CN109583072A - 一种绝缘芯变压器补偿参数的遗传算法优化方法及系统 - Google Patents
一种绝缘芯变压器补偿参数的遗传算法优化方法及系统 Download PDFInfo
- Publication number
- CN109583072A CN109583072A CN201811406175.7A CN201811406175A CN109583072A CN 109583072 A CN109583072 A CN 109583072A CN 201811406175 A CN201811406175 A CN 201811406175A CN 109583072 A CN109583072 A CN 109583072A
- Authority
- CN
- China
- Prior art keywords
- population
- individual
- insulating core
- core transformer
- default
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 27
- 238000005457 optimization Methods 0.000 title claims abstract description 26
- 230000002068 genetic effect Effects 0.000 title claims abstract description 22
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 13
- 238000004804 winding Methods 0.000 claims abstract description 12
- 108090000623 proteins and genes Proteins 0.000 claims description 39
- 239000010410 layer Substances 0.000 claims description 18
- 238000010353 genetic engineering Methods 0.000 claims description 12
- 238000009395 breeding Methods 0.000 claims description 10
- 230000001488 breeding effect Effects 0.000 claims description 10
- 230000035772 mutation Effects 0.000 claims description 7
- 108020004999 messenger RNA Proteins 0.000 claims description 4
- 239000002356 single layer Substances 0.000 claims description 3
- 238000009413 insulation Methods 0.000 abstract description 7
- 238000004364 calculation method Methods 0.000 abstract description 5
- 238000013461 design Methods 0.000 abstract description 5
- 239000003990 capacitor Substances 0.000 abstract 1
- 230000006978 adaptation Effects 0.000 description 8
- 238000012545 processing Methods 0.000 description 5
- 238000011156 evaluation Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000008676 import Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001850 reproductive effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/30—Circuit design
- G06F30/36—Circuit design at the analogue level
