[发明专利]结合神经网络算法的风电场数值模拟方法、装置及存储介质

说明书

本发明公开了一种结合神经网络算法的风电场数值模拟方法、装置及存储介质，属于风电场数值模拟技术领域。首先对目标风电场求解区域划分网格进行离散，给定初始时刻参数，求解动量方程，获得计算流速数值，求解压力修正方程，对求得的计算流速数值进行修正，判断求解结果是否达到收敛，若否，则重复求解过程；若是，则将几何参数和流场参数作为输入数据，将本次求解结果作为输出数据输入神经网络进行一次训练，最后判断是否达到预设的求解时间，若否则重复之前步骤；若是则停止求解，得到训练后的神经网络；利用该神经网络完成风电场数值模拟。该方法相较于人工主观给定初始值会大大提高准确性，代替常见的人为主观给定初值的方法，提高收敛性。

技术领域

本发明属于风电场数值模拟技术领域，具体涉及一种结合神经网络算法的风电场数值模拟方法、装置及存储介质。

背景技术

通常情况下，人们难以对流体参数的分布情况进行充分的试验、测量。以风电场为例，只能采用数量有限的测风塔对风速进行单点测量，对整个风电场内风速、压力等参数的分布情况只能依赖数值模拟手段进行计算。将以风电场的数值模拟计算结果作为前期发电量计算、微观选址的基础，是项目规划的重要依据，提高其准确性对项目建设的经济性十分必要。

目前对流场内流速的求解，包括风电场，都采用以SIMPLE算法为例的数值模拟方法进行求解。主要求解过程为：将流场划分为若干(通常数目较大，如为三维计算，网格数目可达千万甚至亿级)假设流速、压力的初始分布，根据初始分布求解动量方程获得新的流速分布，该分布并不一定满足连续方程；用连续方程对上一步求解的流速进行修正；如果修正前后的流速差值符合精度要求则认为收敛，否则继续重复动量方程求解-连续方程修正这一过程，直到获得符合精度要求的数值解。

流场的数值求解往往存在收敛性问题，其中影响收敛性的一个重要问题是初始流场分布的给定。如果给定的流场与实际不符，往往会导致求解过程的震荡。但在没有求解之前，往往又没有恰当的初始值，只能人为给定一种分布，而这种分布往往与实际相差甚远，在这种初始分布的情况下往往需要很多次迭代才能达到收敛。

发明内容

为了解决上述问题，本发明的目的在于提供一种结合神经网络算法的风电场数值模拟方法、装置及存储介质，相对于普遍采用的人工主观给定初始值的做法更加贴近实际，能够促进CFD求解过程的收敛速度。

本发明是通过以下技术方案来实现：

一种结合神经网络算法的风电场数值模拟方法，包括以下步骤：

S1：对目标风电场求解区域划分网格，进行离散；

S2：给定初始时刻参数；

S3：求解动量方程，获得计算流速数值；

S4：求解压力修正方程，对S3求得的计算流速数值进行修正；

S5：判断S4的求解结果是否达到收敛，若否，则重复S3～S4；若是，则将几何参数和流场参数作为输入数据，将本次求解结果作为输出数据，输入神经网络进行一次训练；

S6：判断是否达到预设的求解时间，若否，则重复S3～S5；若是，则停止求解，得到训练后的神经网络；利用该神经网络完成风电场数值模拟。

优选地，S1具体为：在目标风电场取一个方形区域，将该区域划分成若干小块，每块用一个点表示。

优选地，S2中，初始时刻参数包括流速、压力、温度和物性参数。

优选地，S5中，几何参数包括目标风电场的形状和地形数据。

优选地，S5中，本次求解结果是指使本次求解结果收敛的流速和压力参数。

优选地，S5中，神经网络的输出矩阵大小与求解精度相匹配。