基于改进粒子群算法的电机多目标优化方法.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115081328A(43)申请公布日2022.09.20(21)申请号202210711940.6(22)申请日2022.06.22(71)申请人南京师范大学地址210023江苏省南京市栖霞区文苑路1号(72)发明人朱晓锋李光志丁树业金子辰瞿腾超(74)专利代理机构南京众联专利代理有限公司32206专利代理师蒋昱(51)Int.Cl.G06F30/27(2020.01)G06F111/06(2020.01)权利要求书2页说明书5页附图3页(54)发明名称基于改进粒子群算法的电机多目标优化方法(57)摘要本发明公开了一种基于改进粒子群算法的电机多目标优化方法，首先通过统计学实验原理设计出实验方案；然后对目标电机进行参数化建模，仿真得到对应的实验结果；通过响应面法生成对应的数学模型；再通过增加了变异库的改进粒子群算法来生成帕累托图寻找到电机的最优结构；最后通过仿真验证优化的有效性。该方法结合了统计学实验原理、响应面法和改进的粒子群算法的各自优势，通过统计学实验原理的采集数据，保证了数据的采集的合理性，再通过响应面法生成对应的数学模型，不需要依靠电机本身的电磁公式，再通过增加变异库的改进粒子群算法寻找最优解集。可以准确的，高效的寻找到目标性能下的最佳电机结构。CN115081328ACN115081328A权利要求书1/2页1.基于改进粒子群算法的电机多目标优化方法，其特征在于，具体步骤如下：步骤1：选定需要调整的电机尺寸和电机性能目标，通过统计学实验原理生成对应的实验方案；步骤2：根据电机尺寸变量对电机进行参数化建模，跑取对应的实验仿真结果；步骤3：根据填入结果后的实验方案，通过响应面法生成准确的数学模型；步骤4：将优化目标的数学模型带入改进的粒子群算法中进行最优电机结构的寻找；步骤5：根据增加变异库的粒子群算法生成的帕累托图，选择所需求的性能结构参数；增加了一个变异库，1/3的种群保留不变异，1/3的种群均匀变异，1/3的种群变异率随迭代次数增加而减少；其中变异库的MOPSO算法进行改进如下式所示；per_mut＝(1‑gen/maxgen)/nmut式中per_mut代表变异后的第三部分种群，gen代表当前的迭代次数，maxgen代表最大迭代次数，nmut代表第三部分原始种群；步骤6：再将所得到的最优电机结构参数通过参数化的电机模型进行仿真验证，确保所得结果的有效性。2.根据权利要求1所述基于改进粒子群算法和响应面法的电机多目标优化方法，其特征在于，所述步骤1实验方案选用了统计学中的CCD实验方案。3.根据权利要求1所述基于改进粒子群算法和响应面法的电机多目标优化方法，其特征在于，所述步骤3采用RSM方式建立对应数学模型。4.根据权利要求1所述基于改进粒子群算法和响应面法的电机多目标优化方法，其特征在于，所述步骤4改进的粒子群算法设计如下：假设：1)搜索空间是n维空间；2)粒子数量为N个，当迭代次数为k时，第i个粒子的位置和速度信息分别为：式中：i标示第i个粒子，且有j标示空间维数，且有标示迭代次数为k时粒子i的j维位置分量；标示迭代次数为k时粒子i的j维速度分量；仅为，粒子临近域内所遇到的最优解pbest和当前种群所遇到的最优解gbest表示为：式中：和分别为第k次迭代时粒子i的j维最优位置分量和全局最优分量；对第i个粒子的位置和速度信息进行计算：2CN115081328A权利要求书2/2页式中：表示迭代次数为k+1时粒子i的j维速度分量；c1、c2分别是代表种群经验和粒子受经验影响程度的学习因子，且有c1>0、c2>0；r1、r2标示均匀分布的随机数，其分布范围为[0,1]；ω表示惯性权值，其含义为个体速度发生变化时与原始速度之间存在的差异。3CN115081328A说明书1/5页基于改进粒子群算法的电机多目标优化方法技术领域[0001]本发明属于电机磁场计算领域、计算机算法领域和统计学实验方案领域，涉及弱电网条件下对频率耦合分量的调节控制方法。背景技术[0002]永磁无刷直流电动机是近年来随着电力电子技术和永磁材料的发展，而迅速发展起来的一种新型电机。相对于传统的直流电机和异步电机，转子永磁型电机具有更高的功率密度和效率，受到广泛重视并已获得广泛应用。但是，转子永磁型电机通常需要对转子采取特别加固措施以克服高速运转时的离心力，如安装由非金属纤维材料或不锈钢制成的套筒等，不仅导致其结构复杂，制造成本高，而且增大了等效气隙，降低了电机性能。同时，永磁体安放在转子上，散热困难，引起的温升可能会导致永磁体发生不可逆退磁，限制电机出力，减小功率密度等。为克服上述转子永磁型电机的缺点，近年出现了将永磁体安置于定子侧的定子永磁型无刷电机，受到了日益广泛的关注。目前磁通切