- G06F30/367—Design verification, e.g. using simulation, simulation program with integrated circuit emphasis [SPICE], direct methods or relaxation methods
-
- 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)
- Computer Hardware Design (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Biology (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Physiology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Genetics & Genomics (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Geometry (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种绝缘芯变压器补偿参数的遗传算法优化方法及系统,在采用次级线圈匝数和电容联合补偿以对绝缘芯变压器分段绝缘引起的漏磁增加的问题进行优化的基础上,结合遗传算法的概念、流程,另外再采用联合MATLAB编程和Simulink建模、仿真,对所选择的次级线圈匝数和补偿电容进行优化计算。本发明能针对不同层绝缘芯变压器进行优化,且能根据不同的要求进行多目标优化;优化时操作简单,能对所有目标并行搜索,比人工计算优化效率高;遗传算法全局收敛性好,优化结果理想,能显著改善绝缘芯变压器设计优化效率。
Description
技术领域
本发明属于辐照加工产业的绝缘芯变压器型电子加速器技术领域和遗传算法优化领域,更具体地,涉及一种绝缘芯变压器补偿参数的遗传算法优化方法及系统。
背景技术
近年来,辐照加工应用在许多领域得到大力发展和推广,辐照加工产业也产生了与之对应的经济效应。在辐照加工产业,各类加速器因其各自特性而用途各有所不同,其中绝缘芯变压器型的电子加速器因其具有的低成本、高效率、大功率及高工作可靠性等特性,非常适合低能区的辐照加工应用,发展前景十分广阔。
绝缘芯变压器型电子加速器是高压型电子加速器的一种,其核心设备为其内作为高压电源部分的绝缘芯变压器。绝缘芯变压器通过将次级磁芯分段,把加速器的主绝缘,即磁芯与线圈之间的横向绝缘,转化为了各段磁芯之间的纵向绝缘,得以大幅度降低绝缘难度,有效提高变压器最大输出电压。但磁芯分段的引入,也带来了漏磁增加的问题,导致变压器各层整流输出电压不一致、负载调整率差,使得电源总输出电压最大值受限,实际利用价值降低。
采用次级线圈匝数和电容补偿的联合补偿方案,是优化绝缘芯变压器分段绝缘带来的漏磁增加问题的方法之一,这种优化方法的关键就在于次级线圈匝数和补偿电容这两组重要参数的设计。目前,绝缘芯变压器次级线圈匝数和补偿电容的参数一般通过人工计算的方法来进行优化,这种方法优化难度大,需要不断反复计算,得到的结果也往往不够理想。
发明内容
针对现有技术的以上缺陷或改进需求,本发明提供了一种绝缘芯变压器补偿参数的遗传算法优化方法及系统,由此解决现有优化绝缘芯变压器分段绝缘带来的漏磁增加问题的方法存在的优化难度大的技术问题。
为实现上述目的,按照本发明的一个方面,提供了一种绝缘芯变压器补偿参数的遗传算法优化方法,其中,所述补偿参数包括次级线圈匝数和补偿电容,所述方法包括:
(1)由绝缘芯变压器的待优化目标及各待优化目标的权值确定遗传模型中的适应度函数;
(2)由单个个体包含的基因个数、预设基因编码方式、预设基因长度、每个基因的预设取值范围及预设种群大小,生成初始种群,其中,单个个体包含的基因个数由所述次级线圈匝数和补偿电容确定;
(3)由所述适应度函数计算当代种群中各个体的适应度值,若存在符合预设适应度值的个体,或者种群繁殖代数达到了最大迭代次数,则将当前种群中的最优个体对应的补偿参数作为绝缘芯变压器的最优补偿参数;
(4)若不存在符合预设适应度值的目标个体且种群繁殖代数没有达到最大迭代次数,则由遗传操作产生下一代种群,并返回执行步骤(3)。
优选地,所述适应度函数为:其中,n为待优化目标的个数,Wj为第j个待优化目标Dj的权值。
优选地,所述待优化目标包括空载输出电压不均匀度、满载输出电压不均匀度和负载调整率;
