1、4滋W李數學建模校內克賽論文.r19 2 9論文題目：考慮伺服電機溫升效應的變槳距系統控制方式考慮伺服電機溫升效應的變槳距系統控制方式摘要三個電風力發電作為新能源開發利用的一種重要方式， 因其不會產生輻射或空氣污 染，已受到世界各國的高度重視。 變槳控制系統是風力發電機組的重要組成部分。 在變槳距控制系統中， 每片槳葉采用一個伺服電機單獨進行節距角調節， 機同步調節三片槳葉的節距角。對于問題一，為了探尋探尋風速變化與變槳伺服電機溫升的關系，本文用 Matlab 繪出風速與電機溫升的散點圖，并對其進行擬合，得到S 型曲線函數模型；為了尋找影響伺服電機溫升的主要因素，利用SP SS軟件對各因素進行

2、相關性分析得到 Pearson 相關性和顯著性（雙側）, 并以此判斷出風速變化是影響伺服 電機溫升的主要因素。對于問題二， 在高風速條件下， 為使發電機盡量以額定功率輸出， 變槳距控 制系統需要根據風速的變化實時調節槳葉節距角， 因為風速變化的不確定性和變 槳距控制系統反應的滯后性， 可能造成發電機功率的波動較大， 所以本文先利用 BP神經網絡對風速V進行預測，得到的誤差值與實際值誤差較小。考慮到V與P的關系，為了使在高風速條件下功率的穩定，以 2MW風力發 電機組為例，可以得到 V與P的定量關系，選取一些離散的風速值得到相應的 P，并對得到的值進行SPSS擬合，得到V與P的定量關系式。對于問

3、題三，針對實際環境，當風速不斷變化時，變槳電動機工作，其溫升 總會增高， 所以在研究中必須考慮其影響， 本文將在問題二的基礎上提出兩種改 進措施：第一，對風速變化進行進行預判定，當變化值不在其接受鄰域時，其節 距角保持不變，否則，改變節距角以適應變化； 第二，設定輸出功率的波動范圍， 當 P 的變化在可接受鄰域內， 其節距角保持不變， 否則，改變節距角調節為當前 風速對應值。關鍵詞：變槳距控制 BP 神經網絡 風速預測 相關性分析 伺服機溫升問題重述風力發電作為新能源開發利用的一種重要方式， 因其不會產生輻射或空氣污 染，已受到世界各國的高度重視。 變槳控制系統是風力發電機組的重要組成部分。

4、變槳距控制系統的所有部件都安裝在輪轂內。 當風機正常運行時， 葉輪帶動輪轂 旋轉，使得變槳距控制系統的所有部件均隨輪轂以一定的速度旋轉。在變槳距控制系統中， 每片槳葉采用一個伺服電機單獨進行節距角調節， 個電機同步調節三片槳葉的節距角。 變槳距控制系統接受位移傳感器采集到的槳 葉節距角位置信號， 并根據風速的大小， 自動調整葉片與風向之間的夾角， 從而 實現葉輪在風力作用下旋轉， 進而驅動風力發電機以恒定轉速轉動。 正常風力發 電機發電時， 變槳距控制系統將驅動槳葉運動， 使其節距角在 0度附近。在系統 出現故障或控制電源斷電時，變槳距控制系統將調節槳葉為90位置，與風向平行，槳葉不受風力的作

5、用，實現葉輪停轉。變槳伺服電機是三相異步電動機， 正常情況下電機受變槳距控制系統控制轉 動。電動機的轉速與變槳距槳葉的轉速存在固定的減速比 1125:1 。1.2.假設結合風場實際現場六臺風力發電機組相關數據，試探究如下問題： 探尋風速變化與變槳伺服電機溫升的關系，并找出影響變槳伺服電機溫升的 主要因素，參照三相異步伺服電機參數。 變槳距控制系統在風速變化的情況下，將頻繁的調整槳葉的節距角，以使風 輪獲得適當的轉速，使得發電機盡量以額定功率輸出。不考慮變槳電動機的 溫升效應，試研究變槳距控制系統以什么方式調整槳葉的節距角，使發電機 能盡量以額定功率輸出，同時也不過度頻繁的調整槳葉節距角，導致變

