CN111859771A - 一种基于改进樽海鞘群算法的多通道水冷散热器优化方法 - Google Patents

Abstract

本发明公开了一种基于改进樽海鞘群算法的多通道水冷散热器优化方法，主要是将多通道水冷散热器的散热翅片数目n，冷却液流速v作为待优化的结构参数，将igbt的最高温度T_max，面均温差T_av和冷却液的压力损失ΔP作为优化目标，以标准樽海鞘群算法为基础，通过在更新樽海鞘领导者位置公式的地方引入引力算法，有效地对多通道水冷散热器结构参数进行全局搜索，实现对多通道水冷散热器进行整体优化，大幅度改善多通道水冷散热器的散热性能，并且稳定性高。

Description

一种基于改进樽海鞘群算法的多通道水冷散热器优化方法

技术领域

本发明涉及多通道水冷散热器技术领域，特别涉及一种基于改进樽海鞘算法的多通道水冷散热器优化方法。

背景技术

IGBT(Insulated Gate Bipolar Transistor，绝缘栅双极型晶体管)是由BJT(双极型三极管)和MOS(绝缘栅型场效应管)组成的复合全控型电压驱动式功率半导体器件，兼有MOSFET的高输入阻抗和GTR的低导通压降两方面的优点。非常适合应用于直流电压为600V及以上的变流系统如交流电机、变频器、开关电源、照明电路、牵引传动等领域。

目前，新能源汽车变流器上均需安装冷却设备来给IGBT模块散热，以保证各相关设备的正常工作。冷却设备多采用水冷式散热器，包括底托、底盖和散热翅片，底托和底盖之间形成封闭腔体，在面板上设置有进水口和出水口，底托上设置有散热翅片，冷却介质从进水口流入，然后在散热翅片形成的通路中穿行后从出水口流出，并将热量带出，实现散热。

针对散热器的散热问题，国内外学者进行了一系列研究，提出了多种有助于散热器散热的结构，如S式，翅柱式，针肋式(PIN-FIN)、平板式等。董伟杰从IGBT的功耗分析入手，对散热器肋片的设计方法进行研究，得出采用波纹肋片比平板肋片更有利于散热的结论。刘桓龙等通过流体分析软件计算散热器在不同工况和不同散热结构条件下的热参数，并将其作为热载荷进行结构热应力与热应变分析，最后综合分析了翅片结构对散热器散热性能、热应力、热应变的影响，为车用电机控制器的散热设计提供了理论参考。国建鸿等采用蒸发冷却的方式来冷却大功率电子器件的方法，不过该方法成本较高，不适于新能源汽车节能减排的指标。揭贵生等用统一量纲的方法从理论上分析了某一种平板式水冷散热器尺寸参数对散热效果的影响，并进行了优化设计，得出小通道尺寸的平板式水冷散热器对解决大热流密度器件的散热更为有效的结论，但是分析的散热板结构过于简单，得出的结果不具有普适性。

上述多目标优化在一定程度上解决了水冷散热器多目标，多变量，多约束的问题，但是仍存在整体效率低、稳定性不高等问题。

发明内容

针对多通道水冷散热器整体散热效率低、稳定性不高的问题，本发明提出一种基于改进的樽海鞘群算法的多通道水冷散热器优化方法。

为了解决上述技术问题，本发明的技术方案为：

一种基于改进樽海鞘群算法的多通道水冷散热器优化方法，包括以下步骤：

S1：计算多通道水冷散热器的初始结构参数；

S2：选取多通道水冷散热器待优化的结构参数；

S3：针对多通道是水冷散热器不变的初始结构参数建立多通道水冷散热器的有限元模型，仿真得到多通道水冷散热器的性能参数；

S4：根据多通道水冷散热器待优化的结构参数和多通道水冷散热器的性能参数，构建样本数据，并将样本数据作为参数向量；

S5：训练样本数据，得到待优化的多通道水冷散热器模型；

S6：根据待优化的多通道水冷散热器模型，以散热器待优化结构参数为优化对象，以igbt的最高温度T_max、面均温差T_av和冷却液的压力损失ΔP为优化目标，对多通道水冷散热器结构参数进行优化，得到最优结构参数。

