基于反向传播神经网络的风力机涡流发生器优化.pdf

收稿日期:修回日期:录用日期:基金项目:国家自然科学基金(),江苏省自然科学基金(B K )作者简介:夏云松(),研究生,从事风力机流动控制研究通信作者:谭剑锋,副教授;E m a i l:J i a n f e n g t a n n j t e c h e d u c n 文章编号:()D O I:/j c n k i j s j t u 基于反向传播神经网络的风力机涡流发生器优化夏云松,谭剑锋,韩水,高金娥(南京工业大学 机械与动力工程学院,南京 )摘要:采用最优拉丁超立方试验设计法细化涡流发生器参数,确定试验方案,仿真计算风力机的推力和转矩,获得试验数据基于反向传播(B P)神经网络,构建遗传算法优化B P神经网络的风力机涡流发生器气动性能模型,通过计算气动性能模型预测值与仿真值的误差与均方根,验证气动性能模型的可靠性;耦合鱼群算法和风力机涡流发生器气动性能模型,建立风力机涡流发生器优化方法,对涡流发生器高度、长度和安装角度进行迭代求解,实现涡流发生器优化结果表明:相比原涡流发生器方案,涡流发生器优化后的风力机叶片截面流动分离得到有效抑制和延迟,表面流体分离现象得到改善,风力机功率提升 ,推力下降 关键词:遗传算法;反向传播神经网络;鱼群算法;涡流发生器;风力机功率中图分类号:TM 文献标志码:AO p t i m i z a t i o no fW i n dT u r b i n eV o r t e xG e n e r a t o rB a s e do nB a c kP r o p a g a t i o nN e u r a lN e t w o r kX I AY u n s o n g,T ANJ i a n f e n g,HANS h u i,G A OJ i ne(S c h o o l o fM e c h a n i c a l a n dP o w e rE n g i n e e r i n g,N a n j i n gT e c hU n i v e r s i t y,N a n j i n g ,C h i n a)A b s t r a c t:T h eo p t i m a lL a t i nh y p e r c u b ee x p e r i m e n t a ld e s i g nm e t h o di su s e dt or e f i n et h ev o r t e xg e n e r a t o rp a r a m e t e r s,d e t e r m i n e t h e t e s t s c h e m e,s i m u l a t ea n dc a l c u l a t e t h et h r u s ta n dt o r q u eo f t h ew i n dt u r b i n e,a n do b t a i nt h ee x p e r i m e n t a l d a t a B a s e do nt h eb a c kp r o p a g a t i o n(B P)n e u r a ln e t w o r k,t h ea e r o d y n a m i cp e r f o r m a n c em o d e l o f t h ew i n d t u r b i n ev o r t e xg e n e r a t o r o p t i m i z e db yg e n e t i c a l g o r i t h mi s c o n s t r u c t e d T h er e l i a b i l i t yo f t h e a e r o d y n a m i cp e r f o r m a n c em o d e l i s v e r i f i e db yc a l c u l a t i n g t h e e r r o r a n d r o o tm e a ns q u a r eo ft h ep r e d i c t e da n ds i m u l a t e dv a l u e so ft h ea e r o d y n a m i cp e r f o r m a n c e m o d e l C o u p l i n gt h ef i s hs w a r ma l g o r i t h ma n dt h ea e r o d y n a m i cp e r f o r m a n c em o d e lo f t h ew i n dt u r b i n ev o r t e xg e n e r a t o r,a no p t i m i z a t i o nm e t h o do f t h ew i n dt u r b i n ev o r t e xg e n e r a t o r i se s t a