CN104200038B - 电工钢片磁滞损耗的Preisach模型优化设计方法 - Google Patents
电工钢片磁滞损耗的Preisach模型优化设计方法 Download PDFInfo
- Publication number
- CN104200038B CN104200038B CN201410468498.4A CN201410468498A CN104200038B CN 104200038 B CN104200038 B CN 104200038B CN 201410468498 A CN201410468498 A CN 201410468498A CN 104200038 B CN104200038 B CN 104200038B
- Authority
- CN
- China
- Prior art keywords
- function
- formula
- hysteresis ring
- magnetic
- magnetization
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Landscapes
- Soft Magnetic Materials (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明电工钢片磁滞损耗的Preisach模型优化设计方法,涉及遗传算法结合人工神经网络理论对电工钢片磁滞损耗的Preisach模型参数计算与实现,其步骤是:基于Preisach磁滞损耗数学模型,选取模型中磁偶极子的正向翻转阈值α和负向翻转阈值β以及极限磁滞回环函数M()作为优化变量,将磁通密度B作为优化目标,通过神经网络训练拟合函数寻优以及遗传算法极值寻优得到模型4个参数α、β、极限磁滞回环函数上升支Mu()和下降支Md()的最优值;并在算法执行步骤与流程设计的基础上,利用极限磁滞回环的对称性,拟合得到完整的最优磁滞回环用于对电工钢片磁滞损耗进行计算。本发明不仅使电工钢片磁滞损耗从理论上更为深入,提高其计算结果的准确性与可靠性,而且易于实现,适于实际的工业应用。
Description
技术领域
本发明的技术方案涉及遗传算法结合人工神经网络理论对电工钢片磁滞损耗的Preisach模型参数计算与实现的优化设计,具体地说是通过仿真计算来获得影响Preisach模型的最优参数取值,其完整的最优磁滞回环用于对电工钢片磁滞损耗进行计算。
背景技术
电工钢片广泛应用于电气工程领域,如电力变压器、电机等铁心部件,是直接影响电工设备电气性能的最关键部分。电工钢片的性能直接影响到电气设备的运行性能,提高电力变压器、电机等电工设备工作性能和运行效率并降低能耗的最有效途径是解决其铁心损耗等问题,这也是国际电工领域的前沿和热点问题。CN202978171U公开了一种减少磁滞损耗和涡流损耗的防振锤,它包括线夹本体以及位于线夹本体下端的通孔,通孔内设置软轴,软轴的两端设置防振锤头,且线夹本体为工程塑料,软轴为玻璃纤维弹性棒。这样,它们不全是导电体,也不全是导磁体,所以可以有效减少磁滞损耗和涡流损坏。CN103745124A公开了一种不同截面积磁芯损耗计算方法:首先在给定的工作频率、磁通密度变化量条件下分离磁滞损耗和涡流损耗,然后通过计算实际工程中选用的磁芯与产品规格书中测试磁芯的截面积差异,将这种差异计入到涡流损耗的计算中,无需依赖专门仪器即可有效分析不同截面积对磁芯损耗的影响,可广泛适用于仿真软件模拟在电力电子应用中不同截面积磁芯的损耗大小。上述减小或者计算电工材料的磁滞损耗,都是通过提出方法或外接其他介质等,其缺点主要是,增加了工业成本,需要繁琐的试验工序且不易操作等。
因此,基于快速、高效的目的,通过算法理论研究,对电工钢片磁滞损耗的Preisach模型进行优化设计成为一个重要的研究课题,具有重要的理论意义与实际应用价值。
发明内容
本发明所要解决的技术问题是:在不增加工业成本及快速、高效的前提下,通过简单操作对电工钢片磁滞损耗的Preisach模型进行优化设计,提高其磁滞损耗计算结果的准确性与可靠性,并适于实际的工业应用。
