基于神经网络的风力机结构耦合振动预测模型
基于神经网络的风功率预测问题研究
第３ ６卷 第 １ 期 ２ ０ １ ３年 ２月
四川 １ 电 力 技 术
预测进行 了研 究
， 都有 各 自见解 。
１ 风功率预测
１ ． １ 风 功率 预测概 念
在世界 范 围 内的迅 速 发 展 。风 能作 为 一 种 可再 生 、 洁净 的能 源 ， 已得 到世 界 各 国的高 度 重 视 。风力 发
电以其储藏量巨大、 转换形式简单 、 可大规模开采以 及零污染等特点成为未来经济、 科技发展 中最有代
Ｓ ｉ ｃ ｈ ｕ ａ ｎ Ｅｌ ｅ ｃ ｔ ｒ ｉ ｃ Ｐｏ ｗｅ ｒ Ｔ ｅ ｃ ｈ ｎ ｏ ｌ ｏ ｇ ｙ
Ｖｏ １ ． ３ ６， Ｎｏ ． １
Ｆ ｅ ｂ ． ， ２ ０ １ ３
基 于 神 经 网络 的风 功率 预 测 问题 研 究
张 涛， 张新 燕 ， 王维庆
（ 新疆大学电气工程学院， 新疆 乌鲁木齐
中图分 类号 ： １ ０ ０ ３—６ ９ ５ ４ （ ２ ０ １ ３ ） Ｏ ｌ 一 ０ ０ １ ６— ０ ３
改进方 向。还有很多文章也都从各个角度对风功率
０ 引 言
全球 性 的能 源 危机 和 气候 变 暖 ， 驱 动 了新 能源
风 功率 预测是指 风 电场风力 发 电机发 电功率 预
测， 其原理是根据风电场气象信息有关数据 ， 利用物
理模 型计算 和科学 统 计 方法 ， 对 风 电场 的风 力 风 速 进 行短期 预报 ， 并预 测 出风 电场 的功率 ， 从而也 可 实 现 电力 调度部 门对风 电调 度 的要 求 。
基于深度学习的风力发电预测模型研究
基于深度学习的风力发电预测模型研究1. 引言随着对可再生能源的需求不断增长，风力发电作为其中重要的一种形式，具有广阔的应用前景。
然而，风力发电的波动性使得其产能难以准确预测，这限制了其进一步发展和利用。
因此，研究一种准确预测风力发电的模型是非常有意义的。
2. 传统方法的局限性在过去，人们通常使用统计方法或物理模型来预测风力发电。
然而，这些方法往往依赖于对风力发电环境的先验知识和假设，并且很难准确捕捉风力发电的复杂性和非线性规律。
另外，这些方法还面临数据缺失、噪声干扰等问题。
3. 深度学习的优势深度学习作为机器学习的一个分支，在处理大规模复杂数据方面具有明显优势。
它能够从原始数据中学习到高层次的特征表示，并能够通过构建深层神经网络来提取和模拟数据中的复杂关系。
因此，利用深度学习方法来预测风力发电具有很大的潜力。
4. 基于深度学习的风力发电预测模型4.1 数据集准备为了构建基于深度学习的风力发电预测模型，首先需要收集和准备大量的风力发电历史数据集。
这些数据集应包括风速、风向、发电功率等多个指标，以及与之相关的时间信息。
4.2 模型构建在数据集准备完成后，接下来可以构建深度学习模型。
通常可以采用循环神经网络（Recurrent Neural Network, RNN）或卷积神经网络（Convolutional Neural Network, CNN）来处理时序数据。
通过构建合适的网络结构、选择适当的激活函数和损失函数，可以降低模型的误差。
4.3 模型训练和优化为了提高模型的预测能力，需要对模型进行训练和优化。
可以使用常见的优化算法如梯度下降法（Gradient Descent）或自适应矩估计（Adam）算法来最小化损失函数，并通过交叉验证、正则化等方法来防止过拟合现象。
4.4 模型评估和预测完成模型的训练和优化后，需要对模型进行评估和预测。
可以使用较小的数据集进行交叉验证，并计算模型的预测精度、均方根误差等指标来评估其准确性和稳定性。
风功率预测三种模型
风电功率预测问题摘要风能是一种可再生、清洁的能源，风力发电是最具大规模开发技术经济条件的非水电再生能源。
现今风力发电主要利用的是近地风能。
近地风具有波动性、间歇性、低能量密度等特点，因而风电功率也是波动的。
大规模风电场接入电网运行时，大幅度地风电功率波动会对电网的功率平衡和频率调节带来不利影响。
如果可以对风电场的发电功率进行预测，电力调度部门就能够根据风电功率变化预先安排调度计划，保证电网的功率平衡和运行安全。
因此，如何对风电场的发电功率进行尽可能准确地预测，是急需解决的问题。
根据电力调度部门安排运行方式的不同需求，风电功率预测分为日前预测和实时预测。
日前预测是预测明日24小时96个时点（每15分钟一个时点）的风电功率数值。
