一种基于数值模拟的统计模型建立方法和装置与流程

本发明涉及建模领域，具体而言，涉及一种基于数值模拟的统计模型建立方法和装置。

背景技术：

对于运用解析方法无法求解的复杂流场，一般要运用计算流体力学(cfd)数值模拟的方法。但是，cfd数值模拟的方法运算量大，运算资源要求高，运算时间长，在需要对同一模拟区域反复求解的情况下往往由于运算量过大而超出运算资源的运算能力。

特别地，在风电场规划设计中，需要考虑风力发电组尾流对下风向风力发电机组的影响，进而对风电场总发电量的影响，所以建立高精度的尾流模型成为准确预测发电量的重要因素。在目前采用的多种尾流模型中，致动圆盘尾流模型一般被认为是一种高精度的尾流模型，它的建模方法是根据风况与地表的空气动力学特性，并根据风力发电机组的机械特性及其对流场的影响进行数值模拟。另外，为了自动得到风电机组发电量最大的最优布局，通常采用基于路径搜索的算法，它的特点是不断产生新的布局方案与已有方案进行比较，也就是要进行大量试算。如果在风力发电机自动布局优化中采用传统的致动圆盘尾流模型，就需要在每次试算中对同一风场区域进行数值模拟，因而造成过高的系统开销以致超出运算资源的运算能力。

目前国际上还没有出现用基于数值模拟的统计模型代替计算流体力学模型，用基于统计模型的解析方法代替数值模拟方法的案例。特别地，在风力发电机组布局自动优化中还没有采用致动圆盘尾流模型的案例。

本发明实现了在一定条件下用基于数值模拟的统计模型代替计算流体力学模型，用基于统计模型的解析方法代替数值模拟方法，并保证两种方法的计算结果基本一致，解决了在某些流场问题求解中大量使用计算流体力学数值模拟方法造成运算量过大的问题。特别地，当所述建模方法用于风力发电机组尾流建模时，实现了将基于解析方法的致动圆盘尾流模型用于风力发电机组自动布局优化，大大提高了布局优化速度。

技术实现要素：

本发明实施例提供了一种基于数值模拟的统计模型建立方法和装置。特别地，还包括如何将所述建模方法用于风力发电机组尾流建模，至少解决了在某些流场问题求解中大量使用计算流体力学数值模拟方法造成运算量过大的问题，特别地，当所述建模方法用于风力发电机组尾流建模时，实现了将基于解析方法的致动圆盘尾流模型用于风力发电机组自动布局优化，大大提高了布局优化速度。

根据发明实施例的一个方面，提供一种基于数值模拟的统计模型建立方法，该方法包括：设计不同的边界参量组合，所述参量组合为第一数据集合；按照第一数据集合生成多组不同的边界条件和边界参量对同一模拟区域进行多次计算流体力学(cfd)数值模拟，生成多次模拟结果数据，这些数据为第二数据集合；在第二数据集合中抽取一个子集作为第三数据集合；设定一个具有自学习能力的统计模型；根据第一数据集合与第二数据集合的数据生成统计模型的训练和验证数据样本进行统计模型训练，确定模型参数，完成建模。

进一步地，设计不同的边界参量组合，所述参量组合为第一数据集合，包括：当所述建模方法用于风力发电机组尾流建模时，第一集合数据中每组数据至少包含以下数据项：模拟地表粗糙度z0、模拟入口轮毂高度纵向风速u0，所有组数据由不同的z0和u0遍历组合生成。

进一步地，按照第一数据集合生成多组不同的边界条件和边界参量对同一模拟区域进行多次计算流体力学(cfd)数值模拟，生成多次模拟结果数据，这些数据为第二数据集合，包括：当所述建模方法用于风力发电机组尾流建模时，所述同一模拟区域由第一区域和第二区域构成，所述第一区域为表征风力发电机周围空气流场的区域，所述第二区域为嵌套在第一区域内表征风力发电机组实体空气动力学特性的区域。第一区域为长方体区域，包括4个侧边界面，一个下边界面和一个上边界面。下边界面左右两边中点的连线为中心线；第二区域为圆盘型区域，圆盘中心点位于第一区域下边界面中心线上方风力发电机轮毂高度处，圆盘法线与中心线平行，圆盘直径为风力发电机叶轮直径，一个垂直于中心线的侧边界面为入口边界面，下边界面为无滑移壁面，上边界面为滑移壁面，其它边界面为出口边界面；第二区域的网格尺寸比第一区域的网格尺寸小；在第二区域的cfd控制方程的运动方程中根据风力发电机的机械特性和空气动力学特性增添源项；根据第一数据集合按照大气边界层理论生成各组cfd数值模拟入口边界条件，风速的方向垂直于入口边界面，并生成其它边界面的边界条件；用所述各组边界条件对所述模拟区域进行多次cfd数值模拟，生成多次数值模拟结果，构成第二数据集合，第二数据集合由多组数据组成，其中每组数据至少包括速度、位置坐标、湍流传输动能。

