CN108717488A - 一种强迫风冷散热系统热结构的多目标优化设计方法 - Google Patents

一种强迫风冷散热系统热结构的多目标优化设计方法 Download PDF

Info

Publication number
CN108717488A
CN108717488A CN201810474420.1A CN201810474420A CN108717488A CN 108717488 A CN108717488 A CN 108717488A CN 201810474420 A CN201810474420 A CN 201810474420A CN 108717488 A CN108717488 A CN 108717488A
Authority
CN
China
Prior art keywords
individual
cooling system
indicate
forced air
population
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.)
Pending
Application number
CN201810474420.1A
Other languages
English (en)
Inventor
曾国强
王琳
陆康迪
吴烈
戴瑜兴
张正江
王环
李理敏
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wenzhou University
Original Assignee
Wenzhou University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Wenzhou University filed Critical Wenzhou University
Priority to CN201810474420.1A priority Critical patent/CN108717488A/zh
Publication of CN108717488A publication Critical patent/CN108717488A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Genetics & Genomics (AREA)
  • Data Mining & Analysis (AREA)
  • Physiology (AREA)
  • Geometry (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Computer Hardware Design (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种强迫风冷散热系统热结构的多目标优化设计方法。本发明从多目标优化的角度，首先将强迫风冷散热系统热结构优化设计问题转化为一个同时考虑散热系统热阻、压降、总重量等性能指标的典型多目标约束优化问题，然后采用一种基于非支配排序遗传优化求解方法进行优化求解，从而获得满足散热系统热阻、压降、总重量等多性能指标需求的最优热结构设计参数。采用本发明可以获得同时满足散热系统热阻、压降、总重量等多性能指标需求的折中设计方案，具有现有技术所不具备的以下优点：在保证相同的散热系统热阻和压降性能的情况下，所设计的强迫风冷散热系统的总重量更小。

