CN101833607A - 双馈风力发电机多目标混合粒子群优化设计方法 - Google Patents

Abstract

本发明属于电机优化设计领域，涉及一种双馈风力发电机多目标混合粒子群优化设计方法：(1)确定双馈风力发电机的约束条件和待优化的设计变量，并建立子目标函数方程，构成多目标函数；(2)以待优化的设计变量构造变量空间，根据目标值优劣构造种群的非支配解集；(3)利用Pareto占优机制，进行非支配解集排序，以非支配解为核心确定种群小生境，建立粒子速度更新机制，最终获得双馈风力发电机最优设计方案；(4)按照最优设计方案制造样机，检验电机实际运行指标并与设计方案给出的指标比较，如其超出运行指标要求范围，调整性能设计方案。本发明提出的电机优化设计方法，能够提高风力发电系统整体经济效益和风能利用率。

Description

双馈风力发电机多目标混合粒子群优化设计方法

技术领域

本发明涉及电机优化设计领域，特别涉及多目标智能优化设计方法。

背景技术

随着风力发电技术的飞速发展，风电在电网中所占的份额越来越重。双馈风力发电机作为变速恒频风力发电系统的重要部件之一，其性能优劣直接关系整个风力发电系统运行的成败，因此双馈风力发电机设计及其优化研究具有重要的意义。双馈风力发电机设计不同于普通交流电机设计，设计时既要考虑风力发电应用场合的特殊性，又要考虑转子通过变频器励磁的特殊性，存在电机与变频器参数匹配问题，既要满足变速恒频风力发电的基本性能要求，又要具有较强的低电压穿越能力。

电机优化设计是一类具有复杂高维空间的有约束、非线性、混合离散多目标规划问题，需要在同时满足国家标准、用户要求以及特定约束条件下，寻求使电机多项性能指标都达到最优的设计方案。但由于电机性能指标之间彼此冲突，不存在同时满足多个性能指标的最优解，且目标函数和约束条件具有高度非线性，各变量之间存在强耦合，因此，目标函数的处理以及优化算法的构造影响电机设计方案的优劣，决定电机运行性能的好坏。

传统优化算法基于古典极值理论和传统随机算法，在电机设计的实际应用中取得了一定的成果，但逐渐凸显出一系列弊端：如基于设计变量可微的假设，依赖问题梯度性强；寻优过程受初始解制约大，优化结果往往收敛于初值附近的局部最优点，全局搜索能力差；在建模和求解中需忽略很多因素，使得算法在处理复杂问题时很难获得最佳方案。另外，传统优化算法主要用于解决单目标优化问题，对于多目标优化问题，主要是通过对目标函数加权组合将其转化为单目标进行优化，引入目标函数权重决策问题，直接影响电机设计结果及运行性能。

近年来，进化算法、群算法、禁忌搜索法、模拟退火法、人工免疫系统法等模拟某一自然现象或过程的启发式算法迅速发展，克服了传统优化算法的缺点，为解决复杂问题提供了新途径。将Pareto理论与进化算法相结合来求解多目标优化问题的新思路，更是为这些启发式优化算法在多目标优化领域的发展提供了重要的指导意义。高效的优化算法，先进的优化策略为提高电机优化设计效率，发展电机优化设计技术奠定了坚实的基础。

发明内容

为克服传统优化算法在电机设计中存在的缺点，同时根据双馈风力发电机自身设计特点，本发明从提高风力发电系统整体经济效益和风能利用率的角度出发，提出一种对双馈发电机进行多目标优化设计的方法。本发明的技术方案如下：

一种双馈风力发电机多目标混合粒子群优化设计方法，其特征在于，该优化方法包括下列步骤：

第一步：针对变速恒频风力发电系统性能指标及经济指标要求，确定双馈风力发电机的约束条件和待优化的设计变量，并选取双馈风力发电系统总成本及整体效率、双馈发电机体积和运行效率曲线平滑性作为优化目标，分别建立子目标函数方程，构成多目标函数。