进一步地，在第二数据集合中抽取一个子集作为第三数据集合，包括：当所述建模方法用于风力发电机组尾流建模时，将坐标原点平移到风力发电机轮毂正下方中心线上，第三数据集合由包括不同代表性位置坐标的数据组构成，所述代表性位置坐标是位置坐标的一部分，其中每组数据至少包括速度分量u′x、u′y、u′z，代表性位置坐标x、y、z，湍流传输动能k′。

进一步地，设定一个具有自学习能力的统计模型，包括：所述统计模型为神经网络反向传播模型，模型结构包括输入层、中间层和输出层，模型输入数据至少包括：轮毂高度纵向风速u0、地表粗糙度z0、代表性位置坐标x、y、z，模型输出数据至少包括：风速分量ux、uy、uz、湍流传输动能k、衰减因子a。

进一步地，根据第一数据集合与第三数据集合的数据生成统计模型的训练和验证数据样本进行统计模型训练，确定模型参数，完成建模，包括：

训练输入样本由第一数据集合与第三数据集合中的代表性位置坐标遍历组合生成，每组数据至少包括u0、z0、x、y、z各数据项；验证样本由第三数据集合生成，每组数据包括u′x、u′y、u′z、k′、a′，其中对模型输出ux、uy、uz、k、a进行验证，进行验证时训练输入样本与验证样本的代表性位置坐标保持一致。使用所述模型在其他坐标系进行预测时，模型输入数据中，纵向风速u0和地表粗糙度z0设为预测条件值，并将当前坐标系的位置坐标通过平移和旋转转换为建模时的位置坐标，使纵向风速方向平行于圆盘法线，风力发电机组位置处于坐标原点；预测完成后，通过坐标反转换将位置坐标转换为原坐标系坐标。

根据发明实施例的另一个方面，提供一种基于数值模拟的统计模型建立装置，该装置包括：第一生成单元，用于设计和生成不同的边界参量组合，所述参量组合为第一数据集合；第二生成单元，用于按照第一数据集合生成多组不同的边界条件和边界参量对同一模拟区域进行多次计算流体力学(cfd)数值模拟，生成多次模拟结果数据，这些数据为第二数据集合；第三生成单元，用于在第二数据集合中抽取一个子集作为第三数据集合；建模单元，用于建立一个模型结构确定而模型参数不确定的具有学习能力的统计模型；模型训练单元，用于设定一个具有自学习能力的统计模型，根据第一数据集合与第二数据集合的数据生成统计模型的训练和验证数据样本进行统计模型训练，确定模型参数，完成建模。

进一步地，当所述建模方法用于风力发电机组尾流建模时，第一集合数据中每组数据至少包含以下数据项：模拟地表粗糙度z0、模拟入口轮毂高度纵向风速u0，所有组数据由不同的z0和u0遍历组合生成。

进一步地，当所述建模方法用于风力发电机组尾流建模时，第二生成单元包括：1，第一生成子单元，用于生成模拟区域，模拟区域由第一区域和第二区域构成，所述第一区域为表征风力发电机周围空气流场的区域，所述第二区域为嵌套在第一区域内表征风力发电机实体空气动力学特性的区域，第一区域为长方体区域，包括4个侧边界面，一个下边界面和一个上边界面。下边界面左右两边中点的连线为中心线；第二区域为圆盘型区域，圆盘中心点位于第一区域下边界面中心线上方风力发电机轮毂高度处，圆盘法线与中心线平行，圆盘直径为风力发电机叶轮直径，一个垂直于中心线的侧边界面为入口边界面，下边界面为壁面，其它边界面为出口边界面；第二区域的网格尺寸比第一区域的网格尺寸小；2，模拟控制子单元，用于按照控制方程进行求解运算，在第二区域的cfd控制方程的运动方程中根据风力发电机的机械特性和空气动力学特性增添源项；3，边界条件生成子单元，用于根据第一数据集合按照大气边界层理论的中性层结理论生成各组cfd数值模拟入口边界条件，并生成其它边界面的边界条件。用所述各组边界条件对所述模拟区域进行多次cfd数值模拟，生成多次数值模拟结果，构成第二数据集合，第二数据集合由多组数据组成，其中每组数据至少包括速度、位置坐标、湍流传输动能。

进一步地，当所述建模方法用于风力发电机组尾流建模时，第三生成单元将坐标原点平移到风力发电机轮毂正下方中心线上，第三数据集合由包括不同代表性位置坐标的数据组构成，所述代表性位置坐标是位置坐标的一部分，其中每组数据至少包括速度分量u′x、u′y、u′z，代表性位置坐标x、y、z，湍流传输动能k′。

进一步地，当所述建模方法用于风力发电机组尾流建模时，建模单元还包括：设定一个具有自学习能力的统计模型，所述统计模型为神经网络反向传播模型，模型结构包括输入层、中间层和输出层，模型输入数据至少包括：轮毂高度纵向风速u0、地表粗糙度z0、代表性位置坐标x、y、z，模型输出数据至少包括：风速分量ux、uy、uz、湍流传输动能k、衰减因子a。

进一步地，当所述建模方法用于风力发电机组尾流建模时，模型训练单元包括：1，建立训练输入样本，训练输入样本由第一数据集合与第三数据集合中的代表性位置坐标遍历组合生成，每组数据至少包括u0、z0、x、y、z各数据项；2，生成验证样本，验证样本由第三数据集合生成，每组数据包括u′x、u′y、u′z、k′、a′，其中对模型输出ux、uy、uz、k、a进行验证，进行验证时训练输入样本与验证样本的代表性位置坐标保持一致；3，模型训练。

进一步地，当所述建模方法用于风力发电机组尾流建模且使用所述模型在其他坐标系进行预测时，模型输入数据中，纵向风速u0和地表粗糙度z0设为预测条件值，并将当前坐标系的位置坐标通过平移和旋转转换为建模时的位置坐标，使纵向风速方向平行于圆盘法线，风力发电机组位置处于坐标原点；预测完成后，通过坐标反转换将位置坐标转换为原坐标系坐标。

附图说明

此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1是根据本发明实施例的建模与使用方法的流程图；

图2是根据本发明实施例的模拟区域的示意图。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，下面将对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。

需要说明的是，本发明的说明书和权利要求书及说明书附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

术语解释

地表粗糙度，是表示地球表面粗糙程度并具有长度量纲的特征参数。

风力发电机，是指将风能转化为电能的叶轮式发电设备，由轮毂、叶片及其他部分所组成。

轮毂，是指风力发电机支撑叶片和其它风能转换设备的部分，轮毂高度就是轮毂距地面的高度，也是叶轮中心距地面的高度。

叶轮直径，是叶片旋转时扫掠的圆形区域的直径。

下面结合风力发电机组尾流建模的实施例对本发明的具体实施方式作进一步的详细说明。

步骤101，设计不同的边界参量组合，所述参量组合为第一数据集合。第一集合数据中每组数据至少包含以下数据项：模拟地表粗糙度z0、模拟入口轮毂高度纵向风速u0，所有组数据由不同的z0和u0遍历组合生成。可选地，z0取值可包括：0.001、0.003、0.006、0.01、0.03、0.06、0.1、0.3、0.6、0.9、1.2、1.5、2.0米；u0取值可包括：1、3、5、8、11、13、15、18、21、25米/秒。