b l i s h e d,a n dt h eh e i g h t,l e n g t h,a n d i n s t a l l a t i o na n g l eo f t h ev o r t e xg e n e r a t o r a r e s o l v e d i t e r a t i v e l y t o r e a l i z e t h eo p t i m i z a t i o no f t h ev o r t e xg e n e r a t o r T h e r e s u l t ss h o wt h a tc o m p a r e dw i t ht h eo r i g i n a lv o r t e xg e n e r a t o rs c h e m e,t h ef l o ws e p a r a t i o no ft h ew i n dt u r b i n eb l a d es e c t i o no p t i m i z e db yt h ev o r t e xg e n e r a t o ri se f f e c t i v e l yr e s t r a i n e da n dd e l a y e d,t h es u r f a c ef l u i ds e p a r a t i o np h e n o m e n o n i s i m p r o v e d,t h ep o w e r o f t h ew i n d t u r b i n e i s i n c r e a s e db y ,a n d t h e t h r u s to f t h ew i n dt u r b i n e i sd e c r e a s e db y K e yw o r d s:g e n e t i ca l g o r i t h m;b a c kp r o p a g a t i o n(B P)n e u r a l n e t w o r k;f i s hs w a r ma l g o r i t h m;v o r t e xg e n e r a t o r;w i n dt u r b i n ep o w e r第 卷 第 期 年 月上 海 交 通 大 学 学 报J OUR NA LO FS HANGHA I J I A OT ON GUN I V E R S I T YV o l N o N o v 第 期夏云松,等:基于反向传播神经网络的风力机涡流发生器优化 风力机的叶片作为风力发电(简称风电)机组的核心部件,其表面流体流动状态非常复杂,尤其是处于较高风速和极端天气的状况下,风力机叶片表面流体分离现象严重,出现风力机失速现象,导致功率持 续 下 降而 涡 流 发 生 器(V o r t e x G e n e r a t o r s,VG s)能以较小的结构设计代价,延缓或抑制叶片表面大规模的失速,提升风力机的输出功率涡流发生器属于被动控制技术的一种,因为结构简单、成本较低、可靠性高等优势,目前被广泛应用在风电叶片上涡流发生器本质是安装在翼型吸力面上的扰流器,这些扰流器在分离上游,与入流成特定角度且垂直安装于叶片表面涡流发生器的展弦比较小,产生于其顶端的翼尖涡能量较高,脱落进入下游低能量的边界层,与低能量边界层混合后能够增加边界层的动能,从而克服逆压梯度,使气流继续贴附在机体表面,进而延缓流动分离,提高气动性能 VG s结构简单、控制效率高,适用于风力机叶片的流动控制 T i mm e r等采用风洞实验的方法,研究有、无三角形VG s对DU W 翼型气动特性的影响 M u e l l e r V a h l等研究VG s的弦向位置、展向间距以及大小参数对风力机翼型段气动性能的影响,获得VG s最佳参数 T a v e r n i e r等采用实验的方法,在垂直轴风力机叶片上安装VG s,研究VG s在叶片上的高度和安装位置对风力机非定常气动载荷的影响张惠等 通过风洞实验的方法,研究种高度、安装角、形状和弦向安装位置的VG s对风力机专用翼型气动性能的影响,并总结出VG s最佳高度、安装角、形状和弦向安装位置杨瑞等 对 MW变桨距风力机安装涡流发生器前后功率试验数据对比分析,发现后者功率提升了 ,试验数据表明安装涡流发生器可进一步抑制变桨距风力机失速,提高风力机机组发电功率虽然涡流发生器是提高风力机输出功率的重要方式,其参数是影响叶片气动性能增幅的重要因素,但是涡流发生器优化设计是一个多参数、多目标的复杂过程,同时也是风力发电机叶片流动控制设计的难点因此,为提升风力机整体气动性能,需要首先优化设计风力机涡流发生器参数然而,关于涡流发生器参数的研究多采用控制变量法,只考虑单一参数对风力机气动特性的影响,忽略风力机涡流发生器多个参数之间的相互作用遗传算法(G e n e t i cA l g o r i t h m s,GA)优化反向传播(B a c kP r o p a g a