第二步：以待优化的设计变量构造变量空间，根据变速恒频双馈风力发电机的约束条件确定设计数据，根据目标值优劣构造种群的非支配解集；

第三步：利用Pareto占优机制，进行非支配解集排序，以非支配解为核心确定种群小生境，建立粒子速度更新机制，根据每个粒子对应适应度值模糊自适应地调节该粒子未来的运动形态，利用基于小生境技术与聚集密度方法的变异操作，改善寻优性能，最终获得双馈风力发电机最优设计方案；

第三步：按照最优设计方案绘制双馈风力发电机各部分图纸，线切割模具，冲模、叠压、绕线、嵌线、浸漆、装配，检验电机实际运行指标并与设计方案给出的指标比较，如其超出运行指标要求范围，调整性能设计方案，重新进行优化设计；如其满足性能指标设计要求，方案定型并批量生产。

作为优选实施方式，第三步中，包括下列步骤：

①在变量空间，初始化种群P，粒子数为N，并将种群划分为N_d1个子种群；

②基于Pareto占优的思想，根据目标值优劣对种群P进行分类排序，构造不同支配等级的非支配解集，规定序号小的解集支配序号大的解集，并将第一非支配解集中粒子另存入集合Q；

③确定个体最优解P_Best：对于每个粒子，当且仅当当前的解支配过去的个体最优解P_Best时，利用当前解取代过去的P_Best，作为新的P_Best；但若当前解与原P_Best为非支配关系，将其与Q中粒子进行比较，若其被Q中粒子支配，则舍弃该解；若其不被Q中粒子支配，则将其加入Q，若该解同时还支配Q中其它粒子，则将其所支配粒子从Q中舍弃；

④确定局部最优解L_Best：若当前第一非支配解集中非支配解个数多于N_d1，则随机选取N_d1个粒子；若当前第一非支配解集中非支配解个数少于N_d1，则在次一级的非支配解集中随机选取解补齐，以此类推，直至选取粒子数为N_d1；将种群其它粒子划分为N_d1个子种群，将选取的N_d1个粒子分别分配给N_d1个子种群，使得每个子种群中含有一个所选解，它与其它粒子构成一个小生境，并将该粒子作为当前小生境中的局部最优解L_Best；

⑤确定全局最优解G_Best：判断L_Best是否均为第一非支配解集中的粒子，若均属于第一非支配解集，则随机选取一L_Best作为每个小生境粒子的全局最优解G_Best，否则在第一非支配解集中随机选取一粒子作为全局最优解G_Best；

⑥基于各粒子与最优粒子在目标函数空间的聚集距离，按照“聚集距离较大的粒子采用较大的惯性权重，聚集距离较小的粒子采用较小的惯性权重”原则确定每个粒子的惯性权重，且惯性权重的变化范围随着迭代周期的进行逐步减小，从而模糊自适应地调节各粒子未来的运行形态，动态地平衡算法局部搜索和全局搜索能力。

⑦计算每个小生境中粒子的聚集密度，确定当前小生境的多样性，同时计算小生境之间的聚集密度，确定种群总体的多样性；根据种群总体多样性的大小，确定变异粒子数，若当前种群多样性高于规定的上限值，则不进行变异；反之，进行变异操作，且随着种群多样性的减小，增加变异粒子数；选取变异粒子时，优先选取小生境聚集密度高的粒子，被确定的变异粒子重新随机生成新的位置实现变异操作，历史信息保持不变；

⑧回到步骤②执行，直到获得一个满意的结果或达到最大迭代次数为止。步⑥中，每个粒子可按照下列4个公式顺序更新速度和位置：

V_ij(k+1)＝ω×V_ij(k)+c₁×Rand₁(·)×(P_ij(k)-X_ij(k))

+c₂×Rand₂(·)×(L_ij(k)-X_ij(k))(公式1)

+c₃×Rand₃(·)×(G_j(k)-X_ij(k))

$V_{\mathrm{ij}}(k+1)=\left\{\begin{array}{cc}{V}_{j\max }& V_{\mathrm{ij}}(k+1)\≥V_{j\max }\\ V_{j\min }& V_{\mathrm{ij}}(k+1)\≤V_{j\min }\end{array}\right.$ (公式2)