Description

一种强迫风冷散热系统热结构的多目标优化设计方法
技术领域
本发明涉及电力电子技术领域智能热设计技术，特别涉及一种强迫风冷散热系统热结构的多目标优化设计方法。
背景技术
由于强迫风冷散热系统具有散热效果好、可靠性高、系统结构简单和经济成本较低等优势，在大功率电力电子器件及其装置的高效散热中得到了广泛应用。近年来，大容量电力电子系统对强迫风冷散热系统在低热阻、小型化和轻量化等多性能指标上提出了更高的要求，因此强迫风冷散热系统热结构优化设计问题越来越受到了学术界和工业界的高度重视。
鉴于熵产最小化原理可以综合评价散热系统热阻和压降对散热性能的组合效应，因此强迫风冷散热系统热结构优化设计领域目前主要采用如下基本方法：首先基于熵产最小化原理设计优化目标函数，然后采用遗传算法、粒子群优化算法、蜂群算法等优化算法对熵产进行最小化的优化求解，从而获得热结构的优化设计参数。但是，现有方法通常都是基于经验构造的加权函数进行优化，基本上局限于单目标优化算法，难以获得最优设计方案；更值得强调的是，现有方法鲜有同时考虑散热系统的热阻、压降以及总重量这些相互冲突的性能指标。
实际上，同时满足散热系统热阻、压降、总质量等多性能指标需求的强迫风冷散热系统热结构优化设计问题本质上属于典型的多目标约束优化问题。但是，现有技术鲜有从多目标约束优化的角度对强迫风冷散热系统热结构优化问题进行研发。
发明内容
本发明的目的在于针对现有技术的不足，提供了一种强迫风冷散热系统热结构的多目标优化设计方法。
本发明的目的是通过以下技术方案来实现的：一种强迫风冷散热系统的热结构多目标优化设计方法，该方法包括以下步骤：
(1)从多目标优化的角度，将强迫风冷散热系统热结构优化设计问题转化为一个同时考虑散热系统热阻、压降、总重量等性能指标的典型多目标优化问题，即建立如公式(1)～(5)所示的强迫风冷散热系统热结构优化设计的多目标优化数学模型：
min F(x)＝(f1(x),f2(x),f3(x)),其中x＝(x1,x2,x3)
满足:
L1＜x1＜U1
L2＜x2＜U2
L3＜x3＜U3
其中，x表示待优化的决策向量，x＝(x1,x2,x3)，x1、x2、x3分别表示强迫风冷散热系统的翅片高度、翅片厚度、翅片数目，f1(x)表示x对应的散热系统热阻，f2(x)表示x对应的散热系统压降，f3(x)表示x对应的散热系统总重量，h1表示上基板厚度，h2表示下基板厚度，L表示总长度，W表示总宽度，ρ表示空气密度，ρh为散热系统材料的密度，v为空气流速，V为空气运动粘度系数，kc为散热系统材料的非饰面粗糙度，ks为散热系统导热系数，L1和U1分别表示x1的下界和上界，L2和U2分别表示x2的下界和上界，L3和U3分别表示x3的下界和上界，表示自然数；
(2)设置基于非支配排序遗传优化求解方法的参数值，包括种群规模NP，最大进化代数Imax，交叉操作的分布指数γ，变异操作的分布指数η，令当前迭代次数t＝0；
(3)采用十进制编码随机产生一个满足如公式(5)所示约束条件的初始父代种群P0＝{S1,S2,…,SNP}，种群规模为NP，第i个个体Si＝x，i＝1,2,…,NP；对每个个体Si中的变量进行检测，若Si小于x的下界值，则Si＝(L1,L2,L3)；若Si大于x的上界值，则Si＝(U1,U2,U3)；
(4)依据公式(1)～(4)计算P0中每个个体Si的多目标适应度值Fi(x)，按照Fi(x)对父代种群每个个体进行快速非支配分层排序，并按照如下步骤(4.1)～(4.4)计算每一层个体的拥挤度距离：
(4.1)对每一层的个体按照适应度值进行排序；
(4.2)初始化每一层中个体的拥挤度距离：dj＝0，其中j＝1,…,n,n是该层包含的个体数目，dj表示每一层中第j个个体的拥挤度距离；
(4.3)为保留每一层两端的个体，设置每一层中第1个和第n个个体的拥挤度距离为：d1＝dn＝∞；