所述空载输出电压不均匀度为:所述满载输出电压不均匀度为:所述负载调整率为:其中,m为次级线圈的层数,U0为单层次级线圈输出电压额定值,U1_i为第i层次级线圈空载输出电压,Un_i为第i层次级线圈满载输出电压。
优选地,所述单个个体包含的基因个数的确定方式为:将初级线圈匝数和第1层次级线圈匝数设为固定值,第2层至第m层次级线圈匝数设为第1位至第m-1位基因,第1层至第m层次级线圈的补偿电容设为第m位至第2m-1位基因。
优选地,在步骤(4)中,由遗传操作产生下一代种群包括:
将各个体的适应度值取倒数后,依次采用赌轮盘法的选择操作、单点交叉的交叉操作及单点变异的变异操作产生下一代种群。
按照本发明的另一方面,提供了一种绝缘芯变压器补偿参数的遗传算法优化系统,其中,所述补偿参数包括次级线圈匝数和补偿电容,所述系统包括:
适应度函数确定模块,用于由绝缘芯变压器的待优化目标及各待优化目标的权值确定遗传模型中的适应度函数;
初始种群确定模块,用于由单个个体包含的基因个数、预设基因编码方式、预设基因长度、每个基因的预设取值范围及预设种群大小,生成初始种群,其中,单个个体包含的基因个数由所述次级线圈匝数和补偿电容确定;
适应度值确定模块,用于由所述适应度函数计算当代种群中各个体的适应度值;
判断执行模块,用于在存在符合预设适应度值的个体,或者种群繁殖代数达到了最大迭代次数时,将当前种群中的最优个体对应的补偿参数作为绝缘芯变压器的最优补偿参数;在不存在符合预设适应度值的目标个体且种群繁殖代数没有达到最大迭代次数时,由遗传操作产生下一代种群,并返回执行所述适应度值确定模块的操作。
总体而言,通过本发明所构思的以上技术方案与现有技术相比,能够取得下列有益效果:本发明考虑到需要计算的参数有多个线圈匝数和补偿电容值,需要优化的目标有空载电压不均匀度、满载电压不均匀度和负载调整率等多个目标,即需要同时兼顾多个变量来对多个目标进行优化,进而考虑引进遗传算法来进行优化。从而摆脱人工计算的难度,且更大程度上优化绝缘芯变压器分段绝缘带来的漏磁增加的问题,在提高绝缘芯变压器性能的基础上再提高设计效率。
附图说明
图1为本发明实施例提供的一种方法流程示意图;
图2为本发明实施例提供的一种六层次级线圈的绝缘芯变压器的空载等效电路模型图;
图3为本发明实施例提供的一种六层次级线圈的绝缘芯变压器的满载仿真电路模型图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。此外,下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
如图1所示为本发明实施例提供的一种方法流程示意图,包括以下步骤:
(1)设计遗传模型:
根据实际问题中需优化的自变量,在本发明实施例中自变量同时设置为次级线圈匝数和补偿电容,设计遗传模型中的基因,包括单个个体包含的基因个数、每个基因的取值范围、基因的编码方式及长度;根据实际问题中的优化目标,这里举空载、满载输出电压不均匀度和负载调整率为例,但不局限于此例,设计遗传模型中的适应度函数。
(2)设置运行参数:
需要设置的运行参数有种群大小、最大迭代次数、交叉概率、变异概率、是否选择精英操作、理想适应度。
(3)生成初始种群:
根据(1)中的单个个体包含的基因个数、每个基因的取值范围、基因的编码方式及长度,以及根据(2)中的种群大小,使用随机函数,生成初始种群。
(4)进行种群评价:
根据(1)中设计的适应度函数,计算当代种群中每个个体的适应度,并进行适应度排序。
(5)判断是否满足结束条件:
结束条件有两个,满足之一便可结束优化。根据(2),结束条件之一为种群繁殖代数达到了设置的最大迭代次数,结束条件之二为当代种群中出现适应度符合理想适应度的个体。
(6)遗传操作产生新种群:
遗传操作包含选择、交叉、变异,进行遗传操作后,得到下一代种群。根据(4)中得到排序后的适应度表,采用合适的策略进行选择操作;根据(2)中设置的交叉概率,采用合适的交叉方式,对进行选择操作后得到的种群中的相邻的两个个体进行交叉操作;根据(2)中设置的变异概率,采用合适的变异方式,对进行交叉操作后得到的种群中的每个个体进行变异操作。
(7)输出结果:
输出结果可按自己想观察的参数进行设计,这里列举如:最优个体基因、最优个体适应度、最优个体对应的优化自变量参数、最优个体所在的代数、种群平均适应度进化图。其中最优个体对应的优化自变量参数,即为需要优化计算得到的参数。
本发明实施例中的最优个体为:每代进行种群评价时,会用这一代的最优个体跟上代保留的最优个体作比较,留下来的即为“当代最优个体”,以及用于在计算下代的最优个体时作比较,因此,最后输出的最优个体即为结束遗传计算时,当代的最优个体,也是整个计算当中,所有出现过的个体中最优的一个个体。