X_ij(k+1)＝X_ij(k)+V_ij(k+1)(公式3)

$X_{\mathrm{ij}}(k+1)=\left\{\begin{array}{cc}{X}_{j\max }+(X_{j\max }-X_{\mathrm{ij}}(k+1))& X_{\mathrm{ij}}(k+1)\≥X_{j\max }\\ X_{j\min }+(X_{j\min }-X_{\mathrm{ij}}(k+1))& X_{\mathrm{ij}}(k+1)\≤X_{j\min }\end{array}\right.$ (公式4)

式中i——粒子编号，i＝1，2，…，N；

j——粒子维数，j＝1，2，…，D；

k——迭代次数；

ω——惯性权重；

c₁、c₂、c₃——学习因子；

Rand₁(·)、Rand₂(·)、Rand₃(·)——介于0至1的随机数；

V_ij——粒子速度；

X_ij——粒子位置；

V_jmax、V_jmin——粒子飞行速度限定值；

X_jmax、X_jmin——粒子搜索空间限定值；

P_ij——粒子经历的个体最好位置；

L_ij——小生境经历的局部最好位置；

G_j——种群经历的全局最好位置。

每次迭代时，按照下列公式动态调整ω值：

$\mathrm{\ω}={\mathrm{\ω}}_{\min }+\frac{L_i}{\underset{1\≤i\≤N}{\max }\left\{L_i\right\}}({\mathrm{\ω}}_{\max }-{\mathrm{\ω}}_{\min })$

${\mathrm{\ω}}_{\max }={\mathrm{be}}^{(-a\frac{k}{T})}$

式中ω_min、ω_max——惯性权重限定值；

L_i——各粒子与最优粒子在目标函数空间的聚集距离；

T——最大迭代次数；

k——当前迭代次数，k＝1，2，…，T；

a、b——常数或时变系数，可由ω_max初值、ω_min、T导出。

随着迭代的进行，非支配解集不断逼近Pareto最优解集，最终得到满足变速恒频双馈风力发电系统技术指标和经济指标的双馈风力发电机设计方案集。

本发明的有益效果如下：

1.采用并行优化多目标混合粒子群优化算法，获得了变速恒频双馈风力发电机多目标优化的Pareto方案集。所设计方案能够满足风力发电系统对发电机的性能要求，符合国家标准。选取双馈风力发电系统整体效率和总成本作为优化目标，降低了风电成本，提高了风电效率，增加了风电系统的成本收益。选取双馈发电机体积作为优化对象，便于电机运输安装，利于减小机舱尺寸，减轻机舱重量，使得整体外形和机械强度更为合理。选取双馈发电机效率曲线作为优化对象，提高了发电机中低速运行区的效率，使效率曲线更加平坦，增加了风能利用率。

2.提出的多目标混合粒子群算法利用Pareto占优机制确定粒子的小生境，并集粒子个体最优解、局部最优解和全局最优解信息于一体，引导粒子向最优解集运动，提高多目标粒子群优化算法求解的精度和速度，加快开发周期。同时，基于各粒子与最优粒子在目标函数空间的聚集距离，模糊自适应地调节各粒子未来的运行形态，动态地平衡算法局部搜索和全局搜索能力。利用小生境技术和聚集密度相结合的方法选取变异粒子，根据当前种群多样性状态和粒子运行周期确定变异策略，提高粒子群算法解分布的多样性。

附图说明

图1双馈风力发电机优化设计流程。

图2多目标混合粒子群优化算法流程。

最佳实施方式

在目前的风电市场中，交流励磁双馈发电机仍为变速恒频风电系统的主要机型，其性能指标关系着风电行业的稳定发展。双馈风力发电机设计不同于传统的交流电机设计，它既要考虑到风力发电场合的特殊性，又要考虑到电机因转子交流励磁，内部电磁关系的特殊性，需注意发电机与变频器参数匹配问题。除了机组质量问题，影响风电系统发展的因素还包括风电成本和上网电价问题。上网电价问题主要是通过政府政策加以落实。风电成本的降低，一方面需要在风电系统设计时，从总体结构出发，协调优化风机及机械传动机构、电机本体、控制系统等各部分成本，确定最佳设计方案；另一方面需要提高风电系统的整体效率，平坦发电机效率曲线，增大经济收益。

