【技術實現步驟摘要】
本專利技術涉及風力發電，具體地涉及一種風電葉片模型參數修正方法、一種風電葉片模型參數修正裝置、一種電子設備及一種計算機可讀存儲介質。
技術介紹
1、隨著全球能源結構的轉型，風力能源因其清潔、可再生的特性，已成為全球能源結構的重要組成部分。風力發電機組作為風能轉換為電能的關鍵設備，其葉片長度已超過百米，以捕獲更多風能并提高發電效率。然而，葉片長度的增加和結構的柔性化導致非線性效應日益顯著，給葉片的仿真計算帶來了極大的挑戰，傳統的仿真模型在處理這些長柔葉片時，無法提高風機葉片仿真計算的精度。因此，提高風機葉片仿真計算的精度成為了當下必要解決的問題。
2、目前，通過確定一組修正參數作為優化變量，并將理論模型與實際模型之間的差異定義為我們的優化目標。在迭代計算過程中，我們利用優化算法對這些參數進行調整，以最小化模型誤差。在這個過程中，人工神經網絡算法扮演了至關重要的角色，它模仿動物神經網絡的行為，能夠有效地處理非線性映射問題，這對于識別和篩選影響模型輸出的關鍵參數至關重要。人工神經網絡的預測能力還為優化算法提供了指導，使得參數調整更加精準。此外，人工神經網絡的自適應修正特性有助于在迭代過程中不斷提升模型的泛化能力和預測精度。綜上所述，通過這種結合優化算法和人工神經網絡的方法，我們不僅能夠有效地修正模型參數，還能確保模型在新的數據集上具有更好的適應性和預測性能。
3、但是，現有的風電葉片模型參數修正方法仍存在一些問題：（1）參數篩選和優化過程可能受到數據質量和數量的限制，導致修正結果的不確定性；（2）人工神經網絡的
4、總的來說，現有的風電葉片模型參數修正方法存在受數據限制和計算資源挑戰，從而導致參數優化不確定性和泛化能力局限的問題。
技術實現思路
1、本專利技術實施例的目的是提供一種風電葉片模型參數修正方法、裝置、設備及介質，以解決現有的模型參數修正方法存在受數據限制和計算資源挑戰，從而導致參數優化不確定性和泛化能力局限的問題。
2、為了實現上述目的，本專利技術實施例提供一種風電葉片模型參數修正方法，包括：
3、獲取風電葉片仿真模型的參數；其中，參數包括待修正參數和固定參數；
4、依據風電葉片仿真模型的參數，確定風電葉片仿真模型的評價指標的仿真結果；
5、依據風電葉片仿真模型的評價指標的仿真結果和評價指標的預設測試結果，確定風電葉片仿真模型的誤差；
6、若風電葉片仿真模型的誤差大于預設閾值，則利用模型調參方法對風電葉片仿真模型的待修正參數進行調整，并返回依據風電葉片仿真模型的參數進行仿真分析，確定風電葉片仿真模型的評價指標的仿真結果的步驟；
7、若風電葉片仿真模型的誤差小于預設閾值，則輸出調整后的風電葉片仿真模型的參數。
8、可選地，風電葉片模型的待修正參數包括：葉片分布質量、揮舞方向剛度、擺振方向剛度和扭轉剛度；
9、風電葉片仿真模型的評價指標包括：葉片質量、擺振頻率、揮舞頻率和扭轉頻率。
10、可選地，依據風電葉片仿真模型的評價指標的仿真結果和評價指標的預設測試結果，確定風電葉片仿真模型的誤差，包括：
11、利用以下公式，對風電葉片仿真模型的評價指標的仿真結果和評價指標的預設測試結果進行計算，得到風電葉片仿真模型的誤差；
12、；其中，表示風電葉片仿真模型的誤差，表示風電葉片仿真模型的評價指標的仿真結果，表示評價指標的預設測試結果。
13、可選地，利用模型調參方法對風電葉片仿真模型的待修正參數進行調整，包括：
14、確定多個風電葉片仿真模型設計方案；其中，每個風電葉片仿真模型設計方案包括不同的風電葉片仿真模型的待修正參數；
15、依據多個風電葉片仿真模型設計方案和風電葉片仿真模型的固定參數，確定多個風電葉片仿真模型設計方案的評價指標的仿真結果；
16、利用多個風電葉片仿真模型設計方案和對應的評價指標的仿真結果對預先構建的卷積神經網絡-長短期記憶神經網絡并行循環神經網絡進行訓練，并在訓練完成后獲得風電葉片參數修正模型；
17、將預設評價指標的測試結果輸入風電葉片參數修正模型，得到風電葉片仿真模型目標設計方案；
18、將風電葉片仿真模型的待修正參數更新為風電葉片仿真模型目標設計方案。
19、可選地，確定多個風電葉片仿真模型設計方案，包括：
20、確定風電葉片模型的參數中多個待修正參數的取值范圍；
21、從每個待修正參數的取值范圍中選擇出多個待修正參數的取值；
22、利用均勻設計方案，對每個待修正參數的多個待修正參數的取值進行組合，得到多個風電葉片仿真模型設計方案。
23、可選地，卷積神經網絡包括：使用keras庫的layers模塊中的conv1d層構建一維卷積神經網絡；長短期記憶神經網絡包括：使用keras庫的layers模塊中的bidirectionallstm層構建具有雙向性的長短期記憶神經網絡模型；循環神經網絡包括：使用keras庫的layers模塊simplernn層。
