[发明专利]一种明冰条件下风力机翼型气动性能的神经网络预测方法

权利要求书

1.一种明冰条件下风力机翼型气动性能的神经网络预测方法，其特征在于：包括以下步骤：

步骤(1)，神经网络优化模型构建：采用显示空间分解方式，将神经网络结构和参数的优化设计分解为神经元间连接开关、输入层到隐层的连接权值和隐层神经元阈值、隐层到输出层的连接权值和输出层神经元阈值三个最优化问题，并建立相应的优化模型；

步骤(2)，量子粒子群算法改进：非最优粒子进行学习时，直接让粒子的势阱中心向榜样粒子的势阱中心和种群平均水平学习，而其不学习时保持粒子的原势阱中心不变，则引入学习机制更新第h个非最优粒子第g维度的势阱中心p′_h，g(t)公式为：

式中，p_R，g(t)为榜样粒子的势阱中心；为种群的平均势阱中心，p_a，g(t)为第a个粒子第g维度的势阱中心；r₁(t)，r₂(t)，r₃(t)∈U(0，1)；r₂(t)(p_R，g(t)-p_h，g(t))为向榜样粒子学习的部分；为向社会平均水平学习的部分；ε为社会影响因子，ε＝ξG/B，ξ为比例系数，取0.01；P_h为第h个非最优粒子势阱中心的更新概率；

利用引入社会学习后得到的含有粒子信息较多的势阱中心计算种群平均势阱中心并采用其与粒子间的距离控制势阱长度，降序排列后下次迭代中第h个非最优粒子第g维度的位置X_h，g(t+1)为：

式中，X_h，g(t)为第t次迭代时粒子h的位置；u_h，j(t)为在区间[0，1]内服从均匀分布的随机数；

在t次迭代时，如果降序排列后第H个粒子的位置为全局最优位置，则也必为其个体最优位置，导致粒子H位置更新的信息较少，从而陷入局部最优解；为使粒子逃离局部且扩大搜索范围，采用具有短距离频繁搜索和长距离少数搜索特性的Lévy飞行更新粒子H的位置，并利用贪婪算法来确定最优粒子的最终位置X_H(t+1)：

式中，f_fitness为适应度值函数；为粒子H进行Lévy飞行时适应度值最小的位置，q为此时飞行次数且q∈{0，1，2，...，L}，L为最大飞行次数；Gbest(t)为种群全局最优位置；

引入社会学习修正非最优粒子的势阱中心更新方式，利用Lévy飞行和贪婪算法更新最优粒子的位置，提出改进的量子粒子群SLLQPSO算法；

步骤(3)，神经网络预测模型求解：利用二进制粒子群算法寻找神经元间连接开关参数的最优值，采用SLLQPSO算法寻找输入层到隐层的连接权值和隐层神经元阈值以及隐层到输出层的连接权值和输出层神经元阈值的最优值；为进一步提升神经网络的精度，以优化后的权值及阈值为初始参数，采用局部搜索能力较强的误差反向传播算法再次训练该网络；

步骤(4)，通过步骤(1)至步骤(3)实现明冰条件下风力机翼型气动性能的神经网络SLLQPSO-BPNN预测方法。

2.根据权利要求1所述的明冰条件下风力机翼型气动性能的神经网络预测方法，其特征在于：在步骤(1)建立带有权值连接开关的三层前向神经网络结构和参数的优化模型以及步骤(2)采用社会学习修正量子粒子群算法的非最优粒子势阱中心更新方式以及Lévy飞行与贪婪算法结合更新最优粒子的位置后，利用测试误差干扰全局最优粒子的选择过程，协同二进制粒子群和误差反向传播算法进行优化模型求解，进而预测明冰条件下风力机翼型的气动性能。

3.根据权利要求1或2所述的明冰条件下风力机翼型气动性能的神经网络预测方法，其特征在于：NACA64618翼型的SLLQPSO-BPNN和误差反向传播神经网络预测值与实验值均成正相关关系，且SLLQPSO-BPNN网络的线性相关系数更接近1，表明SLLQPSO-BPNN网络的预测效果更理想、有效。