(4.4)按照公式(6)求出每一层中其它个体的拥挤度距离：
式中F(j+1)1，F(j+1)2和F(j+1)3分别表示第(j+1)个体在目标函数f1，f2和f3上的适应度值，F(j-1)1，F(j-1)2和F(j-1)3分别表示第(j-1)个体在目标函数f1，f2和f3上的适应度值；
(5)执行选择操作，从当前种群Pt中随机选取两个个体，再根据个体的分层情况和拥挤度距离选取其中较好个体，重复此操作直到从Pt中选出NP个个体；
(6)对选出的NP个个体执行交叉操作和变异操作生成子代群体Qt，其中交叉操作的具体实现如公式(7)所示，变异操作如公式(8)所示；
其中p1l和p2l分别表示父代1和父代2中第l个变量的数值，s1l和s2l分别表示经过交叉操作后产生的子代1和子代2中第l个变量的数值，γ表示交叉操作的分布指数；
其中pkl表示交叉操作后获得的第k个个体中第l个变量的数值，表示pkl的上限值，表示pkl的下限值，skl表示经过变异操作后产生的第k个个体中第l个变量的数值，η是变异操作的分布指数；
(7)合并父代种群Pt和子代种群Qt形成新的种群Rt，即Rt＝Pt∪Qt；
(8)按照公式(1)～(4)计算Rt的适应度值，根据非支配排序对群体Rt中的每个个体分层，按照步骤(4.1)～(4.4)计算拥挤度距离；再根据分层情况和拥挤度距离从种群Rt中择优选择NP个个体作为下一代种群Pt+1；
(9)判断中止条件t≥Imax是否成立？若是，则转向步骤(10)；若否，令t＝t+1,返回步骤(5)；
(10)将最后一代种群的解作为最优的Pareto解集，从Pareto解集中选取排序最小的解作为最优的热结构设计参数，从而获得最优的翅片高度、翅片厚度和翅片数目，并获得最优的散热系统热阻、压降、总质量。
本发明的有益效果是：采用本发明可以获得同时满足散热系统热阻、压降、总重量等多性能指标需求的折中设计方案，具有现有技术所不具备的以下优点：在保证相同的散热系统热阻和压降性能的情况下，所设计的强迫风冷散热系统的总重量更小。
附图说明
图1为强迫风冷散热系统的结构示意图；
图2为强迫风冷散热系统热结构的多目标优化设计方法原理示意图。
具体实施方式
下面结合附图对本发明进一步说明，本发明的目的和效果将更加明显。
图1为强迫风冷散热系统的结构示意图；本实施例中，h1＝0.023米，h2＝0.062米，L＝W＝0.54米，x1、x2、x3分别表示待设计强迫风冷散热系统的翅片高度、翅片厚度、翅片数目；
图2为强迫风冷散热系统的热结构多目标优化设计方法原理示意图；
将如图1所示的强迫风冷散热系统作为本发明专利的实施例，采用如图2所示的一种强迫风冷散热系统热结构的多目标优化设计方法进行具体实施，具体包括以下步骤：
(1)从多目标优化的角度，将强迫风冷散热系统热结构优化设计问题转化为一个同时考虑散热系统热阻、压降、总重量等性能指标的典型多目标优化问题，即建立如公式(1)～(5)所示的强迫风冷散热系统热结构优化设计的多目标优化数学模型：
min F(x)＝(f1(x),f2(x),f3(x)),其中x＝(x1,x2,x3)
(1)
满足:
L1＜x1＜U1
L2＜x2＜U2
L3＜x3＜U3
其中，x表示待优化的决策向量，x＝(x1,x2,x3)，x1、x2、x3分别表示强迫风冷散热系统的翅片高度、翅片厚度、翅片数目，f1(x)表示x对应的散热系统热阻，f2(x)表示x对应的散热系统压降，f3(x)表示x对应的散热系统总重量，h1表示上基板厚度，h2表示下基板厚度，L表示总长度，W表示总宽度，ρ表示空气密度，ρh为散热系统材料的密度，v为空气流速，V为空气运动粘度系数，kc为散热系统材料的非饰面粗糙度，ks为散热系统导热系数，L1和U1分别表示x1的下界和上界，L2和U2分别表示x2的下界和上界，L3和U3分别表示x3的下界和上界，本实施例中，h1＝0.023米，h2＝0.062米，L＝W＝0.54米，v＝8.5米/秒，ks＝203，ρh＝2700，