实时预测是滚动地预测每个时点未来4小时内的16个时点（每15分钟一个时点）的风电功率数值。
对于问题一我们建立了3个模型：1、时间序列模型即指数平滑模型2、拟合回归模型3、神经元预测模型即BP模型。
针对这3种模型，根据相对误差的大小和准确度的大小判断来确定优先选择哪个模型。
对于问题二，在第一问的基础上对相关模型进行了比较，分析，做出了预期。
对于问题三，在第一问的基础上，对相关的模型进行了改善，使其预测的更加准确。
关键词：风功率实时预测 BP网络神经 matlab 时间序列问题的重述一、背景知识1、风功率预测概况风功率预测是指风电场风力发电机发电功率预测。
风电场是利用在某个通过预测的坐标范围内，几座或者更换多的经过科学测算，按照合理距离安装的风力发电机，利用可控范围内的风能所产生的电力来实现运行供电。
由于风是大气压力差引起的空气流动所产生的，风向和风力的大小时刻时刻都在变化。
因而，风力发电具有波动性、间歇性和随机性的特点。
这些特点所导致的风电场功率波动，会对地区电网整体运行产生影响，进而会影响到整个地区总网内的电压稳定。
因此，当风力发电场，特别是大容量风力发电场接入电网时，就会给整个电力系统的安全、稳定运行带来一定的隐患。
基于神经网络的自然风场预报模型研究
基于神经网络的自然风场预报模型研究自然风场预报是气象学领域中的重要分支之一，其主要目的是预测未来某一时间点内大气中的自然风场情况。
然而，由于自然风场的预报常常受到多种因素的影响，例如天气的变化、地形的不同、海拔高度的差异、雷达数据的误差等等，因此在实际应用中，传统的风场预报方法往往难以应对这些复杂而多变的状况。
因此，基于神经网络的自然风场预报模型应运而生，并逐渐成为了该领域的研究热点。
一、神经网络的基本原理神经网络是一种信息处理模型，它的结构和功能都与生物神经系统类似，是由大量的基本单元（神经元）之间相互联接而组成的复杂网络系统。
在神经网络中，神经元之间的连接强度（称为权重）可以不断调整，以达到学习的目的。
当一个神经元的输入信号超过一个阈值时，就会产生输出，从而对下一层神经元的状态产生影响。
二、基于神经网络的自然风场预报模型研究基于神经网络的自然风场预报模型通常包括以下几个关键步骤：1. 数据预处理：将原始数据进行预处理，包括数据采样、数据清洗、数据标准化等操作，以提高预测模型的准确性。
2. 模型建立：构建神经网络模型，包括神经元的数量、层数、激活函数的选择等。
3. 训练模型：采用反向传播算法，根据训练数据集中的历史风场数据进行模型的训练，并不断更新模型的权重。
4. 验证模型：利用测试数据集对模型进行验证，评估预测结果与真实数据的符合程度。
5. 应用模型：通过实时监测气象数据，引入神经网络模型进行风场预报，以及实时调整模型的参数，以达到最优预测效果。
三、神经网络的优点与不足基于神经网络的自然风场预报模型具有以下几个优点：1. 基于经验的学习：神经网络可以通过对历史数据的学习，自动得出实际风场与气象条件之间的联系，从而提高了预测的精度和准确性。
2. 适应性强：神经网络具有较高的适应性，可以对不同气象条件下的风场变化做到有效预测，减小预测误差。
3. 小样本预测能力优秀：随着气象数据采集技术与计算机运算能力的不断提高，神经网络可以处理更少的样本数据，同时还能够快速适应新的气象环境。
基于神经网络的风电功率预测技术
基于神经网络的风电功率预测技术随着清洁能源和环保意识的不断加强，风电作为一种新型的能源形式，得到了越来越广泛的应用和发展。
但是，风电系统的不稳定性和不可控性，给其使用和维护带来了很大的挑战。
很多研究者尝试使用神经网络技术来预测风电功率，以提高风电系统的可靠性和实用性。
一、神经网络的基本原理神经网络是一种模拟人脑神经元的计算模型。
它由一个由多个简单的处理节点（神经元）组成的网络构成。
神经元之间的连接具有可调权重，并对输入数据进行加工处理，以产生输出。
神经网络通过反向传播算法进行训练，不断优化节点之间的权重值，从而提高网络的准确性和泛化能力。
二、神经网络在风电功率预测中的应用神经网络的优势在于可以处理大量的输入和输出数据，具有较强的适应性和学习能力。
因此，越来越多的风电功率预测系统采用神经网络技术。
基于神经网络的风电功率预测技术可以更精准地预测出下一时刻的功率输出，提高风电系统的可靠性和实用性。
以下是一些常用的神经网络技术：1. BP神经网络BP神经网络是一种最常见的前向反馈神经网络，具有广泛的应用。