在本发明实施例中,其中(2)~(7)全部可在MATLAB中完成,(1)和(4)中描述的适应度的计算,空载条件下各层输出电压通过建立并求解方程组、使用MATLAB计算得到;满载条件下各层输出电压通过Simulink建模、从MATLAB往Simulink导入个体所有自变量参数值、Simulink仿真、将仿真得到的结果传回MATLAB得到,这些操作由MATLAB指令完成;再由前两组结果计算得空载、满载输出电压的不均匀度和负载调整率,最后计算相应个体的适应度值。
下面结合附图和六层次级线圈的绝缘芯变压器实例对本发明的技术方案作进一步说明:
(a)设计遗传模型:
将初级线圈匝数和第一层次级线圈匝数设为固定值,作为变比参考值,第二层至第六层次级线圈匝数设为第一位至第五位基因,第一至第六层次级线圈的补偿电容设为第六至第十一位基因,这样就确定了基因个数,基因的编码方式则选用常规的二进制编码,取值范围则需要根据实际问题和经验确定。补偿电容位置如图2所示,直接与次级线圈并联,起到补偿漏磁的效果。空载输出电压不均匀度、满载输出电压不均匀度和负载调整率、适应度函数等建立为下式:
式(1)中,unif1为空载输出电压不均匀度,U0为单层输出电压额定值,U1_i为第i层空载输出电压;式(2)中,unifn为满载输出电压不均匀度,Un_i为第i层满载输出电压;式(3)中,Vol_reg为负载调整率;式(4)中,fit为本个体适应度值,为空载输出电压不均匀度权值,为满载输出电压不均匀度权值,WVol_reg为负载调整率权值,各权值的具体取值可以根据各自更倾向于优化的目标确定。
(b)设置运行参数:
种群大小一般取50~500;基因长度需要根据想保留的自变量有效数字位数确定;最大迭代次数需要根据自身要求设定,在本发明实施例中提供50~500的参考范围;交叉概率一般取0.5~1.0;变异概率一般取0~0.05;一般选择进行精英操作,即每次遗传操作时,必将保留上一代适应度最好的个体到下一代;理想适应度需要根据实际模型和需求选择,也可选择不设置,使得优化流程结束的条件只剩下繁殖代数达到最大迭代次数。
(c)初始化种群:
根据(a)(b)中单个个体包含的基因个数、基因的编码方式、基因长度、每个基因的取值范围及种群大小,使用随机函数,生成初始种群。
(d)进行种群评价:
根据(a)中设计的适应度函数等方程式,利用Simulink、MATLAB处理得到的数据,可计算出当代种群中各个个体的适应度,并按从小到大的进行适应度排序。
(e)判断是否满足结束条件:
结束条件有两个,满足之一便可结束优化。根据(b),结束条件之一为种群繁殖代数达到了设置的最大迭代次数,结束条件之二为当代种群中出现适应度符合理想适应度的个体。
(f)遗传操作产生新种群:
首先,关于遗传操作策略,这里举例采用赌轮盘法的选择操作、单点交叉的交叉操作及单点变异的变异操作。然后,在遗传理论中,适应度大的个体将更容易生存下来,而在此实际问题中,适应度更小的个体需要更容易生存,在采用轮盘赌法的选择操作下,考虑到适应度都为正值,所以在进行选择操作前,须将前面所有个体的适应度取倒数,再开始按顺序进行选择、交叉、变异操作。
(g)输出结果:
输出结果按想观察的参数进行设计即可,这里举例观察最优个体对应的优化自变量参数、最优个体所在的代数、最优个体基因、最优个体适应度及种群平均适应度进化图等。其中最优个体对应的优化自变量参数,即为本发明实施例需要优化计算得到的参数。
(h)空载输出电压计算:
如图2六层次级线圈的绝缘芯变压器的空载等效电路模型所示,在进行空载电压数值计算时,各层的空载电压可由以下方程组推导计算:
上述方程组中为初级线圈输入电压,为各层次级线圈的空载电压,为初级及各层次级线圈中流过的电流,其中,为已知参数,其他13个参数为待求未知参数,方程组有唯一解。将初级线圈称作第0层次级线圈,则Li为第i层次级线圈的自感系数,Mij(图中省略)为第i层次级线圈对第j层次级线圈的互感系数,这些系数由单匝互感矩阵和各层线圈匝数计算确定。Ci为第i层次级线圈的补偿电容。
(i)满载输出电压计算
如图3六层次级线圈的绝缘芯变压器的满载仿真电路模型所示,在进行满载电压仿真计算时,满载输出电压通过将MATLAB实时计算得到的互感矩阵参数和个体携带的各层补偿电容导入Simulink,并用模拟电阻代替负载,进行满载条件下的仿真,得到各层输出电压,再将值导入MATLAB作为满载输出电压进行其他计算。图3中为初级线圈输入电压,为各层次级线圈的满载电压,为总输出电压,为初级及各层次级线圈中流过的电流,为负载流过的电流。将初级线圈称作第0层次级线圈,则Li为第i层次级线圈的自感系数,Mij(图中省略)为第i层次级线圈对第j层次级线圈的互感系数,这些系数由单匝互感矩阵和各层线圈匝数计算确定。Ci为第i层次级线圈的补偿电容。DVRC1~DVRC6为各层次级线圈后面的二倍压整流电路。
