于改進型物理信息神經網絡的風電場尾流預測方法，其特征在于，構建風電場尾流預測模型，風電場尾流預測模型的輸入數據包括空間位置數據和時間數據，風電場尾流預測模型的輸出數據為風電場尾流風速；所述風電場尾流預測模型包括改進型物理信息神經網絡，并融合激光測風雷達模塊、二維navier-stokes方程和致動盤模型，激光測風雷達模塊結合激光測風雷達稀疏測量數據，二維navier-stokes方程和致動盤模型作為物理規律約束；具體方法如下：
2.根據權利要求1所述的基于改進型物理信息神經網絡的風電場尾流預測方法，其特征在于，所述二維navier-stokes方程表達式為：
3.根據權利要求1所述的基于改進型物理信息神經網絡的風電場尾流預測方法，其特征在于，通過損失函數將激光測風雷達模塊、二維navier-stokes方程和致動盤模型融入基礎型物理信息神經網絡中，損失函數公式為：
4.根據權利要求3所述的基于改進型物理信息神經網絡的風電場尾流預測方法，其特征在于，通過動態損失...
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。