在风电功率预测中，BP神经网络可以利用历史的功率输出数据，建立一个具有多层神经元的模型，然后根据输入的气象数据进行训练，预测下一时刻的功率输出。
2. RBF神经网络RBF神经网络是一种基于径向基函数的神经网络，常用于非线性的数据建模和预测。
在风电功率预测中，RBF神经网络可以通过建立一个具有一层隐藏层的模型，利用输入的气象数据进行训练，预测下一时刻的功率输出。
3. Elman神经网络Elman神经网络是一种递归神经网络，它将输出反馈到神经元的输入端，实现时间序列数据的处理和预测。
在风电功率预测中，Elman神经网络可以利用历史的功率输出数据和气象数据，建立一个具有隐藏层和反馈层的模型，预测下一时刻的功率输出。
三、神经网络在风电功率预测中的应用案例1. 基于BP神经网络的风电功率预测系统某研究机构开发了一个基于BP神经网络的风电功率预测系统。
基于人工神经网络和粒子群算法的风能预测模型
技术创新《微计算机信息》2012年第28卷第10期120元/年邮局订阅号：82-946《现场总线技术应用200例》测控自动化基于人工神经网络和粒子群算法的风能预测模型A prediction model for wind farm power generation based on neural network and particleswarm optimization(重庆市电力公司万州供电局)廖辉英郑世才全成文LIAO Hui-ying ZHENG Shi-cai QUAN Cheng-wen摘要:作为一种可再生清洁能源,风能被认为是电力系统中重要的替代发电能源。
随着越来越多的风力发电机接入电网,风能预测变得越来越重要。
文章应用人工神经网络提出了一种短期风能预测模型,并应用粒子群算法来优化其参数。
模型采用实际风电场的数据进行了实例验证,并将其结果与无参数优化的人工神经网络模型进行了比较。
关键词:可再生能源;预测;人工神经网络;粒子群优化中图分类号:TP 文献标识码:BAbstract:As a renewable energy source,wind turbine generators are considered to be important generation alternatives in electric power systems because of their non-exhaustible nature.As wind power penetration increases,power forecasting is crucially important for integrating wind power in a conventional power grid.A short-term wind farm power output prediction model is presented using a neural network optimized by particle swarm optimization ing wind data from an existed wind farm,a power forecasting map is illustrated,and a comparison of models based on a Back-Propagation (BP)neural network and a PSO-BP neural network is undertaken.Key words:Renewable energy;prediction;Artificial Neural Network;Particle Swarm Optimization文章编号:1008-0570(2012)10-0148-03引言作为一种可再生的清洁能源,近年来风能资源正在得到广泛的开发与利用。
基于深度学习的风力发电功率预测与优化模型研究
基于深度学习的风力发电功率预测与优化模型研究近年来，风力发电作为一种清洁、可再生的能源形式，受到了越来越多的关注。
然而，风力发电具有不稳定性和不可控性，这使得风力发电功率的预测与优化变得尤为重要。
在这篇文章中，我们将讨论基于深度学习的风力发电功率预测与优化模型的研究。
风力发电功率预测是指通过分析历史风速、温度、湿度等气象数据，来预测未来一段时间内风力发电机组的输出功率。
准确的风力发电功率预测可以帮助发电机组调整产能，提高发电效率，降低能源浪费。
而基于深度学习的模型可以通过学习大量的历史数据，自动提取特征，并进行准确的预测。