t i o n,B P)神经网络(GA B P)模型,可准确构建多参数与关联指标间的映射关系,适用于风 力 机 翼 型 优 化 设 计、风 力 机 叶 片 铺 层 优化、风力机叶片故障诊断 等多目标优化领域然而,此方法尚未应用于风力机涡流发生器的多目标优化设计为此,针对涡流发生器优化问题,基于B P神经网络,构建遗传算法优化B P神经网络的风力机涡流发生器气动性能模型,验证气动性能模型的可靠性,并耦合鱼群算法和风力机涡流发生器气动性能模型,建立风力机涡流发生器优化方法,解决涡流发生器多目标优化问题,进一步提升风力机气动性能 风力机涡流发生器试验方案确定 风力机模型风力机为美国NA S AAm e s研究中心的N R E LP h a s eV I水平轴风力机,其叶片区域采用S 翼型,叶片半径R m、桨距角为、轮毂高度为 m、额定转速为 r/m i n、额定功率为 kW,其余风力机参数可参考文献 中的N R E L实验报告 涡流发生器模型风力机涡流发生器能加强涡流发生器两侧之间的气流流动,促进叶片边界层低能流体与高能流体间的能量转换,使边界层内层流提前转捩成湍流状态,利用湍流较强的抗分离能力,延迟边界层分离及维护气流流动的稳定性根据风力机叶片各截面的压力系数实验数据,当来流风速U m/s时,在 R R内叶片段明显出现不同程度的压力平台,即产生流动分离现象,从而导致风力机失速为此,以失速风速 m/s为涡流发生器优化时的来流风速,在叶片 R R反 向 布 置 对 共 个 微 型NA C A 翼型VG s如图(a)所示(C为弦长),以较低成本保证涡流发生器流动控制效率,从而提升风力机叶片的气动性能根据风力机涡流发生器设计原则,数值模拟分析VG s高度(h)、长度(l)、安装角度()、弦向安装位置、间距()以及节距(d)等参数对风力机气动特性的影响规律对比分析表明,VG s高度、长度以及安装角度对风力机气动性能的影响最显著,故确定VG s高度、长度和安装角度为待优化参数变量,其初始取值范围分别为h mm、l mm和 ;另设dmm、mm,模型参数如图(b)所示 上海交通大学学报第 卷图风力机涡流发生器模型F i g W i n dt u r b i n ev o r t e xg e n e r a t o rm o d e l 最优拉丁超立方试验设计为保证涡流发生器每个参数在其取值范围内均匀取值,获取准确的训练、预测样本数据,试验设计方法的选用十分关键最优拉丁超立方设计(O p t i m a lL a t i n H y p e r c u b eD e s i g n,O p tLHD)改进了随机拉丁超立方设计的均匀性,使因子和响应的拟合更加精确真实相较于拉丁超立方设计,最优拉丁超立方设计能使所有试验点尽量均匀地分布在设计空间,具有良好的空间填充性和均匀性,两种方法的对比如图所示其中,X和X为影响因子影响涡流发生器流动控制效果的关键因素包括VG s高度、长度和安装角度,为保证每个自变量在其取值范围内均匀取值,运用最优拉丁超立方试验设计表安排试验方案共确定 组试验安排,分析计算涡流发生器控制下风力机的推力(T)和转矩(M),部分试验仿真结果如表所示表部分试验设计及仿真结果T a b T e s td e s i g na n ds i m u l a t i o nr e s u l t s序号h/mml/mm/()T/NM/(Nm)图两种方法对比F i g C o m p a r i s o no f t w om e t h o d s第 期夏云松,等:基于反向传播神经网络的风力机涡流发生器优化 风力机涡流发生器优化方法 遗传算法优化B P神经网络的风力机涡流发生器气动性能模型采用C F D方法可较精确计算风力机涡流发生器气动性能,但计算量庞大限制了其在涡流发生器中的应用为此,基于B P神经网络,构建遗传算法优化B P神经网络的风力机涡流发生器气动性能模型,代替计算量庞大的C F D方法B P神经网络是一类多层的前馈神经网络,结构简单,可以调整的参数多、训练算法多,而且可操作性好,应用广泛本文B P神经网络由输入层、隐含层和输出层组成,网络结构模型如图所示其中,输入层有个参数,分别是VG s高度、长度和角度,输出层的参数为风力机的推力和转矩图B P神经网络结构模型F i g S t r u c t u r em o d e l o fB Pn e u r a ln e t w o r k隐含层中神经元的数量直接影响B P神经网络的建模效果,按照下式进行隐含层神经元数量的计算选择:nn()式中:n为输入神经元数;n为隐含层神经元数以表中的 组数据作为神经网络的学习样本,根据最优拉丁超立方试验的自变量和待优化的因变量设计神经网络的拓扑结构,设置隐含层的神经元数量为,用m a p m i n m a x函数处理输入层的参数,隐含层的神经元传的递函数采用S型正切函数t a n s i g,输出层神经元的传递函数采用S型对数函数l o g s i g,B P神经网络训练函数为t r a i n l m,训练次数为 次,学习速率为 