本发明一般涉及风力机，具体涉及一种风力机叶尖小翼智能设计方法。
背景技术：
1、近十年是中国风电装机容量爆发式增长的十年,在祖国的天南海北都可以看到风力发电场的存在。与此同时,风电场的诸多问题也暴露了出来,全国各地风电场都或多或少的存在弃风限电,噪声污染,机组输出功率波动大,机组损坏率高,风电场效益底下等诸多问题。这些问题的存在严重制约了风电场的发展,为了改善以上诸多问题,我们有必要大力发展和改进风能利用技术,提高风力机工作效率,降低风力机载荷，提高发电功率。
2、在一些情况下，增加风力机功率的方式包括：选择合适的叶片截面翼型、优化布置不同翼型的位置、设计叶片最佳厚度、扭角分布，以及在叶片的尖端安装端板或叶尖小翼等。本发明针对在叶片的尖端安装端板或叶尖小翼的方案对风力机进行改进。
3、由于风力机的扭矩乘以转速等于功率，若想提高风力机的发电功率，则需要设计合理的上反角、后掠角提高扭矩。而上反角、后掠角对扭矩的影响需要通过cfd(computationalfluiddynamics,流体动力学仿真软件)仿真得到。
4、但是cfd软件仿真过程繁琐，仿真计算的过程计算量大且耗时长；而且在对风力机叶尖小翼设计过程中，需要不断调整上反角、后掠角的组合来判断风力机的扭矩是否已经达到最大值，这就导致对上反角、后掠角的预测效率低下，且所得的结果容易陷入局部最优方案，使优化设计后的风力机功率与优化前相比，功率提高不明显。
技术实现思路
1、鉴于现有技术中的上述缺陷或不足，期望提供一种风力机叶尖小翼智能设计方法。
2、本发明提供一种风力机叶尖小翼智能设计方法，风力机叶片上安装有小翼；小翼与风力机叶片之间的角度关系包括上反角和后掠角；
3、方法包括:
4、获取神经网络模型；所述神经网络模型用于输入上反角、后掠角，对风力机的扭矩和推力进行预测；
5、获取初始扭矩和初始推力；所述初始扭矩和初始推力分别表示风力机叶片未安装小翼且处于额定风速时风力机的扭矩和推力；
6、根据所述初始扭矩和初始推力构建适应度函数；
7、设置上反角和后掠角的搜索范围和麻雀算法的算法参数；
8、根据所述迭代参数、搜索范围、神经网络模型、和适应度函数，使用麻雀算法对上反角和后掠角进行迭代优化，得到最优上反角和最优后掠角；
9、以所述最优上反角和最优后掠角设计风力机叶片与小翼之间的角度关系。
10、根据本发明提供的技术方案，根据所述迭代参数、搜索范围、神经网络模型、和适应度函数，使用麻雀算法对上反角和后掠角进行迭代优化，得到最优上反角和最优后掠角的步骤包括：
11、s21:根据所述搜索范围和所述算法参数，计算麻雀算法中所有麻雀对应的第i上反角和所述第i后掠角；i初始值设置为1；
12、s22:将麻雀算法中所有麻雀的第i上反角和所述第i后掠角分别输入所述神经网络模型，预测得到多个第i预测扭矩和多个第i预测推力；
13、s23:将多个所述第i预测扭矩和多个所述第i预测推力代入适应度函数，计算得到多个麻雀的第i适应度；
14、s24:根据多个所述第i适应度，使用麻雀算法对多个所述第i上反角和多个所述第i后掠角分别进行迭代优化一次，得到多个第i+1上反角和多个第i+1后掠角；
15、s25:根据多个所述第i适应度判断是否达到结束条件，当达到所述结束条件时，进行步骤s26；否则，令i值加1，并重复步骤s22-s25；
16、s26:将适应度最大的第i上反角作为最优上反角；将适应度最大的第i后掠角作为最优后掠角。
17、根据本发明提供的技术方案，所述适应度函数由公式一表示：
18、公式一；
19、其中， fi表示第i适应度， w1、 w2均表示权重， ti表示第i预测扭矩， ni表示第i预测推力， t0表示初始扭矩， n0表示初始推力。
20、根据本发明提供的技术方案，所述算法参数包括：初始参数和迭代参数；所述初始参数包括：
21、麻雀算法中麻雀总数、每只麻雀的初始位置；
22、所述迭代参数包括：
23、麻雀算法中属于发现者的麻雀和属于加入者的麻雀；
24、麻雀算法中的第一设定比例；所述第一设定比例表示所有麻雀中属于发现者的麻雀的比例。
25、根据本发明提供的技术方案，每只麻雀的初始位置的设置方式为：
26、在所述搜索范围内随机设置，且服从正态分布；
27、所述结束条件包括：
28、多个所述第i适应度中的最大值连续多次不再增大，或达到最大迭代次数。
29、根据本发明提供的技术方案，所述第一设定比例的值根据公式二计算得到：
30、公式二；
31、其中， pi表示第一设定比例， s表示麻雀总数， dmax表示最大迭代次数， i表示迭代次数，[·]表示取整。