ρ＝1.13，L1＝0，L2＝0.0001，L3＝2，U1＝0.15，U2＝0.008，U3＝300；
(2)设置基于非支配排序遗传优化求解方法的参数值，包括种群规模NP＝30，最大进化代数Imax＝100，交叉操作的分布指数γ＝20，变异操作的分布指数η＝18，令当前迭代次数t＝0；
(3)采用十进制编码随机产生一个满足如公式(5)所示约束条件的初始父代种群P0＝{S1,S2,…,SNP}，种群规模为NP，第i个个体Si＝x，i＝1,2,…,NP；对每个个体Si中的变量进行检测，若Si小于x的下界值，则Si＝(L1,L2,L3)；若Si大于x的上界值，则Si＝(U1,U2,U3)；
(4)依据公式(1)～(4)计算P0中每个个体Si的多目标适应度值Fi(x)，按照Fi(x)对父代种群每个个体进行快速非支配分层排序，并按照如下步骤(4.1)～(4.4)计算每一层个体的拥挤度距离：
(4.1)对每一层的个体按照适应度值进行排序；
(4.2)初始化每一层中个体的拥挤度距离：dj＝0，其中j＝1,…,n,n是该层包含的个体数目，dj表示每一层中第j个个体的拥挤度距离；
(4.3)为保留每一层两端的个体，设置每一层中第1个和第n个个体的拥挤度距离为：d1＝dn＝∞；
(4.4)按照公式(6)求出每一层中其它个体的拥挤度距离：
式中F(j+1)1，F(j+1)2和F(j+1)3分别表示第(j+1)个体在目标函数f1，f2和f3上的适应度值，F(j-1)1，F(j-1)2和F(j-1)3分别表示第(j-1)个体在目标函数f1，f2和f3上的适应度值；
(5)执行选择操作，从当前种群Pt中随机选取两个个体，再根据个体的分层情况和拥挤度距离选取其中较好个体，重复此操作直到从Pt中选出NP个个体；
(6)对选出的NP个个体执行交叉操作和变异操作生成子代群体Qt，其中交叉操作的具体实现如公式(7)所示，变异操作如公式(8)所示；
其中p1l和p2l分别表示父代1和父代2中第l个变量的数值，s1l和s2l分别表示经过交叉操作后产生的子代1和子代2中第l个变量的数值，γ表示交叉操作的分布指数；
其中pkl表示交叉操作后获得的第k个个体中第l个变量的数值，表示pkl的上限值，表示pkl的下限值，skl表示经过变异操作后产生的第k个个体中第l个变量的数值，η是变异操作的分布指数；
(7)合并父代种群Pt和子代种群Qt形成新的种群Rt，即Rt＝Pt∪Qt；
(8)按照公式(1)～(4)计算Rt的适应度值，根据非支配排序对群体Rt中的每个个体分层，按照步骤(4.1)～(4.4)计算拥挤度距离；再根据分层情况和拥挤度距离从种群Rt中择优选择NP个个体作为下一代种群Pt+1；
(9)判断中止条件t≥Imax是否成立？若是，则转向步骤(10)；若否，令t＝t+1,返回步骤(5)；
(10)将最后一代种群的解作为最优的Pareto解集，从Pareto解集中选取排序最小的解作为最优的热结构设计参数，即最优的翅片高度＝0.1338米、翅片厚度＝0.0018米和翅片数目＝146，并获得最优的散热系统热阻＝0.039、压降＝298.51、总重量＝63.97。
本发明实施后获得的效果：相比现有技术，本发明技术获得了同时满足散热系统热阻、压降、总质量等多性能指标需求的折中设计方案；本发明实施后的强迫风冷散热系统最高温度为63.21摄氏度，比现有技术获得的最高温度至少降低了1.61摄氏度；在保证相同的散热系统热阻和压降性能的情况下，所设计的强迫风冷散热系统的总重量至少可降低11.44％。
综上所述，采用本发明技术获得了同时满足散热系统热阻、压降、总质量等多性能指标需求的折中设计方案，具有现有技术所不具备的以下优点：在保证相同的散热系统热阻和压降性能的情况下，所设计的强迫风冷散热系统的总重量更小。