综合考虑以上两方面的措施，从双馈风力发电机组总体出发，提出系统总成本和系统整体效率的优化设计目标。同时，考虑到风力发电机在高空运行，给运输安装带来诸多困难，因此应尽可能减小发电机的外形尺寸，从而减小机舱的尺寸，减轻机舱重量，使得整体外形和机械强度更为合理。由于自然界风的随机性，风力发电机除了要提高额定运行点的效率，更主要的是提高中低功率输出区的运行效率，使风力发电机的运行效率曲线更为平坦，提高风能利用率。

传统优化技术使得设计者只能对单一目标进行优化，或是通过对目标函数加权组合将多目标优化问题转化为单目标优化问题，存在优化目标选择、各目标函数之间权重关系确定等决策问题，直接影响设计方案的成败，决定电机的运行性能及经济性能。本发明可以将电机多个技术指标及经济指标作为多目标函数同时优化，获得综合优化设计的Pareto方案集。

本发明电机优化设计流程如图1、图2所示，具体步骤如下：

在本实施例中针对双馈风力发电系统总成本和整体效率、双馈发电机体积和运行效率曲线平滑性四个指标作优化。

主要约束条件如下：

定子齿磁密：B_t1min≤B_t1≤B_t1max；定子轭磁密：B_j1min≤B_j1≤B_j1max；

转子齿磁密：B_t2min≤B_t2≤B_t2max；转子轭磁密：B_j2min≤B_j2≤B_j2max；

气隙磁密：B_δmin≤B_δ≤B_δmax；额定效率：η_N≥η_min；

定子绕组电流密度：J₁≤J_1max；转子绕组电流密度：J₂≤J_2max；

固有电压调整率：ΔU≤ΔU_max；电压波形正弦性畸变率：k_U≤k_Umax；

稳态短路冲击电流倍数：

暂态短路冲击电流倍数：

转子开路电压倍数：

①在变量空间，初始化种群P，粒子数为N，并将种群划分为N_d1个子种群。

在本实施例中待优化的设计变量包括：定子外径D₁、定子内径D_i1、转子内径D_i2、定子铁心长度L_i、气隙长度δ、定子每槽导体数N_t1、转子每槽导体数N_t2、定子绕组并联支路数a₁、转子绕组并联支路数a₂、定子槽数Q₁、转子槽数Q₂、定子槽形尺寸、转子槽形尺寸。优化时对定、转子槽形尺寸设计变量作如下处理：

$K_{\mathrm{bt}1}=\frac{b_{11}}{b_{t1}},$ $K_{\mathrm{bt}2}=\frac{b_{12}}{b_{t2}}$ (1)

$K_{\mathrm{hj}1}=\frac{h_{21}}{h_{j1}},$ $K_{\mathrm{hj}2}=\frac{h_{22}}{h_{j2}}$

式中K_bt1、K_bt2——分别为定、转子槽宽与齿宽之比；K_hj1、K_hj2——分别为定、转子槽高与轭高之比；b_t1、b_t2——分别为定、转子齿宽；h_j1、h_j2——分别为定、转子轭高。

在决策变量空间，初始化设计变量，并将其与公共数据(曲线：例如硅钢片磁化曲线、损耗曲线等；表格：例如导线线规等；材料属性：例如硅钢片密度、导线密度、电阻率等；以及一些经验系数)、基本数据(电机主要规格参数：例如电压、功率、转速、频率等；性能指标的规定值：例如效率、电压变化率、电压波形正弦性畸变率、短路冲击电流倍数等)等参数输入双馈风力发电机电磁计算程序，计算与迭代循环无关的常用参量(例如绕组系数、节距漏抗系数、电磁参量如每相串联导体数、功电流、定转子每极槽数、极距、齿距等)。根据这些数据，确定电机定转子槽形尺寸，在满足槽满率要求的基础上，合理选择线规，之后利用饱和系数迭代校核电机各段磁路的磁通密度及所需安匝。在电机各段磁路满足磁密约束条件下，利用T型等效电路计算电机定转子阻抗参数，进行有功功率循环迭代校核，以及满载电势系数迭代校核。迭代校核结束后，计算电机额定运行性能数据，并判别是否满足技术性能指标要求，进而获得满足各种约束条件和各项运行性能指标的设计参数。