32、根据本发明提供的技术方案，根据多个所述第i适应度，使用麻雀算法对多个所述第i上反角和多个所述第i后掠角分别进行迭代优化一次，得到多个第i+1上反角和多个第i+1后掠角的步骤包括：
33、根据公式二更新第一设定比例；
34、将第一设定比例的麻雀重新当做发现者，将其余的麻雀重新当做加入者；
35、将多个所述第i上反角和多个所述第i后掠角在所述搜索范围内对应的位置作为多个麻雀的当前位置，得到多个第i位置；
36、在所有麻雀中随机生成多个警戒者，所述警戒者数量与麻雀总数的比值设定为第二设定比例；
37、获取发现者位置更新公式、加入者位置更新公式和警戒者位置更新公式；
38、当麻雀属于发现者时，将所述麻雀对应的所述第i适应度和所述第i位置代入发现者位置更新公式，得到多个发现者对应的第i+1位置；
39、当麻雀属于加入者时，将所述麻雀对应的所述第i适应度和所述第i位置代入加入者位置更新公式，得到多个加入者对应的第i+1位置；
40、当麻雀属于警戒者时，将所述麻雀对应的所述第i适应度和所述第i位置代入警戒者位置更新公式，得到多个警戒者对应的第i+1位置；
41、根据多个发现者对应的第i+1位置、多个加入者对应的第i+1位置和多个警戒者对应的第i+1位置计算得到多个第i+1上反角和多个第i+1后掠角。
42、根据本发明提供的技术方案，获取所述神经网络模型的步骤包括：
43、获取多个第一数据集；所述第一数据集中包括上反角的一个具体值和后掠角的一个具体值；
44、获取风力机的额定风速；
45、将多个第一数据集分别和所述额定风速输入cfd软件，计算得到多个所述第一数据集对应的扭矩和推力，得到多个第一扭矩和第一推力；
46、获取初始神经网络模型；
47、以第一数据集作为输入，第一扭矩和第一推力作为标签数据，扭矩和推力作为输出，对初始神经网络模型进行训练，得到所述神经网络模型。
48、根据本发明提供的技术方案，获取多个第一数据集的步骤包括：
49、在第一角度范围内抽取多个角度，得到多个第一角度；所述第一角度范围表示风力机叶片上反角的取值范围；
50、在第二角度范围内抽取多个角度，得到多个第二角度；所述第二角度范围表示风力机叶片后掠角的取值范围；
51、分别将一个所述第一角度和一个所述第二角度作为一个第一数据集，得到多个所述第一数据集；所述第一数据集中，所述第一角度作为上反角的一个具体值，所述第二角度作为后掠角的一个具体值。
52、本发明的有益效果在于：
53、将未安装小翼时风力机的扭矩和推力作为初始扭矩和初始推力。根据初始扭矩和初始推力构建适应度函数。初始设置上反角和后掠角的搜索范围和麻雀算法的迭代参数。使用麻雀算法对上反角和后掠角进行迭代优化，迭代过程中还需要将迭代过程中计算得到的上反角和后掠角，输入神经网络模型对扭矩和推力进行预测，进而计算适应度；最终得到最优上反角和最优后掠角。以最优上反角和最优后掠角设计风力机叶片与小翼之间的角度关系，进而得到对风力机功率提升最大的小翼构型。利用麻雀算法优化上反角和后掠角的设计过程，不易陷入局部最优解，进而使优化后风力机的功率有明显提高。其中使用神经网络模型计算适应度，来判断是否得到最优上反角和最优后掠角的方式，相比软件仿真计算，能够更快速地预测得到扭矩和推力，具有更高的计算效率。
1.一种风力机叶尖小翼智能设计方法，其特征在于，风力机叶片上安装有小翼；小翼与风力机叶片之间的角度关系包括上反角和后掠角；
2.根据权利要求1所述的一种风力机叶尖小翼智能设计方法，其特征在于，根据所述迭代参数、搜索范围、神经网络模型、和适应度函数，使用麻雀算法对上反角和后掠角进行迭代优化，得到最优上反角和最优后掠角的步骤包括：
3.根据权利要求2所述的一种风力机叶尖小翼智能设计方法，其特征在于，所述适应度函数由公式一表示：
4.根据权利要求2所述的一种风力机叶尖小翼智能设计方法，其特征在于，所述算法参数包括：初始参数和迭代参数；所述初始参数包括：
5.根据权利要求4所述的一种风力机叶尖小翼智能设计方法，其特征在于，每只麻雀的初始位置的设置方式为：
6.根据权利要求4所述的一种风力机叶尖小翼智能设计方法，其特征在于，所述第一设定比例的值根据公式二计算得到：
7.根据权利要求6所述的一种风力机叶尖小翼智能设计方法，其特征在于，根据多个所述第i适应度，使用麻雀算法对多个所述第i上反角和多个所述第i后掠角分别进行迭代优化一次，得到多个第i+1上反角和多个第i+1后掠角的步骤包括：
8.根据权利要求1所述的一种风力机叶尖小翼智能设计方法，其特征在于，获取所述神经网络模型的步骤包括：
9.根据权利要求8所述的一种风力机叶尖小翼智能设计方法，其特征在于，获取多个第一数据集的步骤包括：