本发明解决该技术问题所采用的技术方案是:电工钢片磁滞损耗的Preisach模型优化设计方法,涉及遗传算法结合人工神经网络理论对电工钢片磁滞损耗的Preisach模型参数计算与实现,其步骤是:基于Preisach磁滞损耗数学模型,选取模型中磁偶极子的正向翻转阈值α和负向翻转阈值β以及极限磁滞回环函数M()作为优化变量,将磁通密度B作为优化目标,通过神经网络训练拟合函数寻优以及遗传算法极值寻优得到模型4个参数α、β、极限磁滞回环函数上升支Mu()和下降支Md()的最优值;并在算法执行步骤与流程设计的基础上,利用极限磁滞回环的对称性,拟合得到完整的最优磁滞回环用于对电工钢片磁滞损耗进行计算。
上述电工钢片磁滞损耗的Preisach模型优化设计方法,所述的变量优化是基于Preisach数学模型,假设磁偶极子的正向翻转阈值α和负向翻转阈值β呈统计分布,并以非负二元函数μ(α,β)表示磁偶极子的分布密度,则磁滞模型为:
式中:M表示磁化强度;S代表磁偶极子的统计学密度分布的正负向完整区域;S+、S-分别是+BS和-BS状态磁偶极子在α和β的变量值所构成坐标系中的对应区域,BS为饱和磁通密度;rαβ()代表单元磁滞算子,算子的输出为1或-1,分别对应于“开”状态和“关”状态,由算子的当前输入和历史状态共同决定;根据铁磁性物质磁偶极子分布密度函数μ(α,β)的特性,可推算得到任意磁化条件下的磁滞回环表达式,如下:
设磁化轨迹起始点对应的磁场强度为Ha,计算过程中的磁场强度为H,则起始于该点的磁化轨迹上升支可表示为
M1(H)=Mo(Ha)+2T(Ha,H) (2)
磁化轨迹下降支为
M2(H)=Mo(Ha)-2T(Ha,H) (3)
上述(2)、(3)式中,Mo()为初始磁化曲线;T()为待定函数,可以通过下述相关函数关系加以求解,即:
式中,Mu()、Md()分别对应极限磁滞回环的上升支和下降支函数,F()为过渡计算所引入的分段函数;且由(4)式可知,在获得极限磁滞回环的上升和下降支条件时,联合式(5)~(7),即可解得任意磁化情况下磁滞回环的表达式。
同时,利用磁滞回环的对称关系,还可得到磁滞回环与初始磁化曲线Mo()之间的关系,如下:
式(5)表明,只需获得极限磁滞回环下降支的数据,即可通过式(2)~(5)得到完整的不同磁化条件下的磁化轨迹曲线;求得α、β即可确定μ(α,β)、T(α,β)、F(α)和F(-β),由磁场强度H结合式(5)就能求解得到极限磁滞回环的上升支Mu(H)和下降支Md(H);若同时利用关系式B=μ0(H+M),其中B为磁通密度,μ0表示真空磁导率,即可转换成工程中应用较多的B-H曲线。
上述电工钢片磁滞损耗的Preisach模型优化设计方法,所述的优化目标函数是基于最小二乘法原理而建立的,由于选用的是独立优化目标变量B,则建立目标函数如下:
式中:Hc、Ht分别表示磁场强度H的计算值和试验值,x代表目标函数的输入变量,k为正整数且k∈[1,∞)。
上述电工钢片磁滞损耗的Preisach模型优化设计方法,所述的基于参数神经网络训练拟合函数寻优以及遗传算法极值寻优方法,其算法执行步骤与流程设计见图2,求解目标函数式(6),结合式(2)~(5)代入计算,便能得到α,β,Mu()和Md()的最优值。
神经网络训练拟合根据寻优函数的特点构建合适的BP三层反向传播神经网络:输入层有一个神经元,对应输入量为磁场强度H;隐含层有多个神经元,选取双曲正切S型激活函数;输出层有一个神经元,对应某点的磁化强度M,输出层采用线性激活函数f(x)
式中,b为截距;且公式(6)代表的目标函数即为求取公式(7)所示函数f(x)的最小值。
神经网络训练完成后就可以用来描述输入磁场强度H与输出磁化强度M之间的映射关系,从而代入磁滞模型(1)中实现计算功能,得到磁滞回环的表达式。
上述电工钢片磁滞损耗的Preisach模型优化设计方法,所述的用于电工钢片磁滞损耗计算的完整的最优磁滞回环获得是利用公式(5)中给出的极限磁滞回环的上升支函数和下降支函数的对称关系,即Mu(H)=-Md(-H),可知,只需采用磁滞回环的下降支作为样本,将人工神经网络结合遗传算法训练和优化后的参数值代入磁滞模型进行拟合,求得一般磁化条件下的磁化轨迹,进而转化获得Preisach模型的完整的最优磁滞回环。这可以大幅度提高样本的数量,同时得到较高的网络训练效率。
本发明的有益效果是:①基本不增加工业成本及外接其他介质;②通过简单操作对电工钢片磁滞损耗的Preisach模型进行优化设计,提高了磁滞损耗计算结果的准确性与可靠性,并适于实际的工业应用。
附图说明
下面结合附图和实施例对本发明进一步说明。
图1为本发明电工钢片磁滞损耗的Preisach模型的优化设计流程示意框图。