首先，我们将介绍深度学习在风力发电功率预测中的应用。
深度学习是一种模仿人脑神经网络结构和功能的机器学习方法。
通过多层次的神经元网络，深度学习模型可以从大量的输入数据中提取抽象的特征，实现复杂的模式识别和预测。
在风力发电功率预测中，深度学习模型可以根据历史的气象数据和风力发电机组的输出功率数据，学习到不同气象因素对发电功率的影响，并对未来的功率进行准确的预测。
通过深度学习模型的训练和优化，可以提高风力发电功率预测的准确性和稳定性。
其次，我们将探讨如何构建和训练基于深度学习的风力发电功率预测模型。
首先，需要收集并整理大量的气象数据和风力发电机组的输出功率数据。
然后，将数据集分为训练集和测试集，用于模型的训练和评估。
在构建深度学习模型时，可以选择常用的神经网络结构，如卷积神经网络（CNN）、循环神经网络（RNN）和长短期记忆网络（LSTM）。
在模型训练过程中，需对模型的网络结构、参数和超参数进行调优，以达到较好的预测效果。
最后，通过对测试集的预测结果进行评估，可以衡量模型的准确性和鲁棒性。
最后，我们将讨论基于深度学习的风力发电功率优化模型的研究。
风力发电机组的运转方式对功率输出有重要影响。
通过优化风力发电机组的转速、叶片角度等参数，可以最大程度地提高功率输出效率。
深度学习可以帮助建立风力发电机组的功率输出模型，并结合最优化算法，寻找最佳的运转方式。
基于神经网络的风电功率预测模型
基于神经网络的风电功率预测模型风能是一种源源不断的可再生能源，在全球范围内得到了广泛的应用。
然而，不同的天气条件和复杂的地形造成了风速的不稳定性，这给风电场的运营和管理带来了很大的挑战。
为了提高风电场的效率和可靠性，风电功率预测技术成为了近年来的研究热点。
神经网络作为一种强大的预测工具，已经在多个领域得到了应用。
在风电风速和功率预测中，基于神经网络的预测模型已经被证明是一种非常有效的方法。
本文将介绍基于神经网络的风电功率预测模型的原理和应用。
一、神经网络简介神经网络是一种模仿人类神经系统结构和功能特点的计算模型。
它由多个相互连接的处理单元组成，可以进行大规模并行处理和自适应性学习。
通过调整权值和阈值，神经网络可以学习数据之间的复杂非线性关系，从而实现分类、预测和优化等任务。
二、神经网络在风电功率预测中的应用在风电场的管理和运营中，能够进行准确的风速和功率预测是非常重要的。
预测结果可以帮助风电场管理者进行决策和规划，使得风电场的运营效率和收益最大化。
基于神经网络的风电功率预测模型在实践中已经得到了广泛的应用。
该模型使用历史数据来训练神经网络，寻找风速和功率之间的关系。
在预测过程中，输入当前的风速数据，神经网络可以输出相应的风电功率值。
与传统的统计模型相比，基于神经网络的预测模型具有更高的准确性和稳定性。
由于神经网络可以学习数据之间的复杂非线性关系，其预测能力更强，能够更好地适应风电场复杂的天气条件。
三、基于神经网络的风电功率预测模型的实现神经网络模型的实现需要经过以下步骤：1. 数据预处理：去除异常值、填补缺失值、归一化等。
2. 神经网络结构设计：选择合适的网络结构、激活函数和损失函数。
3. 训练神经网络：使用历史数据对神经网络进行训练，调整权值和阈值。
4. 模型验证和评估：使用测试数据对模型进行验证和评估，计算预测误差和准确率。
实现过程中需要考虑多个因素，如数据的质量和可靠性、神经网络模型的复杂度和泛化能力等。
基于LSTM的风力发电功率预测
基于LSTM的风力发电功率预测风力发电作为一种清洁、可再生的能源形式，正逐渐成为世界各国重要的能源供应方式之一。
然而，风力发电的波动性和不确定性给电网运营和能源调度带来了一定的挑战。
因此，准确预测风力发电功率对于实现可靠、高效的电网运营至关重要。
近年来，基于LSTM（Long Short-Term Memory）神经网络模型的风力发电功率预测逐渐成为研究热点。
LSTM是一种特殊类型的循环神经网络（RNN），它在处理序列数据时具有记忆单元和门控机制，能够有效地捕捉序列之间的长期依赖关系。
相比于传统神经网络模型，LSTM在处理时间序列数据时具有更好的性能和泛化能力。
在基于LSTM进行风力发电功率预测时，首先需要收集并整理大量历史风速、功率输出等相关数据。
这些数据可以通过现场监测设备或气象站等方式获取。
然后，通过对历史数据进行预处理和特征工程，可以提取出与功率输出相关性较高的特征变量。