s,训练目标为方差最小即,建立B P神经网络的风力机涡流发生器气动性能模型B P神经网络虽然是人工神经网络中应用最广泛的算法,但是也存在一些缺陷,例如学习收敛速度慢、不能保证收敛到全局最小点、网络结构不易确定此外网络结构、初始连接权值和阈值的选择对网络训练的结果影响很大,但是又无法准确获得针对这些特点可以采用遗传算法对B P神经网络进行优化,获取最佳的权值和阈值,建立更精确的风力机涡流发生器气动性能模型故采用MAT L A BS h e f f i e l d遗传算法工具箱,优化B P神经网络的权值和阈值设置遗传算法运行参数:种群大小为 ,最大遗传代数为 ,变量的二进制位数为,交叉概率为 ,变异概率为 ,代沟为 耦合鱼群算法的风力机涡流发生器优化人工鱼群算法是一种基于模拟鱼群行为的优化算法,是由李晓磊 在 年提出的一种新型的群体智能优化算法这种算法的特点是全局收敛性好、收敛速度快、对初值无要求、对各参数的选择敏感程度不高,有较大的容许范围,对目标函数的要求不高,只使用目标函数的函数值作为适应度,无需目标函数的梯度值等特殊信息鱼群算法主要是通过模拟鱼群的觅食、聚群、追尾、随机等行为在搜索域中进行全局寻优,不同于传统的问题解决方法,这一模式具备分布处理、参数和初值的鲁棒能力强等功能对风力机涡流发生器参数的多目标优化,其数学模型可以表示为m a xfTB P(X)m i nfMB P(X)s t Xm i nXXm a x()式中:TB P(X)和MB P(X)为涡流发生器参数与风力机 推 力 以 及 转 矩 之 间 的 非 线 性 函 数;Xxxx 为个待优化涡流发生器参数所组成的输入矩阵;f、f分别为输入矩阵在对应GA B P神经网络模型下的输出值即推力和转矩采用权重和的方法将上述风力机涡流发生器多目标函数转化为鱼群算法的食物浓度函数,进而结合鱼群算法寻找到最优参数组合食物浓度函数可以表示为Ym a xff()根据二者在仿真试验时的范围变化以及优化要求,取权重系数为、根据风力机涡流发生器气动性能模型建立的食物浓度函数,设置鱼群算法参数:人工鱼数为 ,最大迭代次数为,觅食最大试探次数为 ,感知距离为,拥挤度因子为 ,移动步长为建立风力机涡流发生器优化流程如图所示 上海交通大学学报第 卷图风力机涡流发生器优化流程F i g O p t i m i z a t i o np r o c e s so fw i n dt u r b i n ev o r t e xg e n e r a t o r 结果与分析 遗传算法优化B P神经网络的风力机涡流发生器气动性能模拟验证根据最优拉丁超立方试验的结果,建立输出层为推力和转矩的层()GA B P神经网络模型,将表中的前 组数据作为神经网络的训练集,剩下的组作为测试集通过遗传算法编码将B P神经网络的权值和阈值编码为种群中的每个个体,经过一系列的选择、交叉和变异操作,获得最优的初始权值和阈值,在最优的初始权值和阈值下,GA B P神经网络训练及预测结果如图所示可知,经过GA B P神经网络计算得到推力测试样本的仿真误差为 ,转 矩 测 试 样 本 的 仿 真 误 差 为 由此可以看出,运用GA B P神经网络建立黑箱模型,得到的网络模型对风力机涡流发生器参数具较好的预测能力,为涡流发生器参数选取提供了新的模型参考采用平均绝对百分比误差(MA P E)和均方误差(M S E)评价神经网络 MA P E可以评价神经网络的预测精度,MA P E越小,神经网络的精度越高;M S E可以评价神经网络预测值的变化,M S E越小,模型的预测结果越好eMA P ENNi|yyi|yi()eM S ENNi(yyi)()式中:yi和yi分别为样本的预测值和期望值;N为测试集中使用的样本总数结果表明,输出层为推力和转矩的神经网络分别经过多次训练迭代后,每组数据的MA P E均不超过,M S E分别达到 和 ,均满 足 收 敛 要 求,该 模 型 具 有 较 好 的 预 测效果GA B P神经网络的训练、分析和预测数据的多元回归分析结果如图所示结果表明,该模型的输出值与试验值具有较好的相关性训练样本的相关系数RB P值分别达到 和 ,说明模型良好可靠表为组试验方案风力机推力和转矩的仿真结果与模型预测值表中YT、YM分别为风力机推力与转矩的仿真值,YT、YM分别为风力机推力与转矩的预测值计算分析可知,数值模拟仿真值与模型预测值的误差均小于,表明预测合理通过下式计算仿真值与预测值的差值均方根:eRM Smi(YiYi)m()式中:Yi和Yi分别为推力/转矩的仿真值和预测第 期夏云松,等:基于反向传播神经网络的风力机涡流发生器优化 图G A B P训练、预测样本与试验值对比F i g C o m p a r i s o no fG A B Pt r a i n i n g,p r e d i c t i o ns a m p l e s,a n dt e s tv a l u e s图G A B P神经网络的多元回归分析F i g M u l t i p l er e g r e s s i o na