图2为本发明电工钢片磁滞损耗的Preisach模型的优化设计算法执行步骤与流程设计图。
具体实施方式
图1所示实施例表明,本发明电工钢片磁滞损耗的Preisach模型优化设计方法的流程是:基于Preisach磁滞损耗数学模型,选取模型中磁偶极子的正向翻转阈值α和负向翻转阈值β以及极限磁滞回环函数M()作为优化变量,将磁通密度B作为优化目标,通过神经网络训练拟合函数寻优以及遗传算法极值寻优得到模型4个参数α、β、极限磁滞回环函数上升支Mu()和下降支Md()的最优值;并在算法执行步骤与流程设计的基础上,利用极限磁滞回环的对称性,拟合得到完整的最优磁滞回环用于对电工钢片磁滞损耗进行计算。
图2所示实施例表明,本发明电工钢片磁滞损耗的Preisach模型优化设计算法执行步骤与流程设计图。优化程序由两部分组成:神经网络训练拟合和遗传算法极值寻优。遗传算法虽然对于寻优问题有很好的自适应优化能力,但是它不具备自适应学习能力,难以单独有效地作为一种控制方法研究,但由于遗传算法能够收敛到全局最优解,且遗传算法的鲁棒性强,将遗传算法与神经网络融合起来不仅能发挥神经网络的泛化映射能力,而且使神经网络具有很快的收敛性以及较强的学习能力。遗传算法具有全局搜索的特性且不依赖梯度信息,也不需要求解函数可微,只需要求解函数在约束条件下可解,用它优化神经网络的连接权和网络结构,可以较好地克服BP神经网络的问题并且有效提高神经网络的泛化性能。遗传算法和神经网络的融合对于寻求全局最优解其效果要优于单个的使用遗传算法或神经网络。
Claims (1)
1.电工钢片磁滞损耗的Preisach模型优化设计方法,其特征在于涉及遗传算法结合人工神经网络理论对电工钢片磁滞损耗的Preisach模型参数计算与实现,其具体步骤是:
变量优化是基于Preisach数学模型,假设磁偶极子的正向翻转阈值α和负向翻转阈值β呈统计分布,并以非负二元函数μ(α,β)表示磁偶极子的分布密度,则磁滞模型为:
式中:M表示磁化强度;S代表磁偶极子的统计学密度分布的正负向完整区域;S+、S-分别是+BS和-BS状态磁偶极子在α和β的变量值所构成坐标系中的对应区域,BS为饱和磁通密度;rαβ()代表单元磁滞算子,算子的输出为1或-1,分别对应于“开”状态和“关”状态,由算子的当前输入和历史状态共同决定;根据铁磁性物质磁偶极子分布密度函数μ(α,β)的特性,可推算得到任意磁化条件下的磁滞回环表达式,如下:
设磁化轨迹起始点对应的磁场强度为Ha,计算过程中的磁场强度为H,则起始于该点的磁化轨迹上升支可表示为
M1(H)=Mo(Ha)+2T(Ha,H) (2)
磁化轨迹下降支为
M2(H)=Mo(Ha)-2T(Ha,H) (3)
上述(2)、(3)式中,Mo()为初始磁化曲线;T()为待定函数,可以通过下述相关函数关系加以求解,即:
式中,Mu()、Md()分别对应极限磁滞回环的上升支和下降支函数,F()为过渡计算所引入的分段函数;且由(4)式可知,在获得极限磁滞回环的上升和下降支条件时,联合式(5)~(7),即可解得任意磁化情况下磁滞回环的表达式;同时,利用磁滞回环的对称关系,还可得到磁滞回环与初始磁化曲线Mo()之间的关系,如下:
式(5)表明,只需获得极限磁滞回环下降支的数据,即可通过式(2)~(5)得到完整的不同磁化条件下的磁化轨迹曲线;求得α、β即可确定μ(α,β)、T(α,β)、F(α)和F(-β),由磁场强度H结合式(5)就能求解得到极限磁滞回环的上升支Mu(H)和下降支Md(H);若同时利用关系式B=μ0(H+M),其中B为磁通密度,μ0表示真空磁导率,即可转换成工程中应用较多的B-H曲线;优化目标函数是基于最小二乘法原理而建立的,由于选用的是独立优化目标变量B,则建立目标函数如下:
式中:Hc、Ht分别表示磁场强度H的计算值和试验值,x代表目标函数的输入变量,k为正整数且k∈[1,∞);基于参数神经网络训练拟合函数寻优以及遗传算法极值寻优方法,进行算法执行步骤与流程设计,求解目标函数式(6),结合式(2)~(5)代入计算,便能得到α,β,Mu()和Md()的最优值;神经网络训练拟合根据寻优函数的特点构建合适的BP三层反向传播神经网络:输入层有一个神经元,对应输入量为磁场强度H;隐含层有多个神经元,选取双曲正切S型激活函数;输出层有一个神经元,对应某点的磁化强度M,输出层采用线性激活函数f(x)
