买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：西北工业大学

摘要：本发明涉及风力发电机空气动力分析技术领域，公开了一种风力机叶片动态失速气动力智能预测方法，包括以下步骤：获取风力机叶片的输入特征数据与目标叶片的高精度气动力数据；将输入特征数据与高精度气动力数据输入基于物理知识的翼型动态失速神经网络模型中进行训练，得到训练好的基于物理知识的翼型动态失速神经网络模型与动态失速气动力预测数据；获取风力机叶片的迎角，并输入训练好的基于物理知识的翼型动态失速神经网络模型与动量叶素理论求解器进行耦合迭代，得到修正的风力机叶片的非定常气动力；该方法将物理知识融入神经网络中，构建基于物理知识的翼型动态失速神经网络模型对气动力进行预测，减少了训练数据，提高了预测精度。

主权项：1.一种风力机叶片动态失速气动力智能预测方法，其特征在于，包括以下步骤：S1、获取风力机叶片的输入特征数据与目标叶片的高精度气动力数据；S2、将步骤S1中输入特征数据与高精度气动力数据输入基于物理知识的翼型动态失速神经网络模型中进行训练，得到训练好的基于物理知识的翼型动态失速神经网络模型与动态失速气动力预测数据；基于物理知识的翼型动态失速神经网络模型由网络分支与融合网络构成，网络分支由网络输入层、隐藏层以及输出层构成，融合网络由融合网络输入层、隐藏层以及输出层构成；其中，步骤S2具体包括：S21、将步骤S1中输入特征数据构造4阶时间延迟，得到基于物理知识的翼型动态失速神经网络模型的输入矩阵；S22、将步骤S21中得到的基于物理知识的翼型动态失速神经网络模型的输入矩阵，采用最大值和最小值归一化到区间，得到输入数据；S23、将步骤S22中得到的输入数据作为原始数据，将步骤S1中高精度气动力数据作为标签数据，并将赋予标签的原始数据划分为训练样本集、验证样本集以及测试样本集；S24、将步骤S23中训练样本集与验证样本集输入基于物理知识的翼型动态失速神经网络模型中进行训练，得到训练好的基于物理知识的翼型动态失速神经网络模型；S25、将测试样本集输入步骤S24中得到的训练好的基于物理知识的翼型动态失速神经网络模型，得到动态失速气动力预测数据；S3、获取风力机叶片的迎角，并输入步骤S2中训练好的基于物理知识的翼型动态失速神经网络模型与动量叶素理论求解器进行耦合迭代，得到修正的风力机叶片的非定常气动力；其中，步骤S3具体包括：S31、根据风力机叶片的来流风速，利用下述公式计算入流角，即： 其中，表示正切函数，表示入流角，表示向来流风速，表示向来流风速；S32、根据步骤S31计算的入流角，利用下述计算公式分别计算第、、、以及时刻的迎角，即： 其中，表示迎角，表示桨距角；S33、将步骤S32中计算的第、、、以及时刻的迎角代入步骤S2中训练好的基于物理知识的翼型动态失速神经网络模型中，得到风力机叶片的非定常气动力；S34、将步骤S33中得到的风力机叶片的非定常气动力带入动量叶素理论求解器中修正动量叶素理论求解器计算的结果，得到新的诱导速度；S35、重复步骤S31-S34，直到风力机叶片的气动力收敛，得到修正的风力机叶片的非定常气动力。

全文数据：

权利要求：

百度查询： 西北工业大学 一种风力机叶片动态失速气动力智能预测方法