n a l y s i so fG A B Pn e u r a l n e t w o r k表风力机涡流发生器组试验方案的仿真结果与预测值T a b S i m u l a t i o nr e s u l t sa n dp r e d i c t e dv a l u e so f f i v eg r o u p so f t e s t s c h e m e so fw i n dt u r b i n ev o r t e xg e n e r a t o r序号h/mml/mm/()推力YT/NYT/N误差/转矩YM/(Nm)YM/(Nm)误差/值;m为推力/转矩数量得到风力机推力和转矩仿真值与预测值对应差值的均方根分别为eRM S,T Nm和eRM S,M Nm可见,误差与均方根均较小,表明二者的GA B P神经网络搭建合理,风力机涡流发生器气动性能模型预测数据可信度高 耦合鱼群算法的风力机涡流发生器优化利用已完成训练的个GA B P神经网络模型建立涡流发生器参数与风力机推力和转矩之间的非线性函数TB P(X)和MB P(X),采用权重和的方法将 上海交通大学学报第 卷上述非线性函数转化为鱼群算法的食物浓度函数,应用鱼群算法求解风力机涡流发生器参数组合运行优化求解程序,图所示为目标值的优化过程,曲线平稳处为寻优搜索到的食物浓度函数最大值全面考量预测与鱼群迭代寻优,得到多目标较优的风力机涡流发生器参数组合为h mm,l mm,食物浓度函数最大值为 ,对应风力机推力为 N,转矩为 Nm图鱼群算法迭代过程F i g I t e r a t i v ep r o c e s so f f i s hs w a r ma l g o r i t h m 优化后风力机气动性能将鱼群算法求解优化的风力机涡流发生器参数组合进行有限元仿真分析风力机推力和转矩仿真值分别为 N和 Nm,相比预测寻优值的误差分别为 和 ,误差均小于,表明耦合鱼群算法和GA B P风力机气动性能模型的涡流发生器优化合理表不同工况下风力机功率特性T a b P o w e rc h a r a c t e r i s t i c so fw i n dt u r b i n eu n d e rd i f f e r e n tw o r k i n gc o n d i t i o n s参数V G s方案值原始优化增幅/T/k N P/k W 对风力机VG s原始方案与最终优化VG s方案进行有限元分析,不同工况下功率(P)特性如表所示可以看出,最终优化方案风力机的推力较原始方案降低 ,功率较原始方案提高 通过数值模拟获取不同风速下的功率曲线,如图所示随着风速的增大,功率呈先增大后减小的规律,风力机安装VG s后功率曲线明显优于安装前,表明VG s推迟了叶片流动分离,明显改善了风力机的气动性能,提高了机组的发电功率将VG s优化方案功率与VG s原始方案功率进行对比,VG s优化方案功率曲线最优,VG s原始方案次之,原风力机最差,表明VG s流动控制的成效与VG s优化的有效图风力机V G s安装前后功率对比F i g P o w e rc o m p a r i s o no f f a nV G sb e f o r ea n da f t e r i n s t a l l a t i o n截取不同工况下叶片截面的速度迹线如图所示,其中p为压力由图可知同一工况下不同叶片截面空气流动特性虽各不相同,但在VG s流动控制下,所有叶片截面的边界层分离均得到抑制或延缓相较于VG s原始方案,VG s优化方案下 R截面分离涡略微增强,R截面分离涡基本消失,R截面分离涡明显减弱,表明优化后VG s产生的翼尖涡(高能流体)与低能流体进行了更加有效的能量交换,促进了叶片边界层内流体从层流到湍流的转捩,利用湍流较强的抗分离能力,使叶片表面大部分区域的流动分离得到进一步抑制或延缓,风力机整体气动性能进一步提升,突出VG s优化的较好成效为进一步验证VG s优化后的流动控制成效及优化方法的可行性,结合VG s流动控制机理,对比叶片中性面 R截面的压力系数分布,如图 所示其中,Cp为风力机叶片截面的表面压力系数,x/c为叶片截面沿弦向的无量纲化相较于原始方案,VG s优化方案下,R截面失速位置后移最明显,上翼面负压增大最显著,上下压差明显增加,Cpx/c曲线的环幅增大,使得截面翼型升力系数显著提升由此说明风力机VG s优化方法能有效提升本文风力机整体的气动性能本文探讨优化前后涡流发生器流动控制成效与风力机的气动性能,优化前后结构应力分布的有限元分析将在后续研究中开展第 期夏云松,等:基于反向传播神经网络的风力机涡流发生器优化 图叶片截面速度迹线F i g B l a d es e c t i o nv e l o c i t yt r a c e图 叶片中性面压力系数F i g P r e s s u r ec o e f f i c i e n to fb l a d en e u t r a l s u r f a c e 结论()建立遗传算法优化B