②计算各目标值，基于Pareto占优的思想，根据目标值优劣对种群P进行分类排序，构造不同支配等级的非支配解集，规定序号小的解集支配序号大的解集，并将第一非支配解集中粒子另存入集合Q。

利用获得的设计数据，根据选取的优化性能指标，计算多目标函数值。根据目标值的优劣，基于Pareto占有思想，将设计数据进行分类排序，构造成不同支配等级的非支配解集。并规定序号靠前的解集(序号小)支配序号靠后(序号大)的解集，并将序号1中的设计数据作为当前最佳设计数据另存入一个集合。在本实施例中选取的优化目标可描述为：

f₁＝K₁(C_Gene+C_Rect+C_Mach)+K₂C_R&M

$f_2=\frac{1}{{\mathrm{\η}}_{\mathrm{\Σ}}}=\frac{1}{1-\frac{P_{\mathrm{Gene}}+P_{\mathrm{Rect}}+P_{\mathrm{Mach}}}{P_{\mathrm{Capt}}}}$ (2)

f₃＝V_Gene

$f_4=\frac{1}{{\mathrm{\η}}_{\mathrm{Gene}}}=\frac{1}{\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{k}_i{\mathrm{\η}}_i}$

式中f₁为风力发电系统总成本子目标函数方程，其中

K₁、K₂——为系统成本权因子，可根据实际情况确定不同的成本策略；

C_Gene、C_Rect、C_Mach、C_R&M——分别为双馈发电机、变频器、风机及机械传动机构、系统运行及维护的成本。C_Gene＝ω₁C_Mann+ω₂(K_CuG_Cu+K_FeG_Fe+K_InsuG_Insu)，C_Mann为电机制造成本，主要指工时和结构成本，K_Cu、K_Fe、K_Insu分别为铜、铁、绝缘材料的单价，G_Cu、G_Fe、G_Insu分别为电机铜、铁、绝缘材料的重量，ω₁、ω₂为电机成本权因子，可根据实际情况协调电机有效材料用量和制造成本之间的比例关系；

f₂为风力发电系统整体效率子目标函数方程，其中

η_∑——为变速恒频双馈风力发电系统的整体效率；

P_Gene、P_Rect、P_Mach——分别为双馈发电机、变频器、机械传动机构的损耗。

P_Gene＝P_Fe+P_Cu+P_fw+P_s，P_Fe、P_Cu、P_fw、P_s分别为双馈风力发电机铁损耗、铜损耗、

风摩损耗和杂散损耗；

P_Capt——为系统捕获的总功率；

f₃为双馈发电机体积子目标函数方程，其中

V_Gene——为双馈发电机体积；

f₄为双馈发电机效率曲线平滑性子目标函数方程，其中

η_Gene——为双馈发电机运行范围内总的效率；

η_i、k_i——分别为不同运行点下，双馈发电机运行效率和相应的权重。

将电机设计转化为多目标优化问题：

minF(x)＝min[f₁(x)，f₂(x)，…，f_n(x)]

s.t.g_i(x)≤0  i＝1，2，…m    (3)

h_j(x)＝0j＝1，2，…p

式中f_l(x)——目标函数，其中l＝1，2，…，n，n为目标函数个数；

g_i(x)——不等式约束函数，其中i＝1，2，…，m，m为不等式约束条件个数；

h_j(x)——等式约束函数，其中j＝1，2，…，p，p为等式约束条件个数。

③确定个体最优解P_Best：对于每个粒子，当且仅当当前的解支配过去的个体最优解P_Best时，利用当前解取代过去的P_Best，作为新的P_Best。但若当前解与原P_Best为非支配关系，将其与Q中粒子进行比较，若其被Q中粒子支配，则舍弃该解；若其不被Q中粒子支配，则将其加入Q，若该解同时还支配Q中其它粒子，则将其所支配粒子从Q中舍弃。