Claims (5)

1.一种强迫风冷散热系统热结构的多目标优化设计方法，其特征在于，该方法包括以下步骤：
(1)从多目标优化的角度，将强迫风冷散热系统热结构优化设计问题转化为一个同时考虑散热系统热阻、压降、总重量这三个性能指标的典型多目标约束优化问题，即建立如公式(1)～(5)所示的强迫风冷散热系统热结构优化设计的多目标优化数学模型：
min F(x)＝(f1(x),f2(x),f3(x)),其中x＝(x1,x2,x3) (1)
满足:
其中，x表示待优化的决策向量，x＝(x1,x2,x3)，x1、x2、x3分别表示强迫风冷散热系统的翅片高度、翅片厚度、翅片数目，f1(x)表示x对应的散热系统热阻，f2(x)表示x对应的散热系统压降，f3(x)表示x对应的散热系统总重量，h1表示上基板厚度，h2表示下基板厚度，L表示总长度，W表示总宽度，ρ表示空气密度，ρh为散热系统采用材料的密度，v为空气流速，V为空气运动粘度系数，kc为散热系统采用材料的非饰面粗糙度，ks为散热系统导热系数，L1和U1分别表示x1的下界和上界，L2和U2分别表示x2的下界和上界，L3和U3分别表示x3的下界和上界，表示自然数。
(2)设置基于非支配排序遗传优化求解方法的参数值，包括种群规模NP，最大进化代数Imax，交叉操作的分布指数γ，变异操作的分布指数η，令当前迭代次数t＝0。
(3)采用十进制编码随机产生一个满足如公式(5)所示约束条件的初始父代种群P0＝{S1,S2,…,SNP}，种群规模为NP，第i个个体Si＝x，i＝1,2,…,NP；对每个个体Si中的变量进行检测，若Si小于x的下界值，则Si＝(L1,L2,L3)；若Si大于x的上界值，则Si＝(U1,U2,U3)。
(4)依据公式(1)～(4)计算P0中每个个体Si的多目标适应度值Fi(x)，按照Fi(x)对父代种群P0中每个个体进行快速非支配分层排序，并计算每一层个体的拥挤度距离。
(5)执行选择操作，从当前种群Pt中随机选取两个个体，再根据这两个个体的分层情况和拥挤度距离选取其中较好的个体，重复此操作直到从Pt中选出NP个个体。
(6)对选出的NP个个体执行交叉操作和变异操作，从而生成子代群体Qt。
(7)合并父代种群Pt和子代种群Qt形成新的种群Rt，即Rt＝Pt∪Qt。
(8)按照公式(1)～(4)计算Rt的适应度值，根据快速非支配排序对群体Rt中每个个体进行分层，按照步骤(4.1)～(4.4)计算Rt中每个个体的拥挤度距离；再根据分层情况和拥挤度距离从种群Rt中择优选择NP个个体作为下一代种群Pt+1。
(9)判断终止条件t≥Imax是否成立？若是，则转向步骤(10)；若否，令t＝t+1,返回步骤(5)。
(10)将最后一代种群作为最优的Pareto解集，从Pareto解集中选取排序最小的解作为最优的热结构设计参数，即获得最优的翅片高度、翅片厚度和翅片数目，并获得最优的散热系统热阻、压降、总质量。
2.根据权利要求1所述强迫风冷散热系统热结构的多目标优化设计方法，其特征在于，所述步骤(4)中，所述计算每一层个体的拥挤度距离具体包括以下子步骤：
(4.1)对每一层的个体按照多目标适应度值进行非支配排序；
(4.2)初始化每一层中每个个体的拥挤度距离：dj＝0，其中j＝1,…,n,n是该层包含的个体数目，dj表示每一层中第j个个体的拥挤度距离；
(4.3)为保留每一层两端的个体，设置每一层中第1个和第n个个体的拥挤度距离为：d1＝dn＝∞；
(4.4)按照公式(6)求出每一层中其它个体的拥挤度距离：
式中F(j+1)1，F(j+1)2和F(j+1)3分别表示第(j+1)个体在目标函数f1，f2和f3上的适应度值，F(j-1)1，F(j-1)2和F(j-1)3分别表示第(j-1)个体在目标函数f1，f2和f3上的适应度值。
3.根据权利要求1所述强迫风冷散热系统热结构的多目标优化设计方法，其特征在于，所述步骤(6)中，所述交叉操作的具体实现过程如公式(7)所示：
其中，p1l和p2l分别表示父代1和父代2中第l个变量的数值，s1l和s2l分别表示经过交叉操作后产生的子代1和子代2中第l个变量的数值，γ表示交叉操作的分布指数，α表示交叉操作过程中的中间变量，β表示从0到1范围内产生的随机数。
4.根据权利要求1所述强迫风冷散热系统热结构的多目标优化设计方法，其特征在于，所述步骤(6)中，所述变异操作的具体实现过程如公式(8)所示：
其中pkl表示交叉操作后获得的第k个个体中第l个变量的数值，表示pkl的上限值，表示pkl的下限值，skl表示经过变异操作后产生的第k个个体中第l个变量的数值，η是变异操作的分布指数，δkl表示变异操作过程中的中间变量，ul表示从0到1范围内产生的随机数；经过变异操作后最终产生的子代群体Qt＝{sk,k＝1,2,...,NP}，其中sk表示经过变异操作后最终产生的第k个子代个体。
5.根据权利要求1所述强迫风冷散热系统热结构的多目标优化设计方法，其特征在于，在保证相同的散热系统热阻和压降性能的情况下，所设计的强迫风冷散热系统的总重量更小。
CN201810474420.1A 2018-05-17 2018-05-17 一种强迫风冷散热系统热结构的多目标优化设计方法 Pending CN108717488A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810474420.1A CN108717488A (zh) 2018-05-17 2018-05-17 一种强迫风冷散热系统热结构的多目标优化设计方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810474420.1A CN108717488A (zh) 2018-05-17 2018-05-17 一种强迫风冷散热系统热结构的多目标优化设计方法