接下来，在构建LSTM模型之前，需要将数据集划分为训练集和测试集。
通常情况下，可以将数据按照时间顺序划分，将前80%的数据作为训练集，后20%的数据作为测试集。
这样可以保证模型在未来的预测中具有较好的泛化能力。
在构建LSTM模型时，需要确定模型的结构和超参数。
通常情况下，LSTM模型包含一个或多个LSTM层和一个全连接层。
每个LSTM层都包含多个LSTM单元，在每个时间步长上都会输出一个隐藏状态和一个单元状态。
全连接层用于将隐藏状态映射到最终的功率输出。
在训练过程中，可以使用反向传播算法和梯度下降法来优化模型参数。
通过最小化预测值与实际值之间的误差来更新模型参数，并逐步提高预测准确性。
在完成模型训练后，可以使用测试集进行性能评估。
通常情况下，可以使用均方根误差（RMSE）或平均绝对误差（MAE）等指标来评估预测结果与实际结果之间的差异程度。
除了基本的LSTM模型外，在进行风力发电功率预测时还可以引入其他因素进行改进。
例如，在考虑风速的同时，还可以考虑风向、温度、湿度等气象因素对风力发电功率的影响。
基于神经网络的风力发电机组状态监测的研究
34
5
连续属性离散化
连续属性的离散化是知识获取中数据预处理的 一项重要内容。粗糙集理论处理的对象必须是离散 的，如车的重量分为超重、中等、轻，可以分别用 三个值或符号来表示，它不能直接处理连续属性， 如浮点型数据。连续属性离散化的根本出发点是在 保证离散化前后决策信息未丢失的前提下，用尽可 能少的断点将属性空间划分成尽可能少的子空间， 这也是离散化算法追求的目标。
4
二、基于BP神经网络的风机状态监测模型
• 采用BP神经网络模型来对发电机的温度进行预测，并利 用滑动窗口对残差进行分析。在风力发电机组非参数预 测模型的残差统计方法中，合适的滑动窗口能够消除由 于测量误差，机组启停等偶然因素造成的孤立的较大残 差的影响。本文详细分析了滑动窗口残差统计的方法及 原理，指出了滑动窗口具有能够抑制孤立异常残差的作 用，并利用BP预测模型加以验证。
与现有具有代表性的路由协议进行分析比较其消 息传输成功率，平均时延、平均路数、消息副本 数等
32
根据风电机组的工作原理， 采用BP神经网络理论建模并 进行故障诊断研究。输入变 量集选取方面，利用遗传算 法全局并行寻优能力的优点， 将其与粗糙集结合起来使用。 再通过滑动窗口对残差进行 分析，保证了非参数模型有 较高的建模精度，提高了故 障诊断的精度。
姓名：宋谷月 导师： 2013.3.15
1
1 2
研究背景
研究内容
基于粗糙集和遗传算法的属性约简 基于BP神经网络的风机状态监测模型
3
4
5
6
本课题创新点
工作展望
2
风电机组状态监测的必要性
• 风力发电厂检修、运维费用的增加，使得风场总体收入 下滑，直接影响了世界各国对风力发电行业的投资比例。 因此，实时了解风电机组各部件的运行状态，及时发现 各部件的异常情况和故障隐患具有重要意义。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
（14）
（2）
1.3 传动链系统动力学模型
传动系主要是由风轮转子、低速轴、齿轮箱、高速轴和 发电机构成。传动系的建模分为风轮、传动装置和电机。低
• 414 •
第 21 卷第 2 期 2009 年 1 月
Vol. 21 No. 2
黎
明， 等： 基于神经网络的风力机结构耦合振动预测模型
Jan., 2009
χ
2
（4）
当采用 Glauert 动量理论时：
A ( a0 ) = 1 − a0 (2cos γ − a0 )
（5）
取 Coleman 动量理论时 χ χ A ( a0 ) = cos γ + tan sin γ − a0 sec 2 2 2 系数 ： CT = 4a0
as = −(1 − tan 2 )Cmz 2 2 γ ac = − sec Cmy 2
Coupled Vibration Forecasting of Wind Turbine Based on Artificial Neural Network
LI Ming, HE Yu-lin, JIN Xin
(Department of Mechanic Engineer, Chongqing University, Chongqing 400044, China)
虚拟样机仿真 训练样本 预测值
神经网络预测工具 图 1 风力机结构耦合振动预测流程图
• 413 •
第 21 卷第 2 期 2009 年 1 月