④确定局部最优解L_Best：若当前第一非支配解集中非支配解个数多于N_d1，则随机选取N_d1个粒子；若当前第一非支配解集中非支配解个数少于N_d1，则在次一级的非支配解集中随机选取解补齐，以此类推，直至选取粒子数为N_d1。将种群其它粒子划分为N_d1个子种群，将选取的N_d1个粒子分别分配给N_d1个子种群，使得每个子种群中含有一个所选解，它与其它粒子构成一个小生境，并将该粒子作为当前小生境中的局部最优解I_Best。

⑤确定全局最优解G_Best：判断L_Best是否均为第一非支配解集中的粒子，若均属于第一非支配解集，则随机选取一L_Best作为每个小生境粒子的全局最优解G_Best，否则在第一非支配解集中随机选取一粒子作为全局最优解G_Best。

⑥基于各粒子与最优粒子在目标函数空间的聚集距离，按照“聚集距离较大的粒子采用较大的惯性权重，聚集距离较小的粒子采用较小的惯性权重”原则确定每个粒子的惯性权重，且惯性权重的变化范围随着迭代周期的进行逐步减小，从而模糊自适应地调节各粒子未来的运行形态，动态地平衡算法局部搜索和全局搜索能力。

$\mathrm{\ω}={\mathrm{\ω}}_{\min }+\frac{L_i}{\underset{1\≤i\≤N}{\max }\left\{L_i\right\}}({\mathrm{\ω}}_{\max }-{\mathrm{\ω}}_{\min })---\left(4\right)$

${\mathrm{\ω}}_{\max }={\mathrm{be}}^{(-a\frac{k}{T})}$

式中ω_min、ω_max——惯性权重限定值，本实施例取ω_min＝0.4，k＝1时，ω_max为初值0.9，k＝T时，ω_max＝ω_min；

L_i——各粒子与最优粒子在目标函数空间的聚集距离；

T——最大迭代次数；

k——当前迭代次数，k＝1，2，…，T；

a、b——常数或时变系数，可由ω_max初值、ω_min、T导出。

每个粒子按照式(5)～(8)公式更新速度和位置

V_ij(k+1)＝ω×V_ij(k)+c₁×Rand₁(·)×(P_ij(k)-X_ij(k))

+c₂×Rand₂(·)×(L_ij(k)-X_ij(k))    (5)

+c₃×Rand₃(·)×(G_j(k)-X_ij(k))

$V_{\mathrm{ij}}(k+1)=\left\{\begin{array}{cc}{V}_{j\max }& V_{\mathrm{ij}}(k+1)\≥V_{j\max }\\ V_{j\min }& V_{\mathrm{ij}}(k+1)\≤V_{j\min }\end{array}\right.---\left(6\right)$

X_ij(k+1)＝X_ij(k)+V_ij(k+1)         (7)

$X_{\mathrm{ij}}(k+1)=\left\{\begin{array}{cc}{X}_{j\max }+(X_{j\max }-X_{\mathrm{ij}}(k+1))& X_{\mathrm{ij}}(k+1)\≥X_{j\max }\\ X_{j\min }+(X_{j\min }-X_{\mathrm{ij}}(k+1))& X_{\mathrm{ij}}(k+1)\≤X_{j\min }\end{array}\right.---\left(8\right)$