本领域的技术人员容易理解,以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (6)
1.一种绝缘芯变压器补偿参数的遗传算法优化方法,其中,所述补偿参数包括次级线圈匝数和补偿电容,其特征在于,所述方法包括:
(1)由绝缘芯变压器的待优化目标及各待优化目标的权值确定遗传模型中的适应度函数;
(2)由单个个体包含的基因个数、预设基因编码方式、预设基因长度、每个基因的预设取值范围及预设种群大小,生成初始种群,其中,单个个体包含的基因个数由所述次级线圈匝数和补偿电容确定;
(3)由所述适应度函数计算当代种群中各个体的适应度值,若存在符合预设适应度值的个体,或者种群繁殖代数达到了最大迭代次数,则将当前种群中的最优个体对应的补偿参数作为绝缘芯变压器的最优补偿参数;
(4)若不存在符合预设适应度值的目标个体且种群繁殖代数没有达到最大迭代次数,则由遗传操作产生下一代种群,并返回执行步骤(3)。
2.根据权利要求1所述的方法,其特征在于,所述适应度函数为:其中,n为待优化目标的个数,Wj为第j个待优化目标Dj的权值。
3.根据权利要求1或2所述的方法,其特征在于,所述待优化目标包括空载输出电压不均匀度、满载输出电压不均匀度和负载调整率;
所述空载输出电压不均匀度为:所述满载输出电压不均匀度为:所述负载调整率为:其中,m为次级线圈的层数,U0为单层次级线圈输出电压额定值,U1_i为第i层次级线圈空载输出电压,Un_i为第i层次级线圈满载输出电压。
4.根据权利要求3所述的方法,其特征在于,所述单个个体包含的基因个数的确定方式为:将初级线圈匝数和第1层次级线圈匝数设为固定值,第2层至第m层次级线圈匝数设为第1位至第m-1位基因,第1层至第m层次级线圈的补偿电容设为第m位至第2m-1位基因。
5.根据权利要求4所述的方法,其特征在于,在步骤(4)中,由遗传操作产生下一代种群包括:
将各个体的适应度值取倒数后,依次采用赌轮盘法的选择操作、单点交叉的交叉操作及单点变异的变异操作产生下一代种群。
6.一种绝缘芯变压器补偿参数的遗传算法优化系统,其中,所述补偿参数包括次级线圈匝数和补偿电容,其特征在于,所述系统包括:
适应度函数确定模块,用于由绝缘芯变压器的待优化目标及各待优化目标的权值确定遗传模型中的适应度函数;
初始种群确定模块,用于由单个个体包含的基因个数、预设基因编码方式、预设基因长度、每个基因的预设取值范围及预设种群大小,生成初始种群,其中,单个个体包含的基因个数由所述次级线圈匝数和补偿电容确定;
适应度值确定模块,用于由所述适应度函数计算当代种群中各个体的适应度值;
判断执行模块,用于在存在符合预设适应度值的个体,或者种群繁殖代数达到了最大迭代次数时,将当前种群中的最优个体对应的补偿参数作为绝缘芯变压器的最优补偿参数;在不存在符合预设适应度值的目标个体且种群繁殖代数没有达到最大迭代次数时,由遗传操作产生下一代种群,并返回执行所述适应度值确定模块的操作。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811406175.7A CN109583072A (zh) | 2018-11-23 | 2018-11-23 | 一种绝缘芯变压器补偿参数的遗传算法优化方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811406175.7A CN109583072A (zh) | 2018-11-23 | 2018-11-23 | 一种绝缘芯变压器补偿参数的遗传算法优化方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109583072A true CN109583072A (zh) | 2019-04-05 |
Family
ID=65924231
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811406175.7A Pending CN109583072A (zh) | 2018-11-23 | 2018-11-23 | 一种绝缘芯变压器补偿参数的遗传算法优化方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109583072A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110276141A (zh) * | 2019-06-26 | 2019-09-24 | 中国人民解放军陆军装甲兵学院 | 一种螺线管线圈磁场的优化方法 |