6、槳電 機長時間負荷運行而使溫升過高。目前風場一般風力發電調整槳葉節距角的 過程為正弦逼近法。3.針對實際現場變槳電動機的溫升總會較高，我們在研究中必須考慮其影響， 試改進問題 2 中調整槳葉節距角的方式。二 模型的假設1、2、3、假設附件的風速為垂直于槳葉所在的平面所測得的速度值。 假設所給的數據準確無誤。假設風力發電機在工作期間沒有故障出現。三符號說明符號符號的意義Cp風能利用系數槳葉的節距角尖速比T電機溫升V風速Ej神經元實際輸出與給定輸出之差權值的調整參數yj神經元相應輸出g神經元給定輸出wii兩個神經元之間的連接權值Ct轉矩系數四模型的建立與求解4.1針對問題一4.1.1問題一的分析在

7、風力發電中，風速變化與變槳伺服電機溫升具有直接的聯系。 為了得到兩 者之間的關系，本文通過對一號電機的溫升與風速做擬合，并用其他電機的數據 來驗證這一關系。而實際生產中，影響伺服電機溫升的因素較多， 為了尋找主要 影響因素，我們通過SPSS軟件做各因素與電機溫升的相關性分析，并以此為依 據來判斷。4.1.2風力發電基本理論由于風力機從自然風中所能獲取的能量是有限的，所以引入風能利用系數Cp來表示風力機從自然風能中吸收能量的大小程度，可近似用公式(4-1-1)表示:Cp二(0.44 0.0167 )sin_ 0.00184(3)15 0.3(4-1-1)其中 是槳葉的節距角，是尖速比。由公式（4

8、-1-1）得變槳距風力機特性曲線（Cp ）如圖（4-1）所示:A從圖中可歸納以下兩點：1、對于某一固定槳葉節距角下，存在唯一的風能利用系數最大值Cp。2、對于任意的尖速比，槳葉節距角0下的風能利用系數C,相對最大。隨著槳葉節距角增大,風能利用系數Cp明顯減小。以上兩點為變速恒頻變槳距控制提供了理論基礎：在風速低于額定風速時，發電機輸出功率未達到額定功率，應盡可能將風能轉化為輸出的電能，所以設定槳葉節距角0，通過變速恒頻裝置，隨風速變化改變發電機轉子轉速進而改變尖速比，使風能利用系數恒定在Cpmax，捕獲最大風能；在風速高于額定風速時，調節槳葉節距角 從而改變發電機輸出功率，使輸出功率穩定在額定

9、功率附近。具體的變槳距控制過程為當發電機輸出功率大于額定功率時,通過增大來減小風能利用率，從而減小發電機的輸出功率使之維持在額定功率; 降到小于額定功率時，減小 以增大輸出功率。當輸出功率4.1.3風速變化與變槳伺服電機溫升的關系以一號電機的一號槳葉為例，做出風速與電機溫升的散點圖,如圖（4-2）所示:8070605040302010-152530K升 溫 機 電101520風速V （ m/s）0，此時圖4-2 號電機一號槳葉溫升與風速散點圖根據風力發電理論，當風速小于額定風速時，保持槳葉節距角即使風速發生變化，只要不超過額定風速則變槳伺服電機無需改變槳葉節距角， 因此電機溫升維持在較低的水平

10、；當風速大于額定風速時，由于變槳伺服電機需 要根據風速變化隨時調整槳葉節距角，因此電機溫升維持在較高的水平；而當風速在額定風速附近時，電機溫升的變化較明顯。這與圖（4-2）中的散點分布呈S 型相符合，為此利用Matlab軟件對其進行曲線擬合，擬合結果如圖（4-3）所示：52530圖4-3 號電機一號槳葉溫升與風速擬合曲線圖101520風速V （ m/s）OK 7升溫機電0運行結果如下:cf =Gen eral model:cf_(x) = C/(1+ex p(a-b*x)Coefficie nts (with 95% con fide nee boun ds): C =60.57(60.14,