P神经网络的风力机涡流发生器气动性能模型,气动模型预测值和模拟仿真 值 的 误 差 小 于,误 差 均 方 根 值 小 于 Nm,表明本文气动模型的准确性()建立耦合鱼群算法的风力机涡流发生器优化 方 法,优 化 后 的 风 力 机 涡 流 发 生 器 高 度 为 mm,长度为 mm,安装角度为 ,对应风力机推力、转矩仿真值与预测值的误差均小于,表明优化方法的准确性()优 化 涡 流 发 生 器 方 案 风 力 机 的 推 力 为 N,功率为 kW,相比原涡流发生器方案推力下降 ,功率提升 ,风力机气动性能进一步提升,表明风力机涡流发生器优化方法的有效性致谢感谢江苏省高校“青蓝工程”优秀青年骨干教师项目的资助参考文献:Z HA OZZ,J I ANGRF,F E NGJX,e t a l R e s e a r c h e so nv o r t e xg e n e r a t o r s a p p l i e d t ow i n d t u r b i n e s:Ar e v i e wJ O c e a nE n g i n e e r i n g,:李爽风力机翼型动态失速的模型及流动控制机制研究D北京:中国科学院大学(中国科学院工程热物理研究所),L IS h u a n g S t u d yo fd y n a m i cs t a l lm o d e la n df l o wc o n t r o lm e c h a n i s mo fw i n dt u r b i n ea i r f o i lDB e i j i n g:I n s t i t u t eo fP h y s i c s,C h i n e s eA c a d e m yo fS c i e n c e s,MAN O L E S O SM,VOUT S I NA SSGE x p e r i m e n t a li n v e s t i g a t i o no ft h ef l o wp a s tp a s s i v ev o r t e xg e n e r a t o r so na na i r f o i l e x p e r i e n c i n g t h r e e d i m e n s i o n a l s e p a r a t i o nJ J o u r n a l o fW i n dE n g i n e e r i n ga n dI n d u s t r i a lA e r o d y n a m i c s,:GA OL Y,Z HAN G H,L I U Y,e ta lE f f e c t so fv o r t e xg e n e r a t o r so nab l u n tt r a i l i n g e d g ea i r f o i lf o rw i n dt u r b i n e sJ R e n e w a b l eE n e r g y,:T I MME R W A,VANR O O I JRPJO M S u mm a r yo f t h ed e l f tu n i v e r s i t yw i n dt u r b i n ed e d i c a t e da i r f o i l sJ J o u r n a lo fS o l a rE n e r g yE n g i n e e r i n g,():MU E L L E R VAHL H,P E CHL I VANO G L OU G,NAY E R ICN,e t a l V o r t e xg e n e r a t o r s f o rw i n d t u r b i n eb l a d e s:Ac o m b i n e dw i n dt u n n e la n dw i n dt u r b i n ep a r a m e t r i c s t u d yCP r o c e e d i n g s o fA S MET u r b o E x p o :T u r b i n e T e c h n i c a l C o n f e r e n c e a n d 上海交通大学学报第 卷E x p o s i t i o n C o p e n h a g e n,D e n m a r k:A S ME,:D ETAV E R N I E R D,F E R R E I R A C,V I R A,e ta l C o n t r o l l i n gd y n a m i cs t a l lu s i n gv o r t e xg e n e r a t o r so na w i n dt u r b i n ea i r f o i lJR e n e w a b l e E n e r g y,:张惠,赵宗德,周广鑫,等涡流发生器对风力机翼型气动性能影响的实验研究J太阳能学报,():Z