CN111366783A (zh) * | 2020-03-18 | 2020-07-03 | 卫爱静 | 一种基于物联网的变压器运行参数在线监测系统及方法 |
CN112560331A (zh) * | 2020-11-30 | 2021-03-26 | 江西理工大学 | 用于非晶合金干式变压器节能节材优化设计系统及方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101950971A (zh) * | 2010-09-14 | 2011-01-19 | 浙江大学 | 一种基于遗传算法的企业配电网的无功优化方法 |
US20120306407A1 (en) * | 2011-06-03 | 2012-12-06 | Zhaohui He | Primary-Side Control Of A Switching Power Converter With Feed Forward Delay Compensation |
CN103217579A (zh) * | 2012-12-28 | 2013-07-24 | 富阳市供电局 | 变压器绕组在线监测系统 |
US20140253271A1 (en) * | 2013-03-07 | 2014-09-11 | Thane C. Heins | Bi-Toroidal Topology Transformer |
CN104317979A (zh) * | 2014-08-20 | 2015-01-28 | 江苏科技大学 | 基于遗传算法的高频高压变压器设计优化方法 |
-
2018
- 2018-11-23 CN CN201811406175.7A patent/CN109583072A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101950971A (zh) * | 2010-09-14 | 2011-01-19 | 浙江大学 | 一种基于遗传算法的企业配电网的无功优化方法 |
US20120306407A1 (en) * | 2011-06-03 | 2012-12-06 | Zhaohui He | Primary-Side Control Of A Switching Power Converter With Feed Forward Delay Compensation |
CN103217579A (zh) * | 2012-12-28 | 2013-07-24 | 富阳市供电局 | 变压器绕组在线监测系统 |
US20140253271A1 (en) * | 2013-03-07 | 2014-09-11 | Thane C. Heins | Bi-Toroidal Topology Transformer |
CN104317979A (zh) * | 2014-08-20 | 2015-01-28 | 江苏科技大学 | 基于遗传算法的高频高压变压器设计优化方法 |
Non-Patent Citations (15)
Title |
---|
任明炜等: "基于混沌遗传算法的滤波器优化", 《高电压技术》 * |
孙元章等: "发电机励磁控制中负荷补偿系数的优化", 《中国电机工程学报》 * |
李宏伟: "基于改进遗传算法的电力系统无功优化的研究", 《自动化与仪器仪表》 * |
杜青等: "一种新型大功率升降压变换器及控制方法", 《北京航空航天大学学报》 * |
杨磊: "绝缘芯变压器型高压电源技术研究", 《中国博士学位论文全文数据库 (工程科技Ⅱ辑)》 * |
段力勇等: "变压器式可控电抗器静态无功功率双向控制原理研究", 《电网与清洁能源》 * |
濮贤成等: "实用降损技术讲座(六) 电力变压器无功补偿容量的确定", 《农村电工》 * |
田军等: "基于双端口网络控制的多绕组变压器型可调电抗器", 《电工技术学报》 * |
赵志斌等: "单管感应电能传输系统参数全局优化", 《西安交通大学学报》 * |
赵祝伟等: "消弧线圈现场安装配置分析与应用研究", 《华北电力技术》 * |
郭卉: "基于改进遗传算法的电流互感器优化计算软件的开发", 《高压电器》 * |