Publications (1)

Publication Number Publication Date
CN108717488A true CN108717488A (zh) 2018-10-30

Family

ID=63899842

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810474420.1A Pending CN108717488A (zh) 2018-05-17 2018-05-17 一种强迫风冷散热系统热结构的多目标优化设计方法

Country Status (1)

Country Link
CN (1) CN108717488A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112231860A (zh) * 2020-10-14 2021-01-15 上海理工大学 基于遗传算法的矩形截面形状微通道热沉的优化设计方法
CN112632788A (zh) * 2020-12-28 2021-04-09 中国科学技术大学 一种岩土热导率分布的热响应测试方法
CN113343380A (zh) * 2021-05-31 2021-09-03 温州大学 基于多目标粒子群算法的强迫风冷散热器优化方法及系统
CN117320362A (zh) * 2023-11-29 2023-12-29 四川赛狄信息技术股份公司 一种散热机箱、散热部件的确定方法以及信号处理设备
CN117709168A (zh) * 2024-02-02 2024-03-15 北京理工大学深圳汽车研究院(电动车辆国家工程实验室深圳研究院) 一种强制风冷散热系统的优化设计方法及其装置

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101504689A (zh) * 2009-03-26 2009-08-12 北京航空航天大学 散热器优化参数确定方法和具有优化参数的散热器
CN103544364A (zh) * 2013-11-12 2014-01-29 天津工业大学 大功率led散热器的优化与设计
CN104880106A (zh) * 2015-06-12 2015-09-02 浙江大学 一种带正弦流道的微通道板式换热器
CN106130066A (zh) * 2016-07-11 2016-11-16 温州大学 一种用于独立微电网系统的多目标鲁棒频率控制方法
CN106301056A (zh) * 2016-09-28 2017-01-04 温州大学 用于兆瓦级三相逆变系统的多目标优化svpwm方法
GB2551913B (en) * 2009-09-11 2018-05-09 Emerson Process Man Power & Water Solutions Inc Optimized control of power plants having air cooled condensers