HAN G H u i,Z HAOZ o n g d e,Z HOU G u a n g x i n,e ta l E x p e r i m e n t a l i n v e s t i g a t i o no f e f f e c t o f v o r t e xg e n e r a t o ro na e r o d y n a m i cp e r f o r m a n c eo fw i n dt u r b i n ea i r f o i lJ A c t aE n e r g i a eS o l a r i s S i n i c a,():张惠,赵宗德,周广鑫,等涡发生器参数对风力机翼型性能影响实验研究J太阳能学报,():Z HAN G H u i,Z HAOZ o n g d e,Z HOU G u a n g x i n,e ta lE x p e r i m e n t a li n v e s t i g a t i o n o fe f f e c to fv o r t e xg e n e r a t o rsp a r a m e t e ro np e r f o r m a n c eo fw i n dt u r b i n ea e r o f o i lJA c t aE n e r g i a eS o l a r i sS i n i c a,():杨瑞,马超善,方亮,等加装叶片涡流发生器对变桨距风 力 机功 率的 影响 J兰 州 理 工 大 学 学 报,():YANG R u i,MA C h a o s h a n,F AN G L i a n g,e ta lE f f e c to fi n s t a l l i n gv o r t e xg e n e r a t o ro n t ob l a d eo np o w e ro fv a r i a b l e p i t c h w i n dt u r b i n eJ J o u r n a lo fL a n z h o uU n i v e r s i t yo fT e c h n o l o g y,():F A T EH I M,N I L I AHMA D A B A D I M,N EMA T O L L AH IO,e ta lA e r o d y n a m i cp e r f o r m a n c ei m p r o v e m e n t o fw i n d t u r b i n eb l a d eb yc a v i t ys h a p eo p t i m i z a t i o nJR e n e w a b l eE n e r g y,:赵清鑫,张兰挺基于径向基神经网络的风力机叶片铺层优化J太阳能学报,():Z HA O Q i n g x i n,Z HANG L a n t i n g P l y p a r a m e t e ro p t i m i z a t i o no fw i n dt u r b i n eb l a d eb a s e do nr a d i a l b a s i s f u n c t i o nn e t u r a l n e t w o r kJ A c t aE n e r g i a eS o l a r i sS i n i c a,():B I JX,F AN WZ,WAN GY,e t a l Af a u l t d i a g n o s i sa l g o r i t h mf o rw i n dt u r b i n eb l a d e sb a s e do n B Pn e u r a l n e t w o r kJ I O PC o n f e r e n c eS e r i e s:M a t e r i a l sS c i e n c ea n dE n g i n e e r i n g,():HAN D M M,S I MM SDA,F I NG E R S HLJ,e t a lU n s t e a d ya e r o d y n a m i c se x p e r i m e n tp h a s eV I:W i n dt u n n e lt e s tc o n f i g u r a t i o n sa n da v a i l a b l ed a t ac a m p a i g n sRU S A:O f f i c eo fS c i e n t i f i ca n dT e c h n i c a lI n f o r m a t i o n,季宁,张卫星,于洋洋,等基于K r i g i n g代理模型和MO P S O算法的注塑成型质量多目标优化J塑料工业,():J IN i n g,Z HANG W e i x i n g,YU Y a n g y a n g,e ta lM u l t i o b j