优选的，步骤S1中所述多通道水冷散热器不变的初始结构参数包括散热筋宽度w1、水道宽度w2、水道数N、散热筋高度H、占空比Γ、纵横比Γ1、进水口压力P_in和出水口压力P_out。

优选的，步骤S2中所述多通道水冷散热器待优化的结构参数包括散热器的翅片数量n和冷却液进口流速v。

优选的，步骤S6包括以下步骤：

S61：初始化种群参数；

S62：随机初始化每组参数向量和当前最优的多通道水冷散热器结构参数值F；

S63：计算每个樽海鞘个体的适应度值，将最优适应度值所对应的个体位置定义为当前最优的多通道水冷散热器结构参数值F；

S64：引入引力算法，更新第一组参数向量，把这组参数向量定义为首组参数；

S65：更新跟随者樽海鞘的位置，并且修正参数向量辨识范围的上下限；

S66：根据当前位置重新计算每个樽海鞘个体的适应度值，更新当前最优的多通道水冷散热器结构参数值F；

S67：判断是否达到最大迭代次数T_m：是，则输出最优的多通道水冷散热器结构参数值F；否，则返回步骤S63。

优选的，步骤S61中所述种群参数包括种群个数N、参数向量辨识范围的上限ub_j和下限lb_j、搜索空间的维度D和最大迭代次数T_m；随机初始化产生的种群位置，公式如下：

式中：x_ij为第i个樽海鞘在j维度的种群位置，i＝1,...,N；j＝1,...,D。

优选的，步骤S63中将igbt的最高温度、面均温差和冷却液的压力损失的实验测量值分别与仿真值做差，并加入权重因子，得到适应度函数的公式如下：

f＝λ₁|T_max-T_max0|+λ₂|T_av-T_av0|+λ₃|ΔP-ΔP₀| (2)

式中，T_max0、T_av0和ΔP₀分别为通过实验测量得到的igbt的最高温度、面均温差和冷却液的压力损失；T_max、T_av、ΔP分别为通过仿真得到的igbt的最高温度、面均温差和冷却液的压力损失；λ₁，λ₂，λ₃分别为T_max、T_av、ΔP的权重因子，且λ₁+λ₂+λ₃＝1。

优选的，λ₁＝λ₂＝λ₃＝1/3。

优选的，步骤S64包括以下步骤：

S641：根据适应度值的优劣，更新第i个樽海鞘个体的惯性质量M_i(t)，公式如下：

式中，fit_i(t)是t时刻多通道水冷散热器的结构参数；best(t)和worst(t)分别是t时刻多通道水冷散热器的最优结构参数值和最差的的结构参数值；

S642：计算任意两个樽海鞘个体之间的引力大小，公式如下：

式中，M_i(t)和M_j(t)分别是t时刻樽海鞘i和j的惯性质量；ε是一个常量；R_ij(t)是t时刻樽海鞘i和j之间的欧氏距离；

和

分别表示t时刻d个樽海鞘在j和i维空间的位置；G(t)是t时刻的引力系数，表示为：

式中，G₀是引力系数初值，取值100；α是衰减系数，取值20；

S643：定义在d维空间上粒子i受到的合力F_i ^d(t)表达式为：

式中，rand(0,1)为[0,1]中的一个随机数；

S644：根据牛顿第二定律，定义t时刻第d维空间上樽海鞘i的加速度为

公式为：

S645：更新第一组参数向量采用如下公式：

式中，

为第j个领导者樽海鞘在第i维空间的位置；ub_i、lb_i分别为第i维位置对应的上限和下限；F_i是食物源在第i维空间的位置；系数r₁定义为：

式中，t为当前迭代次数；T_m是最大迭代次数；系数r₂和r₃是在[0,1]范围内的随机数，r₃指示下一个位置的移动方向。

与现有技术相比，本发明的有益效果是：

本发明以标准樽海鞘群算法为基础，通过在更新樽海鞘领导者位置公式的地方引入引力算法，能够提高每组参数向量搜索范围的有效性，进而提高参数向量的搜索性能，有效地对多通道水冷散热器结构参数进行全局搜索，实现对多通道水冷散热器进行整体优化，大幅度改善多通道水冷散热器的散热性能，并且稳定性高。