式中i——粒子编号，i＝1，2，…，N；

j——粒子维数，j＝1，2，…，D；

k——迭代次数；

ω——惯性权重，由公式(4)确定；

c₁、c₂、c₃——学习因子；

Rand₁(·)、Rand₂(·)、Rand₃(·)——介于0至1的随机数；

V_ij——粒子速度；

X_ij——粒子位置；

V_jmax、V_jmin——粒子飞行速度限定值；

X_jmax、X_jmin——粒子搜索空间限定值；

P_ij——粒子经历的个体最好位置；

L_ij——小生境经历的局部最好位置；

G_j——种群经历的全局最好位置。

⑦根据种群中个体间的聚集密度与种群多样性的关系：聚集密度越大，多样性越差；聚集密度越小，多样性越好，利用个体间聚集密度来刻画种群的多样性。计算个体间的聚集密度有：用相似度来计算个体间的聚集密度、用影响因子来计算个体间的聚集密度、用聚集距离来计算个体间的聚集密度等方法。本实施例利用聚集距离计算每个小生境中粒子之间的聚集密度，刻画小生境中群体的多样性；利用相似度计算小生境之间的聚集密度，刻画种群总体多样性。根据种群总体多样性的大小，确定变异粒子数。若当前种群多样性高于规定的上限值，则不进行变异；反之，进行变异操作，且随着种群多样性的减小，增加变异粒子数。选取变异粒子时，优先选取小生境聚集密度高的粒子。被确定的变异粒子重新随机生成新的位置实现变异操作，历史信息保持不变。

⑧回到步骤②执行，直到获得一个满意的结果或达到最大迭代次数为止。

随着迭代的进行，非支配解集不断逼近Pareto最优解集，最终得到满足变速恒频双馈风力发电系统技术指标和经济指标的双馈风力发电机设计方案集。

Claims (4)

1.一种双馈风力发电机多目标混合粒子群优化设计方法，其特征在于，该优化方法包括下列步骤：

第一步：针对变速恒频风力发电系统性能指标及经济指标要求，确定双馈风力发电机的约束条件和待优化的设计变量，并选取双馈风力发电系统总成本及整体效率、双馈发电机体积和运行效率曲线平滑性作为优化目标，分别建立子目标函数方程，构成多目标函数；

第二步：以待优化的设计变量构造变量空间，根据变速恒频双馈风力发电机的约束条件确定设计数据，根据目标值优劣构造种群的非支配解集；

第三步：利用Pareto占优机制，进行非支配解集排序，以非支配解为核心确定种群小生境，建立粒子速度更新机制，根据每个粒子对应适应度值模糊自适应地调节该粒子未来的运动形态，利用基于小生境技术与聚集密度方法的变异操作，改善寻优性能，最终获得双馈风力发电机最优设计方案；

第四步：按照最优设计方案绘制双馈风力发电机各部分图纸，线切割模具，冲模、叠压、绕线、嵌线、浸漆、装配，检验电机实际运行指标并与设计方案给出的指标比较，如其超出运行指标要求范围，调整性能设计方案，重新进行优化设计；如其满足性能指标设计要求，方案定型并批量生产。

2.根据双馈风力发电机多目标混合粒子群优化设计方法，其特征在于，第三步中，包括下列步骤：

①在变量空间，初始化种群P，粒子数为N，并将种群划分为N_d1个子种群；

②基于Pareto占优的思想，根据目标值优劣对种群P进行分类排序，构造不同支配等级的非支配解集，规定序号小的解集支配序号大的解集，并将第一非支配解集中粒子另存入集合Q；

③确定个体最优解P_Best：对于每个粒子，当且仅当当前的解支配过去的个体最优解P_Best时，利用当前解取代过去的P_Best，作为新的P_Best；但若当前解与原P_Best为非支配关系，将其与Q中粒子进行比较，若其被Q中粒子支配，则舍弃该解；若其不被Q中粒子支配，则将其加入Q，若该解同时还支配Q中其它粒子，则将其所支配粒子从Q中舍弃；

④确定局部最优解L_Best：若当前第一非支配解集中非支配解个数多于N_d1，则随机选取N_d1个粒子；若当前第一非支配解集中非支配解个数少于N_d1，则在次一级的非支配解集中随机选取解补齐，以此类推，直至选取粒子数为N_d1；将种群其它粒子划分为N_d1个子种群，将选取的N_d1个粒子分别分配给N_d1个子种群，使得每个子种群中含有一个所选解，它与其它粒子构成一个小生境，并将该粒子作为当前小生境中的局部最优解L_Best；