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101504689A (zh) * 2009-03-26 2009-08-12 北京航空航天大学 散热器优化参数确定方法和具有优化参数的散热器
GB2551913B (en) * 2009-09-11 2018-05-09 Emerson Process Man Power & Water Solutions Inc Optimized control of power plants having air cooled condensers
CN103544364A (zh) * 2013-11-12 2014-01-29 天津工业大学 大功率led散热器的优化与设计
CN104880106A (zh) * 2015-06-12 2015-09-02 浙江大学 一种带正弦流道的微通道板式换热器
CN106130066A (zh) * 2016-07-11 2016-11-16 温州大学 一种用于独立微电网系统的多目标鲁棒频率控制方法
CN106301056A (zh) * 2016-09-28 2017-01-04 温州大学 用于兆瓦级三相逆变系统的多目标优化svpwm方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
WANG LIN等: ""Thermal Sturcutre Design of Air-Cooled Heat Sinks for Power Electronic Equipments by Constrained Population Extremal Optimization", 《IEEE》 *
朱春阳: "基于极值点搜索的进化超多目标优化算法的研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *
蔡奇彧: "微通道散热器流道优化与传热性能研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *
顾鹏程: "基于自适应遗传算法的多目标优化研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112231860A (zh) * 2020-10-14 2021-01-15 上海理工大学 基于遗传算法的矩形截面形状微通道热沉的优化设计方法
CN112632788A (zh) * 2020-12-28 2021-04-09 中国科学技术大学 一种岩土热导率分布的热响应测试方法
CN112632788B (zh) * 2020-12-28 2022-09-06 中国科学技术大学 一种岩土热导率分布的热响应测试方法
CN113343380A (zh) * 2021-05-31 2021-09-03 温州大学 基于多目标粒子群算法的强迫风冷散热器优化方法及系统
CN113343380B (zh) * 2021-05-31 2022-09-09 温州大学 基于多目标粒子群算法的强迫风冷散热器优化方法及系统
CN117320362A (zh) * 2023-11-29 2023-12-29 四川赛狄信息技术股份公司 一种散热机箱、散热部件的确定方法以及信号处理设备
CN117320362B (zh) * 2023-11-29 2024-02-13 四川赛狄信息技术股份公司 一种散热机箱、散热部件的确定方法以及信号处理设备
CN117709168A (zh) * 2024-02-02 2024-03-15 北京理工大学深圳汽车研究院(电动车辆国家工程实验室深圳研究院) 一种强制风冷散热系统的优化设计方法及其装置
CN117709168B (zh) * 2024-02-02 2024-04-30 北京理工大学深圳汽车研究院(电动车辆国家工程实验室深圳研究院) 一种强制风冷散热系统的优化设计方法及其装置

Similar Documents

Publication Publication Date Title
CN108717488A (zh) 一种强迫风冷散热系统热结构的多目标优化设计方法
Sanaye et al. Thermal-economic multi-objective optimization of plate fin heat exchanger using genetic algorithm
Wang et al. Balancing risk and cost in fuzzy economic dispatch including wind power penetration based on particle swarm optimization
Gaing Constrained dynamic economic dispatch solution using particle swarm optimization
Hajabdollahi et al. CFD modeling and multi-objective optimization of compact heat exchanger using CAN method
CN104679956B (zh) 考虑动态特性的高速压力机底座可靠性稳健设计方法
CN105787588B (zh) 一种用于提升新能源消纳能力的动态峰谷分时电价方法
WO2011006344A1 (zh) 砂尘环境试验系统的温度调节装置及智能温度控制方法
Bélanger et al. Multi‐objective genetic algorithm optimization of thermoelectric heat exchanger for waste heat recovery
CN104732300B (zh) 一种基于模糊分区理论的神经网络风功率短期预测方法
CN109634121A (zh) 基于径向基函数神经网络的多父代遗传算法空气源热泵多目标优化控制方法
CN113343380B (zh) 基于多目标粒子群算法的强迫风冷散热器优化方法及系统
CN107994574B (zh) 面向新能源消纳的集中式温控负荷侧需求响应的决策方法
CN117172160B (zh) 一种基于反距离加权均值的翅片散热器热阻值获取方法
CN112766809A (zh) 综合能源系统的评价方法
Fang et al. Simulation-optimization model of reservoir operation based on target storage curves
CN106651628A (zh) 基于图论的区域冷热电综合能源优化配置方法及装置
CN106709819B (zh) 一种风电场功率预测综合评价方法
CN110414080A (zh) 一种提高电抗器各包封线圈生热散热能力的设计方法
CN113191086A (zh) 一种基于遗传算法的电采暖热负荷需求优化方法及系统
CN103077316A (zh) 一种负荷曲线的削峰填谷优化方法
Chen et al. Many-objective optimal power dispatch strategy incorporating temporal and spatial distribution control of multiple air pollutants
CN114741961A (zh) 印刷电路板式换热器的翼型翅片排列结构优化方法和系统
Reynoso-Jardón et al. Artificial neural networks (ANN) to predict overall heat transfer coefficient and pressure drop on a simulated heat exchanger
CN112231860A (zh) 基于遗传算法的矩形截面形状微通道热沉的优化设计方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20181030

RJ01 Rejection of invention patent application after publication