附图说明

图1为本发明一种基于改进樽海鞘群算法的多通道水冷散热器优化方法的流程图。

具体实施方式

下面结合附图对本发明的具体实施方式作进一步说明。在此需要说明的是，对于这些实施方式的说明用于帮助理解本发明，但并不构成对本发明的限定。此外，下面所描述的本发明各个实施方式中所涉及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，一种基于改进樽海鞘群算法的多通道水冷散热器优化方法，主要是将多通道水冷散热器的散热翅片数目n，冷却液流速v作为待优化的结构参数，将igbt的最高温度T_max，面均温差T_av和冷却液的压力损失ΔP作为优化目标，主要包括以下步骤：

S1：计算多通道水冷散热器的初始结构参数。

初始结构参数包括散热筋宽度w1、水道宽度w2、水道数N、散热筋高度H、占空比Γ、纵横比Γ1、进水口压力P_in和出水口压力P_out。

S2：选取多通道水冷散热器待优化的结构参数。

待优化的结构参数包括散热器的翅片数量n和冷却液进口流速v。

S3：针对多通道是水冷散热器不变的初始结构参数建立多通道水冷散热器的有限元模型，仿真得到多通道水冷散热器的性能参数：igbt的最高温度T_max、面均温差T_av和冷却液的压力损失ΔP；

S4：根据多通道水冷散热器待优化的结构参数和多通道水冷散热器的性能参数，构建样本数据，并将样本数据作为参数向量。

S5：训练样本数据，得到待优化的多通道水冷散热器模型。

S6：根据待优化的多通道水冷散热器模型，以散热器待优化结构参数为优化对象，以igbt的最高温度T_max、面均温差T_av和冷却液的压力损失ΔP为优化目标，对多通道水冷散热器结构参数进行优化，得到最优结构参数。

S61：初始化种群参数；

种群参数包括种群个数N、搜索空间的上限ub_j和下限lb_j(参数向量辨识范围)、搜索空间的维度D和最大迭代次数T_m；随机初始化产生的种群位置，公式如下：

式中：x_ij为第i个樽海鞘在j维度的种群位置，i＝1,...,N；j＝1,...,D。

S62：随机初始化领导者樽海鞘的位置(即每组参数向量)和食物源位置F(即当前最优的多通道水冷散热器结构参数值)；

S63：计算每个樽海鞘个体的适应度值，适应度值是指根据适应度函数计算得到的函数值，其值越小，表示适应度值越高，将最优适应度值所对应的个体位置定义为当前最优的多通道水冷散热器结构参数值F；

将igbt的最高温度、面均温差和冷却液的压力损失的实验测量值分别与仿真值做差，并加入权重因子，得到适应度函数的公式如下：

f＝λ₁|T_max-T_max0|+λ₂|T_av-T_av0|+λ₃|ΔP-ΔP₀| (2)

式中，T_max0、T_av0和ΔP₀分别为通过实验测量得到的igbt的最高温度、面均温差和冷却液的压力损失；T_max、T_av、ΔP分别为通过仿真得到的igbt的最高温度、面均温差和冷却液的压力损失；λ₁，λ₂，λ₃分别为T_max、T_av、ΔP的权重因子，且λ₁+λ₂+λ₃＝1。本发明适应度函数的三个权重因子视为相等且都等于1/3。

S64：引入引力算法，根据引力算法，更新领导者樽海鞘的位置，即更新第一组参数向量，把这组参数向量定义为首组参数；

S641：为提高樽海鞘群算法的搜索性能，有效的进行全局搜索，根据适应度值的优劣，更新第i个樽海鞘个体的惯性质量M_i(t)，公式如下：

式中，fit_i(t)是t时刻多通道水冷散热器的结构参数；best(t)和worst(t)分别是t时刻多通道水冷散热器的最优结构参数值和最差的的结构参数值；

S642：计算任意两个樽海鞘个体之间的引力大小

公式如下：

式中，M_i(t)和M_j(t)分别是t时刻樽海鞘i和j的惯性质量；ε是一个常量；R_ij(t)是t时刻樽海鞘i和j之间的欧氏距离；

和

分别表示t时刻d个樽海鞘在j和i维空间的位置；G(t)是t时刻的引力系数，表示为：

式中，G₀是引力系数初值，取值100；α是衰减系数，取值20；

S643：为增加领导者樽海鞘位置的随机性，提高樽海鞘领导者搜索范围的有效性，更准确且快速的计算出多通道水冷散热器的结构参数，定义在d维空间上粒子i受到的合力F_i ^d(t)表达式为：