Vol. 21 No. 2
系
统
仿
真
学
报
0 16 45π 0 ⎤ 0 ⎥ ⎥ 0 ⎥ ⎥ ⎥ 16 ⎥ ⎥ 45π ⎦
15π χ ⎤ tan ⎥ 128 2 ⎥ ⎥ 0 ⎥ ⎥ χ −(1 − tan 2 ) ⎥ 2 ⎥ ⎦ −
（6）
其中 CT ,Cmy , Cmz 分别为推力系数、横倾力矩系数、纵倾力矩
γ
（7）
可以得到风轮上的诱导速度分布，从而计算出轴向、切 向诱导速度因子 a 、 a ' 。 叶素的相对速度为：
W = (U ∞ (1 − a ) Nhomakorabea 2 + (Ωr )2
（8） （9） （10）
图 2 风力机动力学模型各子系统关系图
第 21 卷第 2 期 2009 年 1 月
系 统 仿 真 学 报© Journal of System Simulation
Vol. 21 No. 2 Jan., 2009
基于神经网络的风力机结构耦合振动预测模型
黎 明，何玉林，金 鑫
(重庆大学机械学院，重庆 400044)
摘 要: 针对目前风力发电机结构动力学分析的局限性， 采用 Pitt-Peter 理论进行风力机气动力学 的计算分析，将虚拟样机技术应用于风力发电机结构动力学分析；对某失速型 600KW 风力发电 机进行结构动力学分析，研究结果表明，该方法能较好的模拟风力发电机组的结构动力学性能。 但是由于虚拟样机模型计算精度较高，考虑的自由度较多，计算耗时较长，针对虚拟样机分析方 法的这一局限性，采用人工神经网络方法对风力发电机组结构动力学性能进行预测，可以减少振 动重分析的时间，同时又能保证预测精度，研究结果表明，针对于风力发电机组这类复杂的结构 振动分析，要减少计算时间，采用人工神经网络方法是一种行之有效的方法。本研究为风力机振 动特性分析进行了一次有益的探索。 关键词：Pitt-Peter 理论；人工神经网络;风力发电机；振动；预测 中图分类号：TP391 文献标识码：A 文章编号：1004-731X (2009) 02-0413-05
收稿日期：2007-06-08 修回日期：2007-09-24 基金项目：重庆市重大专项风力发电机组系统设计关键技术资助项目 (CSTC3052) 作者简介： 黎明(1979-), 男, 广西人, 硕士生, 研究方向为虚拟样机技术, 计算机辅助设计制造; 何玉林(1945-), 男, 四川遂宁人, 教授, 博导, 研 究方向为系统仿真、虚拟现实、计算机辅助设计制造、计算机图形学； 金鑫(1979-), 男, 重庆人, 博士生, 研究方向为虚拟样机技术, 计算机辅 助设计制造;
作用在叶素上的法向力和切向力分别为：
1.2 风力机空气动力学模型
风力机空气动力学的计算采用 Pitt-Peters 模型。假设叶 素在桨叶上处于半径ｒ的位置,来流风速为 U ∞ , 叶素旋转角 速度为 Ω 。引入轴向和切向速度诱导因子 a 、 a ' ,通过叶素 的气流轴向速度为 U ∞ (1 − a ) ,在风轮旋转平面内, 该叶素处 气流的切向速度为 Ωr (1 + a ') , 轴向速度和切向速度合成了 相对速度 W ,由于风速方向的改变,将导致攻角 α 改变,定义 叶素来流角 ϕ = α + β , β 为桨叶安装角和截面扭角之和。 其中 L 和 D 是桨叶坐标上叶素的升力和阻力。应用动态入 流模型 , 考虑叶尖和轮毂损失 F , 考虑风力机实际工作时的 结构参数,速度诱导因子求解公式变为： 轴向诱导速度因子： a = a0 + as μ sinψ + ac μ cosψ 化参数。诱导速度的一阶时间导数为 {v}* 0 ⎫ ⎧a ⎧a0 ⎫ ⎧ CT ⎫ ⎪ ⎪ −1 ⎪ ⎪ ⎪ ⎪ c ⎬ + L ⎨ ac ⎬ = ⎨Cmy ⎬ M ⎨a ⎪a ⎪ ⎪ a ⎪ ⎪C ⎪ ⎩ s ⎭ ⎩ s ⎭ ⎩ mz ⎭ 其中： ： （1）
dL = 1 / 2 ρW 2 cC L (α )dr
dD = 1 / 2 ρW cC D (α )dr
2
式中， ρ 为空气密度，W 为相对速度， Ω 为风轮转速、U ∞ 为来流风速， Cl 、 CD 为升阻力系数。 叶素上的推力和转矩分别为： 1 dF = ρW 2 c(CL cosϕ + CD sin ϕ )dr 2 1 dT = ρW 2 c(CL sin ϕ − CD cosϕ )dr 2 和产生的功率 P 分别为:
引
言1
随着风力机功率的越来越大， 为了从风中吸取更多的能