11、 60.99)3.165(3.061,3.268)0.4218(0.4082, 0.4354)即電機溫升T （電機自身溫度減去環境溫度）與風速 V滿足的函數關系式 為：(4-1-2 )通過該式可充分反映兩者之間的關系, 數得：彳 a bV1 e對于本題的一號電機的一號葉片，代入參60.571H I 1:-丫 - 7 ck -101520風速V ( m/s)2530(4-1-3 )T 彳 3.165 0.4218V1 e為了驗證該關系式對于其他電機也同樣適用，本文選用五號電機來說明：首先，做出五號二號葉片電機溫升與風速的散點圖，并進行擬合，分別如圖（4-4）和圖（4-5）所示：圖4-4五號二號葉

12、片電機溫升與風速的散點圖a *升溫機電1000101520風速V ( m/s)2530圖4-5五號二號葉片電機溫升與風速的曲線擬合圖函數擬合的結果如下所示：cf =Gen eral model:cf_(x) = C/(1+ex p(a-b*x)Coefficie nts (with 95% con fide nee boun ds):C =60.7(60.18, 61.21)3.2(3.095, 3.304)0.4163(0.4028, 0.4299)函數的模型與式（4-1-2） 一致，并且各參數的最優值相差不大，均在可選取 的范圍內。值得一提的是，6號電機與其他電機的散點圖存在較大的差異，利

13、用 上述的關系模型難以準確描述，散點圖如圖（4-6）所示：)K fr升溫機電510202515風速V（ m/s）OO負！*-10匚030圖4-6六號一號葉片電機溫升與風速的散點圖為分析造成差異的原因，本文通過Excel對六號電機的各個葉片溫升以及風 速與時間的關系做折線圖，如圖（4-7）所示：六號電機各葉片溫升隨時間變化圖10080）度升溫604020-20001960 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 于 iH4 十 HMH2*L6汁 0-M-M0 十 4HH2 十01 09 90 649602 7 10 0

14、1 4002 1 1 50 8 3 728 0 0 0 8 7 0770 6 6 66 5 0 006 6 6 0 6 0 0660 6 6 00 6 6 662330220200222230020 54 40 60 3946023607 13 30 603一環境溫度一 一號葉片溫升二號葉片溫升 三號葉片溫升 風速0時間t36圖4-7六號電機各葉片溫升隨時間變化圖當時間在2013年6月5日13:08:00到2013年6月12:12:00由圖可得，期間，風速在較大的數值處正常波動，而電機的各葉片溫升基本為零，這與其他 時段相比十分異常，也是造成6號伺服電機與其他電機的風速一溫升關系模型不 同的主

15、要原因，具體分析后可能是在該時段6號電機由于維護或其他特殊原因并 未工作造成的。4.1.4 影響電機溫升的主要因素分析 實際情況下， 影響變槳伺服電機溫升的因素較多且復雜， 為探尋影響其溫升 的主要因素，利用現有的數據，本文通過 SPSS軟件對電機溫升、輪轂溫升、控 制柜溫升和環境溫度以及風速做相關性分析。 以四號電機的一號葉片為例， 相關 性分析的結果如表 4.1 所示：表 4.1 四號電機一號葉片各因素相關性分析相關性電機溫升輪轂溫升控制柜溫升環境溫度六十秒平均風速1電機溫升P earson相關性1.584*.729*-.113*.744*顯著性（雙側）.000.000.000.00CN9

16、99019901輪轂溫升P earson相關性.584*1*.959*-.636*.350顯著性（雙側）.000.000.000.000N9990199011控制柜溫升P earson相關性.729*.959*1-.526*.479*顯著性（雙側）.000.000.000.000N999019901環境溫度P earson相關性-.113*-.636*-.526*1-.093*顯著性（雙側）.000.000.000.000N999019901六十秒平均風速P earson相關性.744*.350*.479*-.0931顯著性（雙側）.000.000.000.000N999019901*.在.0

17、1水平（雙側）上顯著相關。表4.1顯示伺服電機溫升與風速的相關性最大且呈正相關，相關系數達到 0.744，為顯著相關。這個結論也與理論分析相符合：當風速大于額定風速時，伺 服電機根據風速變化隨時調整槳葉節距角， 以使發電機輸出功率穩定在額定功率， 因此影響伺服電機溫升的主要因素就是風速。而表中同時也表明了伺服電機溫升與輪轂溫升和控制柜溫升存在較大的相 關性，相關系數分別達到0.584和0.729，同樣為顯著相關。這三者的相對安裝 位置是造成這一結果的主要原因，由于伺服電機與控制柜均安裝在輪轂內， 并且 控制柜與輪轂本身并不產熱，它們的溫升直接受伺服電機溫升的熱傳遞影響，所 以相關性較強，又由于

18、控制柜在輪轂內散熱較差，而輪轂外殼與外部環境接觸， 所以伺服電機溫升與控制柜溫升的相關性要大于與輪轂溫升的相關性，這點在它們與環境溫度的相關性差異中也有所體現。總而言之，風速是影響伺服電機溫升的主要因素，其他幾個因素雖然與伺服 電機溫升呈很大的相關性，但均是受伺服電機溫升強烈影響而造成的。4.2針對問題二4.2.1問題二的分析為使發電機盡量以額定功率輸出，變槳距控制系統需要根據風速變化實時調 節槳葉節距角。本題忽略伺服電機的溫升，重點研究調節槳葉節距角的控制方式， 主要目標是實現以額定功率輸出。考慮到風速的實時變化性以及變槳距控制系統的反應滯后性，本文先利用神經網絡算法對下一時刻的風速 V進行

19、預測，再在恒定功率情況下尋找槳葉節距角 與風速V的關系式，以此得到下一時刻槳葉節距角，并通過變槳距控制系統及時調節節距角。這樣能有效減小變槳距調節的盲目性， 使輸出功率更好的穩 定在額定功率附近，降低不必要的槳距調節頻率，同時能提高變槳距控制系統的 性能。4.2.2 BP神經網絡算法簡介BP神經網絡算法是眾多人工智能算法之一，它通過樣本的學習來掌握其內 在規律，常用的學習方法是誤差反向傳播算法。 該方法主要是通過改變每個神經 元之間的連接權值來逐漸減小所訓練的神經網絡的輸出與給定輸出之間的誤差， 從而實現神經網絡的學習過程。誤差反向傳播算法根據取得的網絡輸出與給定輸 出之間的差值的變化率，決定

20、如何修改神經網絡的連接權值矩陣，提高神經網絡的輸出精度誤差反向傳播算法的計算過程如下：第一步，求出在當前神經元的閾值調整的情況下， 神經網絡的實際輸出與給 定輸出之差的變化率：(4-2-1 )該神經元的實際輸Eaj yj gj yj第二步，求出每個神經元的全部輸入信號改變的情況下, 出與給定輸出之差的變化率：(4-2-2 )Esj yj(1 yJEajyj第三步，求出兩個互相連接的神經元之間的權值調整時的實際輸出與給定輸 出之差的變化率：Ewij旦 YjEsjWij(4-2-3 )第四步，求出每個神經元當其輸入神經元的閾值調整時的實際輸出與給定輸 出之差的變化率：(4-2-4 )EsjWj通過

21、不斷使用第二步和第四步中的公式，可以逐步地依次確定每層神經元的 輸出與給定輸出之差的變化率。再通過第二步和第三步的公式，可以求出與連接 權值變化對應的輸出與給定輸出之差的變化率。BP算法的實現過程：(1)初始化神經網絡的連接權值和神經元閾值。 向神經網絡提供樣本，進行訓練學習過程。(3) 求出神經網絡對于輸入信號的相應輸出結果：Yjf(XiWij)(4-2-5 )(4) 根據神經網絡的輸出結果與給定輸出之間的差值變化率，對各個神經元 之間的連接權值矩陣從后向前逐層進行修改：(4-2-6 )Wij(s 1) Wij (s) EjX對于輸出層神經元：2Ej(Yj Yj )(g y)(4-2-7 )

