为解决现有翼型几何参数化描述方法优化设计效率低、计算工作量大的问题,提出了一种基于深度学习的翼型参数化建模方法。该方法以伊利诺伊大学厄巴纳-香槟分校(University of Illinois at Urbana-Champaign,UIUC)翼型数据库中翼型上下...为解决现有翼型几何参数化描述方法优化设计效率低、计算工作量大的问题,提出了一种基于深度学习的翼型参数化建模方法。该方法以伊利诺伊大学厄巴纳-香槟分校(University of Illinois at Urbana-Champaign,UIUC)翼型数据库中翼型上下表面坐标点转化的翼型二维图像作为输入,首先使用卷积运算提取大量翼型图像的几何特征,然后通过多层感知机对提取的几何特征进行分类和压缩,将翼型形状压缩成若干个简化的拟合参数,最后通过解码器恢复翼型图像并输出翼型上下表面的点坐标。在此基础上,探讨了拟合参数数量对翼型几何精度的影响,确定了含6个拟合参数的卷积神经网络(convolutional neural network,CNN)结构,并基于计算流体力学数值仿真验证了所提出方法的拟合精度。最后,开发了可视化翼型几何设计软件,实现了拟合参数的调整与修正,并分析了各拟合参数对翼型形状的影响规律。结果表明,6个拟合参数均会对翼型形状产生全局影响,单独或联合调整6个拟合参数可获得新的翼型设计空间。研究结果可为翼型的优化设计提供技术支持与理论参考。展开更多
高精度的风电功率预测在电力系统的安全稳定运行和能源系统的优化配置中至关重要。为了从多维风电历史数据中提取隐藏信息,准确选择与预测目标高度相关的高维特征,克服时间序列的短时记忆问题,提出了一种以卷积神经网络-双向长短时记忆...高精度的风电功率预测在电力系统的安全稳定运行和能源系统的优化配置中至关重要。为了从多维风电历史数据中提取隐藏信息,准确选择与预测目标高度相关的高维特征,克服时间序列的短时记忆问题,提出了一种以卷积神经网络-双向长短时记忆网络(convolutional neural network and bidirectional long short term memory network,CNN-BiLSTM)为基础模型,结合双重注意力机制和贝叶斯优化算法的风电功率超短期预测模型。首先,为了自主挖掘输入特征与风电功率之间的数据关联,进一步突出重要特征影响,在常规的CNN架构上增加注意力机制,构建特征注意力模块;然后在BiLSTM网络输出端引入注意力机制形成时间注意力模块,增强BiLSTM网络的长时记忆能力,加强重要历史信息的影响;最后,采用贝叶斯优化算法优化所提模型的超参数,选取最优超参数,发挥模型最佳性能。以中国西北某风电场实际数据进行验证,模型的单步预测精度达到95.58%。多步预测结合数值天气预报信息实现4 h前超短期预测,其精度达到90.44%。实验结果表明所提基于超参数优化和双重注意力机制的预测模型相比其他模型具有更高的预测精度。展开更多
文摘为解决现有翼型几何参数化描述方法优化设计效率低、计算工作量大的问题,提出了一种基于深度学习的翼型参数化建模方法。该方法以伊利诺伊大学厄巴纳-香槟分校(University of Illinois at Urbana-Champaign,UIUC)翼型数据库中翼型上下表面坐标点转化的翼型二维图像作为输入,首先使用卷积运算提取大量翼型图像的几何特征,然后通过多层感知机对提取的几何特征进行分类和压缩,将翼型形状压缩成若干个简化的拟合参数,最后通过解码器恢复翼型图像并输出翼型上下表面的点坐标。在此基础上,探讨了拟合参数数量对翼型几何精度的影响,确定了含6个拟合参数的卷积神经网络(convolutional neural network,CNN)结构,并基于计算流体力学数值仿真验证了所提出方法的拟合精度。最后,开发了可视化翼型几何设计软件,实现了拟合参数的调整与修正,并分析了各拟合参数对翼型形状的影响规律。结果表明,6个拟合参数均会对翼型形状产生全局影响,单独或联合调整6个拟合参数可获得新的翼型设计空间。研究结果可为翼型的优化设计提供技术支持与理论参考。
文摘高精度的风电功率预测在电力系统的安全稳定运行和能源系统的优化配置中至关重要。为了从多维风电历史数据中提取隐藏信息,准确选择与预测目标高度相关的高维特征,克服时间序列的短时记忆问题,提出了一种以卷积神经网络-双向长短时记忆网络(convolutional neural network and bidirectional long short term memory network,CNN-BiLSTM)为基础模型,结合双重注意力机制和贝叶斯优化算法的风电功率超短期预测模型。首先,为了自主挖掘输入特征与风电功率之间的数据关联,进一步突出重要特征影响,在常规的CNN架构上增加注意力机制,构建特征注意力模块;然后在BiLSTM网络输出端引入注意力机制形成时间注意力模块,增强BiLSTM网络的长时记忆能力,加强重要历史信息的影响;最后,采用贝叶斯优化算法优化所提模型的超参数,选取最优超参数,发挥模型最佳性能。以中国西北某风电场实际数据进行验证,模型的单步预测精度达到95.58%。多步预测结合数值天气预报信息实现4 h前超短期预测,其精度达到90.44%。实验结果表明所提基于超参数优化和双重注意力机制的预测模型相比其他模型具有更高的预测精度。