期时变多体系统,结构和运动非常复杂。力学建模必须考虑 桨叶的几何非线性和大变形运动,气动载荷等因素。因此理 论推导和数值计算都比较困难。 针对目前风力发电机结构动力学分析的局限性， 本章利 用虚拟样机技术对某失速型600KW风力发电机进行结构动 力学分析，研究结果表明，该方法能较好的模拟风力发电机 组的结构动力学性能。但是由于虚拟样机模型计算精度较 高，考虑的自由度较多，计算耗时较长，针对虚拟样机分析 方法的这一局限性，对所得到的一系列样本工况，采用基于 MATLAB神经网络工具箱的人工神经网络方法对风力发电 机组结构动力学性能进行预测。流程图如图1。结果表明， 采用人工神经网络配合虚拟样机分析方法是一种行之有效 的方法。
Fi = ∫ dF , Ti = ∫ rdF , Pi = Ti Ω
0 0 R R
（11） （12）
因此， 对于第 i 个半径为Ｒ的风轮叶片,推力 F 、 转矩 T （13）
风力机功率系数 C p 为:
Cp =
v0 , vs , vc 分别是风轮处平均、横向，纵向诱导速度的变
∑P
i =1 i
B
1 ρπ R 2U ∞ 3 2
空气动力学 模型 叶片结构变形 风轮扭矩 传动链动 风轮转速 结构动力学 传动链反扭矩 力学模型 模型 气动载荷
量， 叶片必须设计成足够长的尺寸， 这使其柔性进一步增加， 对其运行精度的控制要求越来越高， 需要准确地了解叶片工 作过程中的动力学响应。 风力机工作时， 叶片绕中心轴转动， 叶片的变形使其绕转轴的转动惯量及质量分布等发生改变， 从而影响叶片的转动形态，而叶片的转动形态的改变，必然 使叶片的弹性变形发生改变， 叶片的转动与柔性叶片弹性变 形是相互耦合的，可见，旋转叶片的动力学分析不同于传统 的不考虑结构的刚体位移的结构动力学分析， 它需要考虑叶 片的转动与其弹性变形间的相互耦合关系及其所导致的动 力学效应，该问题属于现代柔性多体动力学的分析范畴。而 且， 大型水平轴风力发电机系统为强非线性流刚柔耦合的周
速端传动模型为
dΩ Jr = T − TD − vTm dt
U 1 Tr = C p (λ , β ) ρπ R 2 ∞ 2 Ω
Abstract: Aiming at limitation of structural dynamics analysis of wind turbine, the aerodynamic characteristic of wind turbine was calculated by applying Pitt-Peter theory, and virtual prototype technical is applied to analysis of vibration characteristic of wind turbine. Through structural dynamics analyses of some stall-type 600kw of wind turbine, the results show that the method has excellent ability to simulate the vibration characteristic almost the same as test measured. But owing to the limitation on precision in calculation, liberty, costing time in calculation of virtual prototype aeroplane, the artificial neural network was carried out so that vibration characteristic of wind turbine was forecasted. Results show that the artificial neural network is feasible. The research work presents a new way for the analysis of the general performance characteristic of the wind turbine. Key words: Pitt-Peter theory; artificial neural network; wind turbine; vibration; forecasting