22、其中，Ej為神經元實際輸出與給定輸出之差，為權值的調整參數，yj為 神經元的相應輸出，g為給定輸出，Wij為兩個神經元之間的連接權值。(5)通過不斷地對神經網絡進行樣本訓練，就可以達到預定的輸出精度。4.2.3用BP算法預測短期內風速本文采用BP神經網絡對風速進行預測，設置BP神經網絡訓練過程的最大 迭代次數為500，訓練誤差精度為0.01，選用長度為300的風速訓練樣本集和 一個長度為50的預測樣本集，先對訓練樣本數據的輸入和輸出進行歸一化處理， 然后開始對神經網絡進行訓練。利用Matlab編程，程序見附件(7)，經過BP神經網絡訓練后，將風速預測樣本集的輸出與實際值進行比較，得到圖（4-7

23、）:1413實際值預測值12111011102030預測點405060圖4-7風速預測值與實際值比較圖BP神經網絡短期風速預測誤差曲線如圖（4-8）所示:0.5mE(-1fl 40-0.540455005101520253035預測點兩者的符合程度很好，由中，大部分點的預測誤差圖4-8 BP算法風速預測誤差圖圖（4-7）中，虛線為風速實際值，實線為預測值， 預測誤差曲線圖（4-8）也能反映這一情況。圖（4-8）的絕對值都在0.5內，表明風速預測值與實測值誤差較小，有個別幾個點偏離實 測值較大，但得到及時校正，這對變槳距控制系統的整體控制效果不會產生大的 影響，可以接受。與風速V的424槳葉節距

24、角與風速的關系理論上一節得到了較可信的風速的預測值，本節需要探尋節距角 關系，從而得到下一時刻需要調整的槳葉節距角， 并且提前做好調整準備，使輸 出功率更好的穩定在額定功率附近。搭建變槳距伺根據查閱的資料，設定伺服電機與發電機采用直接驅動方式， 服電機模型：則風輪模型為：(4-2-8)風輪獲取風能的公式為：又由于線速度與風速，可得:ac其中Ct為轉矩系數。異步 電機基本模型:Te0.5 ACt( , )Rv22 1 2p( )RV 2 ACt( )RVCT CPgmU 1222(4-2-9)(4-2-10)(4-2-11)(G 1)12為C1x2(4-2-12)變槳距執行機構:(4-2-13)

25、系統線性化：風力機系統具有很強的非線性,T(r因此，在建模過程中對系統進行線性化， 線 性化的工作點選取在風力機工作的最優位置，即節矩角為0，通常這點是對應額定風速時的額定功率點，并取變速發電機反力矩為恒值。先對公式 = -Rn 取導：假設Top Teop,因此對公式（4-2-10）J Top簡化上式得:JdtopTTe2J2JAR Ct(,AR 2 CT(AR op 2opJ AR2CTopCT lopopop再由公式（4-2-16）進行拉氏變換得：JsJ ，得:(4-2-14 )進行線性化得:(s) a a (s)|op(4-2-15 )(4-2-16 )0.5 AR 2 CT(,)Ct(

26、,)Ct(，)lopopopCHpAR(s)2 CT（，(s)0op(4-2-17 )0op(4-2-18 )(4-2-19 )(4-2-20 )14.2.5高風速條件下2Mw電機的節距角與風速關系 以2Mw風力發電機組參數為例，Cp由于風能利用系數滿足式（4-2-21）P1 3 -v A2(4-2-21 )已知其額定功率為2Mw，葉尖速在高風速條件下為85.5m/s,為空氣密度1.292 kg/m3，A取掃風面積6848 m。聯立式（4-1-1）和式（4-2-21）,則風速與節距角的關系可以化簡為：453= 3 （0/44-0.167 ） sin_ 0.0184（85.5/3） 15 0.3

27、(4-2-22 )通過附件（8）程序，可以得到風速V與變槳節距角 的對應值，見表4.2。表4.2風速與變槳節距角的對應值風速V（m/s）（度）風速（m/s）111.621610.3311.53，1816.510.67124.521710.9612.55.6517.511.18136.661811.3713.57.5218.511.50148.251911.5814.58.9019.511.62159.452011.6415.59.93對以上數據進行SPSS擬合，發現二次函數擬合度最高，如圖 4-9所示:表4.3模型匯總和參數估計值因變量：VAR00002方程模型匯總參數估計值R方Fdf1df2

28、Sig.常數b1b2二次.9961890.600216.000-44.7386.032-.161圖4-9風速V與變槳節距角的擬合圖0已疑溥即在風速為11m/s20m/s的范圍內，有(4-2-23 )=-0.161v26.032V 44.738根據式（4-2-23）以及預測出的風速值，便可得到下一刻的值，使變槳距控制系統以此為依據來調整槳葉的節距角，從而實現發電機盡量以額定功率輸出。4.3針對問題三4.3.1問題三的分析本問在問題二的基礎上增加考慮變槳伺服機的溫升，即不能過度頻繁地調整槳葉 的節距角，為此本文通過兩種方法來降低變槳伺服機的反應靈敏度， 從而降低其 溫升，同時又使得輸出功率在允許的

29、小范圍內圍繞額定功率波動。 這兩種方法均 用算法和流程圖來表示。432問題三的解答（1）方法一：對風速變化進行預判定具體算法步驟為：第一步：控制系統接受實時測量的風速 V1，用神經網絡算法來預測下一時刻的風速V2 ；第二步：比較V2和V1，當V2 V0.5m/s時，返回第一步，否則轉到第三步;第三步：將V2代入公式（4-2-23）來計算得到槳葉節距角，并通過控制系統利用變槳電動機使槳葉節距角調為，返回第一步。開始輸入實測風速通過BP算法預測下 一時刻的V2通過公式計算在控制系統中加入這一算法可有效降低其對風速的敏感程度，避免風速在小范圍 內波動時導致伺服電機頻繁調整槳葉節距角，從而降低了溫升。

30、但這種方法相比 較問題二的缺點是，輸出功率的波動范圍會有所增大。(2) 方法二：設定輸出功率的波動范圍具體算法步驟為：第一步：控制系統接受實時測量的風速 V1，用神經網絡算法來預測下一時刻的 風速V2 ；第二步：將V2代入公式得到預測功率P2,將其與當前實際輸出功率P1做比較, 當F2 P 1kw時，轉到第三步，否則返回第一步；第三步：將V2代入公式(4-2-23)來計算得到槳葉節距角，并通過控制系統利用變槳電動機使槳葉節距角調為，返回第一步。變槳電動機調節槳 葉節距角為 2結束本方法相比較第一種方法的優點是輸出功率的波動范圍有所保證，但伺服電機的溫升改善效果不如第一種。五、模型的評價5.1優

31、點(1)本文在求解第一問時，為了得到影響伺服電機的主要影響因素，采用了附件（1 ）： 一號電機一號葉片溫升與風速函數關系SPSS軟件進行數據相關性分析，過程簡單，結果明了且可信度較高。(2)本文在求解第二問時，采用BP神經網絡算法，對風速進行預測，有效減 小變槳距調節的盲目性， 使發電機輸出功率更好的穩定在額定功率附近， 降低不 必要的槳距調節頻率，同時能提高變槳距控制系統的性能。5.1 缺點本文在探尋 風速變化與變槳伺服電機溫升的關系時，采用 S 型曲線擬合，但 由于數據量龐大， 部分數據與曲線的離散程度較大， 若簡單通過該函數關系模型 難以準確得到風速與溫升的關系，存在較大的誤差。六、模型

32、的改進與推廣6.1 模型的改進針對模型的缺點，本文可對模型做如下改進： (1)在解決第一問之前，先對這些大量數據做預處理。由于風速的不穩定性以 及溫升改變的滯后性，可通過 Bin 方法對噪聲數據進行平滑處理，再重新擬合， 可得到改進的模型。(2)為了得到更加精確的風速預測模型，可考慮用基于蟻群優化算法的神經網 絡進行短期風速預測，效果將比 BP 神經網絡算法更理想。6.2 模型的推廣 本模型適合解決風力發電站的變槳距系統的控制問題， 可同時考慮兩個因素： 保持輸出功率穩定與控制伺服發電機的溫升，對實際生產具有一定的指導意義。七、參考文獻1 林勇剛，李偉，葉杭冶等變速恒頻風力機組變槳距控制系統研