式中,b为截距;且公式(6)代表的目标函数即为求取公式(7)所示函数f(x)的最小值;神经网络训练完成后就可以用来描述输入磁场强度H与输出磁化强度M之间的映射关系,从而代入磁滞模型(1)中实现计算功能,得到磁滞回环的表达式;同时,利用公式(5)中给出的极限磁滞回环的上升支函数和下降支函数的对称关系,即Mu(H)=-Md(-H),可知,只需采用磁滞回环的下降支作为样本,将人工神经网络结合遗传算法训练和优化后的参数值代入磁滞模型进行拟合,求得一般磁化条件下的磁化轨迹,进而转化获得Preisach模型的完整的最优磁滞回环。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410468498.4A CN104200038B (zh) | 2014-09-15 | 2014-09-15 | 电工钢片磁滞损耗的Preisach模型优化设计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410468498.4A CN104200038B (zh) | 2014-09-15 | 2014-09-15 | 电工钢片磁滞损耗的Preisach模型优化设计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104200038A CN104200038A (zh) | 2014-12-10 |
CN104200038B true CN104200038B (zh) | 2019-03-29 |
Family
ID=52085331
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410468498.4A Active CN104200038B (zh) | 2014-09-15 | 2014-09-15 | 电工钢片磁滞损耗的Preisach模型优化设计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104200038B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110188480B (zh) * | 2019-05-31 | 2020-12-08 | 华北电力大学(保定) | 一种直流偏磁条件下铁磁材料的磁滞特性模拟分析系统和方法 |
CN110456290B (zh) * | 2019-08-19 | 2021-09-14 | 武汉钢铁有限公司 | 一种剪切加工对变压器用硅钢片损耗影响的评价方法 |
CN111044956B (zh) * | 2019-11-28 | 2021-05-11 | 浙江大学 | 一种磁滞损耗的估算方法 |
CN112083362B (zh) * | 2020-09-10 | 2021-09-24 | 华北电力大学 | 基于可逆磁化分量的电工钢片磁滞特性预测方法及系统 |
CN117725846B (zh) * | 2024-02-18 | 2024-05-10 | 四川大学 | 一种基于深度学习的低周疲劳寿命预测方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101567617A (zh) * | 2009-03-06 | 2009-10-28 | 北京理工大学 | 一种圆筒型直线电机结构参数优化设计方法 |
-
2014
- 2014-09-15 CN CN201410468498.4A patent/CN104200038B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101567617A (zh) * | 2009-03-06 | 2009-10-28 | 北京理工大学 | 一种圆筒型直线电机结构参数优化设计方法 |
Non-Patent Citations (1)
Title |
---|
钢中涡流和磁滞损耗问题;程志光等;《变压器》;19990930;第36卷(第9期);正文第1-4页 |
Also Published As
Publication number | Publication date |
---|---|
CN104200038A (zh) | 2014-12-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104200038B (zh) | 电工钢片磁滞损耗的Preisach模型优化设计方法 | |