步骤102，建立模拟区域，所述第一区域为表征风力发电机周围空气流场的区域，所述第二区域为嵌套在第一区域内表征风力发电机实体空气动力学特性的区域。第一区域为长方体区域，包括4个侧边界面，一个下边界面和一个上边界面。下边界面左右两边中点的连线为中心线；第二区域为圆盘型区域，圆盘中心点位于第一区域下边界面中心线上方风力发电机轮毂高度处，圆盘法线与中心线平行，圆盘直径为风力发电机叶轮直径，一个垂直于中心线的侧边界面为入口边界面，下边界面为无滑移壁面，上边界面为滑移壁面，其它边界面为出口边界面，可选地，第一区域宽度为10至15个叶轮直径，长度为20至30个叶轮直径，高度为5至8个叶轮直径，第二区域距离入口边界为4至6个叶轮直径；第二区域的网格尺寸比第一区域的网格尺寸小，可选地，第一区域的网格尺寸为0.25个叶轮直径，第二区域的网格尺寸为0.1个叶轮直径，第二区域的圆盘高度为1个网格；

步骤103，在第二区域的cfd控制方程的运动方程中根据风力发电机的机械特性和空气动力学特性增添源项，可选地，所添加的源项为：其中fi为第二区域第i个网格的源项，即风在来向分量在第二区域第i个网格上产生的力；ct为上游风速为u∞时的推力系数，由风力发电机制造厂家给出；ρ为空气密度；δai为第二区域的第i个网格迎风面的面积，其中a为第二区域迎风面总面积，其中d是风力发电机的叶轮直径；v是第二区域的总体积；δvi是第i个网格的体积；

步骤104，根据第一数据集合按照大气边界层理论生成各组cfd数值模拟入口边界条件，并生成其它边界面的边界条件。可选地，上边界面设置为滑移壁面，下边界面设置为无滑移壁面，采用k-e湍流模型，出口侧面边界的速度和湍流传输动能和湍流扩散率设为零梯度，对于某组边界参量z0和u0，入口速度u为：其中z为纵坐标，u*为摩擦速度，zh为轮毂高度；湍流传输动能k为湍流耗散率ε为：

步骤105，用所述各组边界条件对所述模拟区域进行多次cfd数值模拟，生成多次数值模拟结果，构成第二数据集合。第二数据集合由多组数据组成，其中每组数据至少包括速度、位置坐标、湍流传输动能。可选地，求解器采用simple稳态不可压求解器，湍流方程采用k-e湍流方程；

步骤106，在第二数据集合中抽取一个子集作为第三数据集合，并将坐标原点平移到风力发电机轮毂正下方中心线上。第三数据集合由包括不同代表性位置坐标的数据组构成，所述代表性位置坐标是位置坐标的一部分，其中每组数据至少包括速度ux0、uy0、uz0、代表性位置坐标x0、y0、z0、湍流传输动能k0。可选地，代表性位置坐标可包括下列数据组合：x坐标包括1d、2d、3d、5d、7d、10d、13d、16d、20d，y坐标包括0、0.2d、0.5d、1d、1.5d、2d、2.5d、3d、4d、5d，z坐标包括：zh、zh±0.2d、zh±0.5d、zh±0.8d、zh±1.2d；

步骤107，设立神经网络反向传播模型。模型结构包括输入层、中间层和输出层，可选地，输入层包括6个节点，中间层包括12个节点，输出层包括5个节点。模型输入数据为第一数据集合与代表性位置坐标的组合，这样每组模型输入数据包括：轮毂高度纵向风速u、地表粗糙度z0、代表性位置坐标x、y、z，模型输出数据包括风速ux、uy、uz、湍流传输动能k、衰减因子a。

步骤108，进行模型训练，包括：1，建立训练输入样本，训练输入样本由第一数据集合与第三数据集合中的代表性位置产生，每组数据至少包括u0、z0、x、y、z各数据项；2，生成验证样本，验证样本由第三数据集合产生，每组数据包括u′x、u′y、u′z、k′、a′，其中对模型输出ux、uy、uz、k、a进行验证，进行验证时训练输入样本与验证样本的代表性位置坐标保持一致；3，模型训练。

步骤109，当使用所述模型在其他坐标系进行预测时，模型输入数据中，纵向风速u0和地表粗糙度z0设为预测条件值，并将当前坐标系的位置坐标通过平移和旋转转换为建模时的位置坐标，使纵向风速方向平行于圆盘法线，风力发电机组位置处于坐标原点；预测完成后，通过坐标反转换将位置坐标转换为原坐标系坐标。