⑤确定全局最优解G_Best：判断L_Best是否均为第一非支配解集中的粒子，若均属于第一非支配解集，则随机选取一L_Best作为每个小生境粒子的全局最优解G_Best，否则在第一非支配解集中随机选取一粒子作为全局最优解G_Best；

⑥基于各粒子与最优粒子在目标函数空间的聚集距离，按照“聚集距离较大的粒子采用较大的惯性权重，聚集距离较小的粒子采用较小的惯性权重”原则确定每个粒子的惯性权重，且惯性权重的变化范围随着迭代周期的进行逐步减小，从而模糊自适应地调节各粒子未来的运行形态，动态地平衡算法局部搜索和全局搜索能力；

⑦计算每个小生境中粒子的聚集密度，确定当前小生境的多样性，同时计算小生境之间的聚集密度，确定种群总体的多样性；根据种群总体多样性的大小，确定变异粒子数，若当前种群多样性高于规定的上限值，则不进行变异；反之，进行变异操作，且随着种群多样性的减小，增加变异粒子数；选取变异粒子时，优先选取小生境聚集密度高的粒子，被确定的变异粒子重新随机生成新的位置实现变异操作，历史信息保持不变；

⑧回到步骤②执行，直到获得一个满意的结果或达到最大迭代次数为止。

3.根据权利要求2所述的双馈风力发电机多目标混合粒子群优化设计方法，其特征在于，步⑥中，每个粒子按照下列4个公式顺序更新速度和位置：

V_ij(k+1)＝ω×V_ij(k)+c₁×Rand₁(·)×(P_ij(k)-X_ij(k))

                    +c₂×Rand₂(·)×(L_ij(k)-X_ij(k))    (公式1)

                    +c₃×Rand₃(·)×(G_j(k)-X_ij(k))

$V_{\mathrm{ij}}(k+1)=\left\{\begin{array}{cc}{V}_{j\max }& V_{\mathrm{ij}}(k+1)\≥V_{j\max }\\ V_{j\min }& V_{\mathrm{ij}}(k+1)\≤V_{j\min }\end{array}\right.$ (公式2)

X_ij(k+1)＝X_ij(k)+V_ij(k+1)    (公式3)

$X_{\mathrm{ij}}(k+1)=\left\{\begin{array}{cc}{X}_{j\max }+(X_{j\max }-X_{\mathrm{ij}}(k+1))& X_{\mathrm{ij}}(k+1)\≥X_{j\max }\\ X_{j\min }+(X_{j\min }-X_{\mathrm{ij}}(k+1))& X_{\mathrm{ij}}(k+1)\≤X_{j\min }\end{array}\right.$ (公式4)

式中i——粒子编号，i＝1，2，...，N；

j——粒子维数，j＝1，2，...，D；

k——迭代次数；

ω——惯性权重；

c₁、c₂、c₃——学习因子；

Rand₁(·)、Rand₂(·)、Rand₃(·)——介于0至1的随机数；

V_ij——粒子速度；

X_ij——粒子位置；

V_jmax、V_jmin——粒子飞行速度限定值；

X_jmax、X_jmin——粒子搜索空间限定值；

P_ij——粒子经历的个体最好位置；

L_ij——小生境经历的局部最好位置；

G_j——种群经历的全局最好位置。

4.根据权利要求3所述的双馈风力发电机多目标混合粒子群优化设计方法，其特征在于，每次迭代时，按照下列公式动态调整ω值：

$\mathrm{\ω}={\mathrm{\ω}}_{\min }+\frac{L_i}{\underset{1\≤i\≤N}{\max }\left\{L_i\right\}}({\mathrm{\ω}}_{\max }-{\mathrm{\ω}}_{\min })$

${\mathrm{\ω}}_{\max }={\mathrm{be}}^{(-a\frac{k}{T})}$

式中ω_min、ω_max——惯性权重限定值；

L_i——各粒子与最优粒子在目标函数空间的聚集距离；

T——最大迭代次数；

k——当前迭代次数，k＝1，2，...，T；

a、b——常系数或时变系数，可由ω_max初值、ω_min、T导出。

Images