CN105868513B (zh) | 基于暂态计算网络等效的电磁暂态仿真新增模型开发方法 | |
CN105550435A (zh) | 一种基于变压器分段模型的绕组漏磁与电动力计算方法 | |
CN109494714B (zh) | 一种协调分布式潮流控制器多目标控制的优化方法 | |
CN105137999A (zh) | 一种具有输入饱和的飞行器跟踪控制直接法 | |
CN103279625A (zh) | 不同结构变压器铁心等值电路模型建立方法 | |
CN106649935A (zh) | 一种特高压变压器空载直流偏磁励磁电流实时计算方法 | |
Zobaa et al. | Bi-Level damped double-tuned harmonic passive filters design: Multi-criteria decision-making analysis | |
Tian et al. | Application of the particle swarm optimization algorithm-back propagation neural network algorithm introducing new parameter terms in the application field of industrial design | |
CN110175627A (zh) | 一种基于知识重组的复杂分类方法 | |
Zhang et al. | An improved salp swarm algorithm with spiral flight search for optimizing hybrid active power filters’ parameters | |
Zhou et al. | Structural parameters optimization of permanent magnet spherical motor based on BP neural network model | |
CN104102955A (zh) | 一种基于抽象凸估计选择差分进化算法的电力线路规划方法 | |
CN109543240B (zh) | 一种基于动态区域饱和j-a理论的电流互感器建模方法 | |
CN105305446A (zh) | 基于智能控制的谐波电流跟踪方法 | |
CN102185808B (zh) | 一种快速收敛的免疫克隆正交小波变换盲均衡方法 | |
CN105046355A (zh) | 一种基于改进思维进化算法的系统能耗建模方法 | |
Yang et al. | A golden ratio-based genetic algorithm and its application in traffic signal timing optimization for urban signalized intersections | |
CN107908906B (zh) | 一种风电场升压变压器励磁涌流现象仿真方法 | |
CN107658880B (zh) | 基于关联矩阵运算的快速分解法系数矩阵计算方法 | |
CN106126819B (zh) | 一种隔离开关触头形状的优化方法 | |
Tulay et al. | Boost PFC PI control by using heuristic optimization method | |
CN108520148A (zh) | 一种用于光伏隔离变压器涡流分析 | |
CN105469140A (zh) | 一种心音小波神经网络的构造方法 | |
Tayseer et al. | Optimum design of spacer material of gas-insulated switchgear by utilizing the technology of functionally graded material using different artificial optimization techniques |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |