基于分形学的湍流风谱特性对比研究

为定量描述湍流风场和解决湍流风谱模型选择时存在盲目性和不准确性等问题,基于多种湍流风谱模型并考虑湍流强度、地表粗糙度及空间高度的影响,生成不同程度的风速时间序列曲线。基于图像识别技术和计盒维数法对各条件下风速曲线分形维数进行计算。结果表明:不同湍流风谱模型具有不同的分形特性;湍流风分形特性受湍流强度和地表粗糙度影响;相同地貌特征和气候条件下,不同高度处风速时间序列数据具有不同的分形维数。     

风场风谱模型的分形维数研究

为定量地描述湍流风场,降低湍流风谱模型选用时的盲目性,采用基于分形学的计盒维数法和Hausdorff维数法计算并分析风场风速时间序列数据的分形维数。选用Kaimal、SMOOTH和NWTCUP等湍流风谱模型,在不同风速和不同湍流强度的条件下进行风场仿真,得出不同波动程度的风速。利用MATLAB求解出每组数据的分形维数,并与某一风场的实测风速数据的分形维数进行对比,得出NWTCUP模型的分形维数与实测数据的分形维数最为接近。初步研究结果表明,分形维数可以作为选择湍流风谱模型的一个重要定量参数。     

湍流风分形特性对比研究

基于多种湍流风谱模型并考虑湍流强度、地表粗糙度及空间高度对湍流风的影响,获取各种环境条件下的湍流风风速时间序列数据并生成相应的时域风速曲线。应用图像识别技术和盒子计数法,对各风速曲线分形维数进行计算与分析。结果可揭示湍流风风速时间序列的分形特性,且研究了湍流强度、地表粗糙度及空间高度对湍流风分形维数产生的影响,可为湍流风的分析及湍流风谱的准确选择提供一种新思路。     

基于分形学的湍流风谱模型适用性研究

为避免由经验性地选择湍流风谱模型导致特定风电场风速分布规律描述不准确的问题,基于Kaimal、Von Karman、SMOOTH和NWTCUP湍流风谱模型模拟在不同地表粗糙度和湍流强度条件下所建立风场的风速分布规律,通过计盒维数分形方法计算不同风速速度曲线的分形维数,并与某风电场测风塔实测风速数据的分形维数进行比较。结果表明:风速曲线的分形维数均约为1.5,证明风速时域分布具有自相似特征。由于NWTCUP湍流风谱模型基于所选风电场的实测风速数据建立,因此NWTCUP模型在50 m高度和80 m高度处的风速分形维数与实测数据最为接近,表明分形维数可作为选择湍流风谱模型的一个重要定量参数。     

风力机叶片动态特性与分形维数关系研究

为探究风力机叶片动态特性与分形维数之间的关系,基于湍流风谱模型Von Karman和NWTCUP生成2种风场,通过多体动力学软件FAST仿真出不同风速条件下的风力机叶片挥舞和摆振时域动态响应,采用计盒维数法求解其分形维数。用发电机输出功率验证分形维数描述风力机叶片动态特性的可行性。结果表明:挥舞时域动态响应的分形维数随风速的增大逐渐减小,而摆振则相反,当达到额定功率时挥舞和摆振的分形维数变化都较小;相同风速下不同湍流风谱模型的功率虽几乎相同,但其对应的分形维数却不同,表明不同的湍流风谱模型有其特定的分形维数。     

基于风速时间序列分形与传统插值对比研究

风速时间序列具有波动强烈、数学上处处连续、处处不可导特征,为解决风速时间序列的插值问题及提高其精度,采用数学分形学理论的分形插值方法,基于Kaimal和NWTCUP湍流风谱模型进行风场模拟。从得到的风速时间序列中随机抽取数据作为初始点,将分形插值方法与三次样条和Hermite传统插值方法进行对比。结果表明:分形插值方法不仅具有保持原始风速时间序列所具有的本质和内在联系,如自相似性、长程相关性和标度不变性等非线性动力学系统特征信息,而且比三次样条和Hermite传统插值方法更适合剧烈震荡的风速时间序列的插值。     

湍流预混燃烧火焰结构的分形维数特征研究

发动机湍流预混燃烧的火焰结构具有自相似性,将分形技术这一新的非线性方法技术引入对湍流预混火焰结构的研究中,基于自行设计的以光学发动机和高速摄像机为核心的试验系统,得到了湍流预混燃烧的火焰结构图像.利用修正数盒法的分形图像处理方法,得到了描述湍流预混燃烧火焰的分形维数特征.在此基础上,对于发动机转速、空燃比、点火提前角和燃料性质等参数对火焰分形维数的影响规律进行了探索性的研究.研究结果表明,湍流预混燃烧火焰的分形维数在燃烧期内先随曲轴转角增加而增加,在达到最大值后,随曲轴转角增加而减小,证明在燃烧中期,火焰锋面具有最大的扭曲度;发动机转速的增加、点火角的提前、混合气的加浓均会使燃烧火焰的分形维数均有不同程度的增加.因此表明上述因素会使燃烧进行得更为剧烈,火焰结构的扭曲程度加强,火焰传播速度加剧.     

随机型Werierstrass-Mandelbrot函数在风速模拟中的应用

仿真程度高且简洁实用的风模型,对于风力机系统的气动与结构设计、风场布置与发电功率预测等十分重要。实际风速时间序列普遍具有自相似性,传统的谐波叠加法生成风速不具有自相似特征。基于随机型Weierstrass-Mandelbrot函数,通过其功率谱与Kaimal脉动风速功率谱建立联系,生成具有自相似分形特性的风速时间序列。将该方法生成风速与谐波叠加法生成风速从功率谱、概率密度函数及均值、极值、标准差等统计参数方面进行比较。结果表明:相比于谐波叠加法,随机型W-M函数能有效仿真具有自相似分形特性的风速时间序列。     

湍流风场的分形维数分析

为定量分析风速时间序列的内在波动性,采用分形维数方法进行研究。就分形维数结果的准确程度比较了盒维数法和结构函数法,当曲线维数大于1.3时,使用盒维数求分形维数误差较大,而利用结构函数法求分形维数,误差小于1%。使用结构函数法计算了地表粗糙度分别为0.01~2.5 m下不同风数据的分形维数,在相同平均风速条件下,风速序列随地表粗糙度增大,其分形维数减小。     

风速时间序列非线性特征分析

针对时间序列风速确定性与随机性相结合的复杂非线性特征,基于相空间重构理论和最大Lyapunov指数对其进行混沌与分形特征分析。首先,以经典Lorenz混沌系统及非混沌完全随机白噪声时间序列为验证算例,通过相空间重构和最大Lyapunov指数法判断以上2种非线性时间序列的混沌特征,分别从定性和定量的角度验证了所提方法的可行性;其次,对美国风能研究中心实测风速数据进行相空间重构,计算其最大Lyapunov指数并估算其可预测时间,最后采用G-P算法分析了实测风速时间序列的饱和关联维数。结果表明:相空间重构理论及最大Lyapunov指数法均可作为判断混沌特征的重要方法,时间序列风速具有明显的混沌分形特征及短期可预测性。     

风电场风速预测模型研究

介绍了两种风电场风速预测模型,分别是BP神经网络模型和小波-BP神经网络组合模型。BP神经网络模型是风速预测中常用的模型之一,小波技术和BP神经网络结合,即为组合模型。小波技术将风速时间序列按时间和频率两个方向展开,体现了各成分对预测值贡献率的不同。将BP神经网络模型和小波-BP神经网络组合模型分别应用到我国朱日和风电场的逐时风速预测中,从预测结果对比得出组合模型更适合该风电场的逐时风速预测。     

风切变指数在风电场风资源评估中的应用

以内蒙古地区3座70m高测风塔连续2年的实测数据来分析风切变指数的变化,结果表明:1)不同高度梯度的风切变指数受地面粗糙度及周围地形地貌的影响较大。2)计算相邻高度的风速时,采用相邻高度间的风切变指数计算得到的结果较好;计算相差较大的高度间风速时,采用拟合曲线得到的风切变指数计算得到的结果较好。3)利用3～25m/s的风切变指数计算各月风速及年均风速结果都与实测值最接近;而利用全部风速数据的风切变指数计算统计各月风速往往比实测值偏大;利用3～25m/s拟合曲线得到的风切变指数统计各月风速比实测值偏小。     

大型风电场超短期风电功率预测

针对大规模风电场风电功率的非线性特性,采用最小二乘支持向量机（LS—SVM）的预测模型。由于LS—SVM的参数选择直接影响着模型的预测精度,于是采用一种基于量子粒子群优化方法来选择模型的超参数。为了弥补模型损失的鲁棒性,通过给每个样本误差不同的权系数,建立了具有良好泛化性能的WLS—SVM回归模型,从而进一步提高了模型预测的精度。本文提出一种基于量子粒子群优化（0uantum—behaved Particle Swarm Optimization,QPSO）参数选择的加权最小二乘支持向量机（Weighted Least Squares Support Vector Machine,WLS—SVM）的超短期风电功率预测模型。应用上述方法对内蒙古地区大型风电场进行了预测,结果证明了该方法的有效性。     

一种全方位采风罩装置

描述了一种有效利用风能的装置，它不需要导向装置就可以全方位采集风力。装有这种装置的风力发电机非常适用于山区。     

风电场风切变指数研究

根据山东某风电场实测资料,对风电场逐月、逐时、不同风速下的风切变指数进行研究并探究风切变指数不同取值对风电场轮毂高度处风资源的影响。在分析轮毂高度风资源时,建议采用高差较小的高度处风速根据综合风切变指数进行推导。     

风场风力条件评估系统开发

运用VC＋＋编写风场风力条件的评估系统．该系统包括正常风力条件和极端风力条件2大部分。在各个模块中针对不同的风力条件,采用交互式数据输入方式,计算出具体数值,且绘出图形,从而全面、具体地对风场风力条件进行分析与评估。     

风能奏鸣曲

风,是大自然最常见的现象,它与人类发展相随相伴。古人日：风不可系,影不可捕。高兴时“忽如春风一夜来,千树万树梨花开”。生气时“一川碎石大如斗,随风满地石乱走”。真是利也风矣,害亦风矣。     

基于激光测风雷达及SSA-ELM的风电场短期风速预测

基于激光测风雷达数据,针对风速的非线性特性,提出麻雀搜索算法（sparrow search algorithm, SSA）优化极限学习机（extreme learning machine,ELM）进行风速预测。搭建预测模型,根据预测风速对风电机组进行预变桨,分析风电机组叶根矩载荷。采用新疆某风电场激光测风雷达数据仿真并与其他预测模型分析对比。结果表明,麻雀算法优化的极限学习机可精确预测风速,且显著提升极限学习机预测速度及不同风速条件下的动态性能;预变桨后,风电机组叶根矩载荷大幅减小,提升了桨叶使用寿命及运行安全性。     

海上测风塔整体耦合风荷载计算

风荷载是海上测风塔受到的主要荷载之一,其设计取值与测风塔的安全性、经济性密切相关。测风塔风荷载通常根据《建筑结构荷载规范》建立单独上部模型进行分析。为了更加真实地模拟测风塔风荷载,采用了测风塔上、下部整体耦合模型,通过数值方法进行分析,并与通常采用的规范估算方法进行对比。针对风荷载与结构自振频率之间的相互影响关系,提出了迭代求解风振系数的方法。通过对比分析计算,发现数值计算得出的风荷载量值比相同输入条件下规范法计算的结果小6%～26%。     

平陆风电场风能资源研究

分析了山西省平陆风电场工程的测风资料、实测场址空气密度、风速,得出了风功率密度、风速频率及风能频率等指标,可为该风场风能资源的精确评估提供科学依据。