雷二涛等: "配电变压器-静止同步补偿器的补偿机理及无源控制技术", 《电工技术学报》 * |
韩芬等: "基于遗传算法的PFC变换器优化设计方法", 《电子技术与软件工程》 * |
魏晓光等: "基于改进遗传算法的无源滤波器设计", 《电力自动化设备》 * |
魏晓光等: "无源滤波器参数的优化设计", 《华北电力大学学报》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110276141A (zh) * | 2019-06-26 | 2019-09-24 | 中国人民解放军陆军装甲兵学院 | 一种螺线管线圈磁场的优化方法 |
CN111366783A (zh) * | 2020-03-18 | 2020-07-03 | 卫爱静 | 一种基于物联网的变压器运行参数在线监测系统及方法 |
CN112560331A (zh) * | 2020-11-30 | 2021-03-26 | 江西理工大学 | 用于非晶合金干式变压器节能节材优化设计系统及方法 |
CN112560331B (zh) * | 2020-11-30 | 2022-11-22 | 江西理工大学 | 用于非晶合金干式变压器节能节材优化设计系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109583072A (zh) | 一种绝缘芯变压器补偿参数的遗传算法优化方法及系统 | |
CN105186556B (zh) | 基于改进免疫粒子群算法的大型光伏电站无功优化方法 | |
CN109787367B (zh) | 基于层叠式耦合机构的ec-wpt系统及其参数优化方法 | |
CN104682405B (zh) | 一种基于禁忌粒子群算法的配电网无功优化方法 | |
CN106374513B (zh) | 一种基于主从博弈的多微网联络线功率优化方法 | |
Dehghani et al. | A new methodology called dice game optimizer for capacitor placement in distribution systems | |
Arjona et al. | Hybrid optimum design of a distribution transformer based on 2-D FE and a manufacturer design methodology | |
CN107871024B (zh) | 一种高温超导环形储能磁体的电磁优化方法和装置 | |
CN108110769A (zh) | 基于灰狼算法的主动配电网电压协调控制策略 | |
CN112510691A (zh) | 一种基于步长优化的交直流混合潮流解耦迭代方法 | |
CN105469316A (zh) | 配电网任意两点间理论线损计算方法及系统 | |
CN115714397A (zh) | 一种配电台区无功功率优化降损方法及系统 | |
CN111342469A (zh) | 一种多电压等级网络架构优化方法 | |
CN108830451A (zh) | 一种用户侧分布式储能的汇聚潜力评估方法及系统 | |
CN105956332B (zh) | 基于专家系统的变压器电磁优化设计方法 | |
CN111146815B (zh) | 一种智能配电网分布式发电规划配置方法 | |
CN106257477B (zh) | 一种基于多目标遗传算法的中频非晶合金变压器优化方法 | |
CN111064201B (zh) | 一种基于网络拓扑优化控制的配电网电压优化调节方法 | |
CN108599142A (zh) | 一种基于权重的混合整数二次规划多目标调度方法 | |
CN112434461B (zh) | 无线电能传输的自动化耦合线圈优化设计方法 | |
CN115310353B (zh) | 一种基于快速多目标优化的电力变压器设计方法 | |
CN113346501B (zh) | 基于头脑风暴算法的配电网电压优化方法及其系统 | |
CN115859518A (zh) | 基于改进海鸥优化算法的立体卷铁心变压器优化设计方法 | |
CN114707795A (zh) | 综合能源优化调度方法和系统、电子设备及存储介质 | |
CN107482645A (zh) | 基于多目标混合宇宙大爆炸算法的配电网无功优化方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190405 |