在開發(fā)利用海洋能的過程中,進行波浪發(fā)電裝置發(fā)電量的預測有助于科學可靠的進行海試決策,在避免資源浪費的同時,進一步提高裝置的工作性能。本文針對分層斜坡越浪式波能發(fā)電裝置建立了一種實時越浪量的估算模型,該模型以實時潮位及波浪數據為條件,基于BP神經網絡的方法,利用裝置物理模型試驗數據進行的網絡訓練,最終完成裝置實時越浪量的數據仿真。該估算模型與分層越浪式波能發(fā)電裝置的蓄水池工作控制策略相結合,可為最終預測裝置樣機的發(fā)電量提供有力依據。 

【文章來源】：中國水運(下半月). 2018,18(07)

【文章頁數】：2 頁

【部分圖文】：

潮位過程曲線

72中國水運第18卷工程海域的波浪譜采用合田建議采用改進的JONSWAP譜[1]，平均波高H為0.8m，平均周期T為4.8s。采用線性波浪疊加法對工程海域波浪進行模擬，頻率區(qū)間劃分方法采用等分頻率法，得到的波浪時程曲線如圖2所示。圖2模擬的波面時間歷程將工程海域一天的潮位數據與波浪數據對應起來，忽略單個周期時間內潮位變化，以單個周期時段內的平均潮位作為該周期時段內的潮位值，同時結合分層越浪式發(fā)電裝置蓄水池的頂高程，將潮位值換算為相應的干舷高度，進而得到一個n行3列的數據矩陣R，其中第一列為干舷高度，第二、三列分別為對應的波浪周期、波高，n的大小取決于一天統計的波個數。將矩陣R作為分層越浪式波能發(fā)電裝置越浪量估算模型的水文資料數據輸入條件，為裝置原型越浪量的數據仿真奠定基矗四、裝置越浪量數據仿真1．數據樣本構造BP神經網絡的數據仿真需要訓練樣本和測試樣本。分層越浪式發(fā)電裝置上下層蓄水池獨立工作運行，需分別建立BP神經網絡進行各自越浪量的數據仿真，所以需要針對上下層蓄水池分別構造BP神經網絡的數據樣本。上下層蓄水池的數據樣本基于分層越浪式波能發(fā)電裝置物理模型的試驗數據[2]，通過重力相似準則進行模型比尺反算，即得到裝置原型越浪量數據仿真所需的樣本，該樣本由干舷高度、波浪周期、波高、單寬平均越浪量四組參量組成。2．BP神經網絡結構[3]本文采用三層BP神經網絡分別對上下層蓄水池越浪量進行數據仿真。由于裝置越浪量主要受干舷高度、周期、波高三個因素影響，神經網絡輸入神經元節(jié)點設為3個，輸出節(jié)點為1個。通過設置循環(huán)操作，取5至15個隱層節(jié)點中使得全局誤差最小的數值作為BP網絡隱層節(jié)點數。權值初始化采用隨機取值的方法實現，隱層神經元傳遞函數為ta

用數據樣本中的數據作為訓練樣本進行分層越浪式發(fā)電裝置上層BP神經網絡的訓練。在網絡訓練過程中，樣本數據的輸入與輸出采用歸一化處理，在完成網絡訓練進行網絡測試時，測試結果以相對誤差表示。選取數據樣本中兩組數據對訓練好的網絡進行測試，越浪量的相對誤差分別為14.3401%與9.8603%，誤差均不超過20%，仿真精度能夠滿足工程要求。4．數據仿真基于訓練好的BP神經網絡，將上下層蓄水池的水文資料數據矩陣R分別作為網絡輸入層的輸入數據，經網絡仿真便可得到分層越浪式發(fā)電裝置上下層蓄水池的實時越浪量數據，見圖3、圖4。圖3分層越浪發(fā)電裝置上層蓄水池實時越浪量圖4分層越浪發(fā)電裝置下層蓄水池實時越浪量五、結語本文基于水工物理模型試驗數據，通過BP神經網絡仿真的方法，提出了分層斜坡越浪式波能發(fā)電裝置原型實時越浪量的估算模型。該模型以實時潮位及波浪數據為條件，在利用BP神經網絡對發(fā)電裝置實際越浪量數據進行仿真的過程中，首先利用前期裝置物理模型試驗數據進行BP神經網絡的訓練，在全局誤差精度達到要求的前提下完成最終的裝置實時越浪量數據仿真。該估算模型可與分層越浪式波能發(fā)電裝置的蓄水池工作控制策略結合，為最終預測原型裝置的發(fā)電量提供有力依據。參考文獻[1]Y.Goda.Acomporatiereviewonthefunctionalformsofdirectionalwavespectrum[J].CoastalEngineer，1999，41：1-20.[2]ZhenLiu，ZhiHan，HongdaShi，WanchangYang.Experimentalstudyonmulti-levelovertoppingwaveenergyconvertorunderregularwaveconditions.InternationalJournalofNavalArchitectureandOceanEngineering，2017.[3]陳明.MATLAB神經網絡原理與實例精解[M].北京：清華大學出版社，2013.


本文編號：3071662