24、在本專利技術實施方式的第二方面，本專利技術實施例還提供一種風電葉片模型參數修正裝置，包括：
25、數據獲取模塊，用于獲取風電葉片仿真模型的參數；其中，參數包括待修正參數和固定參數；
26、仿真分析模塊，用于依據風電葉片仿真模型的參數，確定風電葉片仿真模型的評價指標的仿真結果；
27、誤差分析模塊，用于依據風電葉片仿真模型的評價指標的仿真結果和評價指標的預設測試結果，確定風電葉片仿真模型的誤差；
28、仿真循環模塊，用于當風電葉片仿真模型的誤差大于預設閾值時，利用模型調參方法對風電葉片仿真模型的待修正參數進行調整，并返回調用仿真分析模塊；
29、參數輸出模塊，用于當風電葉片仿真模型的誤差小于預設閾值時，輸出調整后的風電葉片仿真模型的參數。
30、可選地，誤差分析模塊具體用于：
31、利用以下公式，對風電葉片仿真模型的評價指標的仿真結果和評價指標的預設測試結果進行計算，得到風電葉片仿真模型的誤差；
32、；其中，表示風電葉片仿真模型的誤差，表示風電葉片仿真模型的評價指標的仿真結果，表示評價指標的預設測試結果。
33、在本專利技術實施方式的第三方面，提供一種電子設備，包括：處理器和存儲器，存儲器存儲有處理器可執行的機器可讀指令，機器可讀指令被處理器執行時執行上述的風電葉片模型參數修正方法。
34、在本專利技術實施方式的第四方面，提供一種計算機可讀存儲介質，存儲有計算機指令，當計算機指令在計算機上運行時，使得計算機執行上述的風電葉片模型參數修正方法。
35、本專利技術的有益效果：
本文檔來自技高網...
【技術保護點】
1.一種風電葉片模型參數修正方法，其特征在于，包括：
2.根據權利要求1所述的風電葉片模型參數修正方法，其特征在于，風電葉片模型的待修正參數包括：葉片分布質量、揮舞方向剛度、擺振方向剛度和扭轉剛度；
3.根據權利要求1所述的風電葉片模型參數修正方法，其特征在于，依據風電葉片仿真模型的評價指標的仿真結果和評價指標的預設測試結果，確定風電葉片仿真模型的誤差，包括：
4.根據權利要求1所述的風電葉片模型參數修正方法，其特征在于，利用模型調參方法對風電葉片仿真模型的待修正參數進行調整，包括：
5.根據權利要求4所述的風電葉片模型參數修正方法，其特征在于，確定多個風電葉片仿真模型設計方案，包括：
6.根據權利要求1所述的風電葉片模型參數修正方法，其特征在于，卷積神經網絡包括：使用Keras庫的layers模塊中的Conv1D層構建一維卷積神經網絡；長短期記憶神經網絡包括：使用Keras庫的layers模塊中的Bidirectional?LSTM層構建具有雙向性的長短期記憶神經網絡模型；循環神經網絡包括：使用Keras庫的layer
7.一種風電葉片模型參數修正裝置，其特征在于，包括：
8.根據權利要求7所述的風電葉片模型參數修正裝置，其特征在于，誤差分析模塊具體用于：
9.一種電子設備，其特征在于，包括：處理器和存儲器，所述存儲器存儲有所述處理器可執行的機器可讀指令，所述機器可讀指令被所述處理器執行時執行權利要求1-7中任一項所述的風電葉片模型參數修正方法。
10.一種計算機可讀存儲介質，存儲有計算機指令，其特征在于，當所述計算機指令在計算機上運行時，使得計算機執行權利要求1-7中任一項所述的風電葉片模型參數修正方法。
...【技術特征摘要】
1.一種風電葉片模型參數修正方法，其特征在于，包括：
2.根據權利要求1所述的風電葉片模型參數修正方法，其特征在于，風電葉片模型的待修正參數包括：葉片分布質量、揮舞方向剛度、擺振方向剛度和扭轉剛度；
3.根據權利要求1所述的風電葉片模型參數修正方法，其特征在于，依據風電葉片仿真模型的評價指標的仿真結果和評價指標的預設測試結果，確定風電葉片仿真模型的誤差，包括：
4.根據權利要求1所述的風電葉片模型參數修正方法，其特征在于，利用模型調參方法對風電葉片仿真模型的待修正參數進行調整，包括：
5.根據權利要求4所述的風電葉片模型參數修正方法，其特征在于，確定多個風電葉片仿真模型設計方案，包括：
6.根據權利要求1所述的風電葉片模型參數修正方法，其特征在于，卷積神經網絡包括：使用keras庫的layers模塊中的conv1d...
【專利技術屬性】
技術研發人員：劉嘉琳，張林中，王小虎，
申請(專利權)人：國電聯合動力技術有限公司，
類型：發明
國別省市：
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。