基于BP神经网络的分层越浪式波能发电装置越浪量估算研究
发布时间:2021-03-08 20:57
在开发利用海洋能的过程中,进行波浪发电装置发电量的预测有助于科学可靠的进行海试决策,在避免资源浪费的同时,进一步提高装置的工作性能。本文针对分层斜坡越浪式波能发电装置建立了一种实时越浪量的估算模型,该模型以实时潮位及波浪数据为条件,基于BP神经网络的方法,利用装置物理模型试验数据进行的网络训练,最终完成装置实时越浪量的数据仿真。该估算模型与分层越浪式波能发电装置的蓄水池工作控制策略相结合,可为最终预测装置样机的发电量提供有力依据。
【文章来源】:中国水运(下半月). 2018,18(07)
【文章页数】:2 页
【部分图文】:
潮位过程曲线
72中国水运第18卷工程海域的波浪谱采用合田建议采用改进的JONSWAP谱[1],平均波高H为0.8m,平均周期T为4.8s。采用线性波浪叠加法对工程海域波浪进行模拟,频率区间划分方法采用等分频率法,得到的波浪时程曲线如图2所示。图2模拟的波面时间历程将工程海域一天的潮位数据与波浪数据对应起来,忽略单个周期时间内潮位变化,以单个周期时段内的平均潮位作为该周期时段内的潮位值,同时结合分层越浪式发电装置蓄水池的顶高程,将潮位值换算为相应的干舷高度,进而得到一个n行3列的数据矩阵R,其中第一列为干舷高度,第二、三列分别为对应的波浪周期、波高,n的大小取决于一天统计的波个数。将矩阵R作为分层越浪式波能发电装置越浪量估算模型的水文资料数据输入条件,为装置原型越浪量的数据仿真奠定基矗四、装置越浪量数据仿真1.数据样本构造BP神经网络的数据仿真需要训练样本和测试样本。分层越浪式发电装置上下层蓄水池独立工作运行,需分别建立BP神经网络进行各自越浪量的数据仿真,所以需要针对上下层蓄水池分别构造BP神经网络的数据样本。上下层蓄水池的数据样本基于分层越浪式波能发电装置物理模型的试验数据[2],通过重力相似准则进行模型比尺反算,即得到装置原型越浪量数据仿真所需的样本,该样本由干舷高度、波浪周期、波高、单宽平均越浪量四组参量组成。2.BP神经网络结构[3]本文采用三层BP神经网络分别对上下层蓄水池越浪量进行数据仿真。由于装置越浪量主要受干舷高度、周期、波高三个因素影响,神经网络输入神经元节点设为3个,输出节点为1个。通过设置循环操作,取5至15个隐层节点中使得全局误差最小的数值作为BP网络隐层节点数。权值初始化采用随机取值的方法实现,隐层神经元传递函数为ta
用数据样本中的数据作为训练样本进行分层越浪式发电装置上层BP神经网络的训练。在网络训练过程中,样本数据的输入与输出采用归一化处理,在完成网络训练进行网络测试时,测试结果以相对误差表示。选取数据样本中两组数据对训练好的网络进行测试,越浪量的相对误差分别为14.3401%与9.8603%,误差均不超过20%,仿真精度能够满足工程要求。4.数据仿真基于训练好的BP神经网络,将上下层蓄水池的水文资料数据矩阵R分别作为网络输入层的输入数据,经网络仿真便可得到分层越浪式发电装置上下层蓄水池的实时越浪量数据,见图3、图4。图3分层越浪发电装置上层蓄水池实时越浪量图4分层越浪发电装置下层蓄水池实时越浪量五、结语本文基于水工物理模型试验数据,通过BP神经网络仿真的方法,提出了分层斜坡越浪式波能发电装置原型实时越浪量的估算模型。该模型以实时潮位及波浪数据为条件,在利用BP神经网络对发电装置实际越浪量数据进行仿真的过程中,首先利用前期装置物理模型试验数据进行BP神经网络的训练,在全局误差精度达到要求的前提下完成最终的装置实时越浪量数据仿真。该估算模型可与分层越浪式波能发电装置的蓄水池工作控制策略结合,为最终预测原型装置的发电量提供有力依据。参考文献[1]Y.Goda.Acomporatiereviewonthefunctionalformsofdirectionalwavespectrum[J].CoastalEngineer,1999,41:1-20.[2]ZhenLiu,ZhiHan,HongdaShi,WanchangYang.Experimentalstudyonmulti-levelovertoppingwaveenergyconvertorunderregularwaveconditions.InternationalJournalofNavalArchitectureandOceanEngineering,2017.[3]陈明.MATLAB神经网络原理与实例精解[M].北京:清华大学出版社,2013.
本文编号:3071662
【文章来源】:中国水运(下半月). 2018,18(07)
【文章页数】:2 页
【部分图文】:
潮位过程曲线
72中国水运第18卷工程海域的波浪谱采用合田建议采用改进的JONSWAP谱[1],平均波高H为0.8m,平均周期T为4.8s。采用线性波浪叠加法对工程海域波浪进行模拟,频率区间划分方法采用等分频率法,得到的波浪时程曲线如图2所示。图2模拟的波面时间历程将工程海域一天的潮位数据与波浪数据对应起来,忽略单个周期时间内潮位变化,以单个周期时段内的平均潮位作为该周期时段内的潮位值,同时结合分层越浪式发电装置蓄水池的顶高程,将潮位值换算为相应的干舷高度,进而得到一个n行3列的数据矩阵R,其中第一列为干舷高度,第二、三列分别为对应的波浪周期、波高,n的大小取决于一天统计的波个数。将矩阵R作为分层越浪式波能发电装置越浪量估算模型的水文资料数据输入条件,为装置原型越浪量的数据仿真奠定基矗四、装置越浪量数据仿真1.数据样本构造BP神经网络的数据仿真需要训练样本和测试样本。分层越浪式发电装置上下层蓄水池独立工作运行,需分别建立BP神经网络进行各自越浪量的数据仿真,所以需要针对上下层蓄水池分别构造BP神经网络的数据样本。上下层蓄水池的数据样本基于分层越浪式波能发电装置物理模型的试验数据[2],通过重力相似准则进行模型比尺反算,即得到装置原型越浪量数据仿真所需的样本,该样本由干舷高度、波浪周期、波高、单宽平均越浪量四组参量组成。2.BP神经网络结构[3]本文采用三层BP神经网络分别对上下层蓄水池越浪量进行数据仿真。由于装置越浪量主要受干舷高度、周期、波高三个因素影响,神经网络输入神经元节点设为3个,输出节点为1个。通过设置循环操作,取5至15个隐层节点中使得全局误差最小的数值作为BP网络隐层节点数。权值初始化采用随机取值的方法实现,隐层神经元传递函数为ta
用数据样本中的数据作为训练样本进行分层越浪式发电装置上层BP神经网络的训练。在网络训练过程中,样本数据的输入与输出采用归一化处理,在完成网络训练进行网络测试时,测试结果以相对误差表示。选取数据样本中两组数据对训练好的网络进行测试,越浪量的相对误差分别为14.3401%与9.8603%,误差均不超过20%,仿真精度能够满足工程要求。4.数据仿真基于训练好的BP神经网络,将上下层蓄水池的水文资料数据矩阵R分别作为网络输入层的输入数据,经网络仿真便可得到分层越浪式发电装置上下层蓄水池的实时越浪量数据,见图3、图4。图3分层越浪发电装置上层蓄水池实时越浪量图4分层越浪发电装置下层蓄水池实时越浪量五、结语本文基于水工物理模型试验数据,通过BP神经网络仿真的方法,提出了分层斜坡越浪式波能发电装置原型实时越浪量的估算模型。该模型以实时潮位及波浪数据为条件,在利用BP神经网络对发电装置实际越浪量数据进行仿真的过程中,首先利用前期装置物理模型试验数据进行BP神经网络的训练,在全局误差精度达到要求的前提下完成最终的装置实时越浪量数据仿真。该估算模型可与分层越浪式波能发电装置的蓄水池工作控制策略结合,为最终预测原型装置的发电量提供有力依据。参考文献[1]Y.Goda.Acomporatiereviewonthefunctionalformsofdirectionalwavespectrum[J].CoastalEngineer,1999,41:1-20.[2]ZhenLiu,ZhiHan,HongdaShi,WanchangYang.Experimentalstudyonmulti-levelovertoppingwaveenergyconvertorunderregularwaveconditions.InternationalJournalofNavalArchitectureandOceanEngineering,2017.[3]陈明.MATLAB神经网络原理与实例精解[M].北京:清华大学出版社,2013.
本文编号:3071662
本文链接:https://www.wllwen.com/projectlw/xnylw/3071662.html