33、究J.農業機械 學報， 2004， 35(4): 110-114.2 M.Muareen Hand and Mark J.Balas.Non-linear and linear model based controller design for Variable-speed wind turbines. ASME/JSME Joint Fluids Engineering Conference.1999， 7: 18-23.3 劉洋.基于神經網絡網絡預測風力發電機變槳距研究D遼寧：遼寧工程技術大學 2010， 16( 10) .4 許少華，何新貴.一種基于過程神經元網絡的非線性動態系統辨識模型

34、及應用J.信息與控制，2008, 39(2) : 158-163.5 王振永，王然冉 .電機的數學模型及參數辨識 .北京:機械工業出版社 ,1991.程序附錄:y=xlsread( data.xls x=xlsread( data.xlsplot(x,y,st_ = 5 5 5; ft_ = fitt ype(de pendentcoefficie ntsC:Docume nts,sheet1 ,E1:E9898C:Docume nts,sheet1 ,H1:H9898* ),hold onand)；and)；cf = fit(x,y,ft ,C/(1+exp(a-b*x),., y , i

35、ndepen de nt, x ,., C , a , b );Start poi nt,st)h_ = p lot(cL,fit ,0.95);lege nd off ;% turn off lege nd from plot method callset(h_(1), Color ,1 0 0,.LineStyle ，- , LineWidth ,2,.Marker , none , MarkerSize ,6);y=xlsread( data.xls x=xlsread( data.xls plot(x,y,C:Docume ntsand附件（2）:二號電機一號葉片溫升與風速函數關系,s

36、heet1 ,01:09901); C:Docume ntsand,sheet1 ,R1:R9901);* ),hold onC/(1+exp(a-b*x),., y , i ndepen de nt, x ，, C , a , b );Start poi nt ,st_),0.95);st_ = 5 5 5; ft_ = fitt ype(de pendentcoefficie nts cf_ = fit(x,y,ft_ ,h_ = plot(cf_, fit lege nd off ;% turn off lege nd from plot method callset(h_(1), Co

37、lor ,1 0 0,.LineStyle ，- , LineWidth ,2,. Marker , none , MarkerSize ,6);附件（3）：三號電機一號葉片溫升與風速函數關系y=xlsread( data.xls x=xlsread( data.xlsC:Docume nts,sheet1 ,X1:X9901C:Docume ntsand)；andplot(x,y, st_ = 5 5 5; ft_ = fitt ype(de pendentcoefficie ntscf_ = fit(x,y,ft_ ,sheet1 , AA1:AA9901);* ),hold onC/(1

38、+exp(a-b*x),., y , i ndepen de nt, x ,., C , a , b );Start poi nt,st_),0.95);h_ = plot(cf_, fitlege nd off ;% turn off lege nd from plot method callset(h_(1), Color ,1 0 0,.LineStyle ，- , LineWidth ,2,.Marker , none , MarkerSize ,6);附件（4）:四號電機一號葉片溫升與風速函數關系y=xlsread( data.xls x=xlsread( data.xls plot

39、(x,y,C:Docume ntsand,sheet1 ,AG1:AG9901);C:Docume ntsand,sheet1 ,AJ1:AJ9901);* ),hold onC/(1+exp(a-b*x),., y , i ndepen de nt, x ，, C , a , b );Start poi nt ,st_),0.95);st_ = 5 5 5; ft_ = fitt ype(de pendent coefficie nts cf_ = fit(x,y,ft_ ,h_ = plot(cf_, fit lege nd off ;% turn off lege nd from plo

40、t method callset(h_(1), Color ,1 0 0,.LineStyle ，- , LineWidth ,2,. Marker , none , MarkerSize ,6);附件（5）：五號電機二號葉片溫升與風速函數關系y=xlsread( data.xls x=xlsread( data.xls plot(x,y,C:Docume ntsand,sheet1 ,AQ1:AQ9901);C:Docume ntsand,sheet1 ,AS1:AS9901);* ),hold onC/(1+exp(a-b*x),., y , i ndepen de nt, x ,., C , a , b );Start poi nt,st_),0.95);st_ = 5 5 5; ft_ = fitt ype(de pendent coefficie ntscf_ = fit(x,y,ft_ , h_ = plot(cf_, fit lege nd off ;% turn off lege nd from plot method callset(h_(1), Color ,1 0 0,.LineStyle ，- , LineWidth ,2,.Marke