式中，rand(0,1)为[0,1]中的一个随机数；

S644：为了更快的进行最优多通道水冷散热器结构参数的搜索，加快两组样本数据之间的计算迭代速度，加快收敛速度，根据牛顿第二定律，定义t时刻第d维空间上樽海鞘i的加速度为

公式为：

S645：领导者根据食物源更新位置，即更新第一组参数向量，使其总在食物源附近进行探索开发，使其总在多通道水冷散热器最优结构参数附近进行搜索，其公式为：

式中，

为第j个领导者樽海鞘在第i维空间的位置；ub_i、lb_i分别为第i维位置对应的上限和下限；F_i是食物源在第i维空间的位置；系数r₁定义为：

式中，t为当前迭代次数；T_m是最大迭代次数；系数r₂和r₃是在[0,1]范围内的随机数，r₃指示下一个位置的移动方向。

S65：更新跟随者樽海鞘的位置，并且修正每一个超过上限或者下限樽海鞘个体的位置，目的是为了使每一个樽海鞘不超过参数向量的辨识范围；

S66：根据当前位置重新计算每个樽海鞘个体的适应度值，更新食物源位置F，即更新当前最优的多通道水冷散热器结构参数值F；

S67：判断是否达到最大迭代次数T_m：是，则输出当前樽海鞘的位置值，当前位置值即是最优的多通道水冷散热器结构参数值；否，则返回步骤S63。

以上结合附图对本发明的实施方式作了详细说明，但本发明不限于所描述的实施方式。对于本领域的技术人员而言，在不脱离本发明原理和精神的情况下，对这些实施方式进行多种变化、修改、替换和变型，仍落入本发明的保护范围内。

Claims (8)

1.一种基于改进樽海鞘群算法的多通道水冷散热器优化方法，其特征在于，包括以下步骤：

S1：计算多通道水冷散热器的初始结构参数；

S2：选取多通道水冷散热器待优化的结构参数；

S3：针对多通道是水冷散热器不变的初始结构参数建立多通道水冷散热器的有限元模型，仿真得到多通道水冷散热器的性能参数；

S4：根据多通道水冷散热器待优化的结构参数和多通道水冷散热器的性能参数，构建样本数据，并将样本数据作为参数向量；

S5：训练样本数据，得到待优化的多通道水冷散热器模型；

S6：根据待优化的多通道水冷散热器模型，以散热器待优化结构参数为优化对象，以igbt的最高温度T_max、面均温差T_av和冷却液的压力损失ΔP为优化目标，对多通道水冷散热器结构参数进行优化，得到最优结构参数。

2.根据权利要求1所述的一种基于改进樽海鞘群算法的多通道水冷散热器优化方法，其特征在于：步骤S1中所述多通道水冷散热器不变的初始结构参数包括散热筋宽度w1、水道宽度w2、水道数N、散热筋高度H、占空比Γ、纵横比Γ1、进水口压力P_in和出水口压力P_out。

3.根据权利要求2所述的一种基于改进樽海鞘群算法的多通道水冷散热器优化方法，其特征在于：步骤S2中所述多通道水冷散热器待优化的结构参数包括散热器的翅片数量n和冷却液进口流速v。

4.根据权利要求3所述的一种基于改进樽海鞘群算法的多通道水冷散热器优化方法，其特征在于，步骤S6包括以下步骤：

S61：初始化种群参数；

S62：随机初始化每组参数向量和当前最优的多通道水冷散热器结构参数值F；

S63：计算每个樽海鞘个体的适应度值，将最优适应度值所对应的个体位置定义为当前最优的多通道水冷散热器结构参数值F；

S64：引入引力算法，更新第一组参数向量，把这组参数向量定义为首组参数；

S65：更新跟随者樽海鞘的位置，并且修正参数向量辨识范围的上下限；

S66：根据当前位置重新计算每个樽海鞘个体的适应度值，更新当前最优的多通道水冷散热器结构参数值F；

S67：判断是否达到最大迭代次数T_m：是，则输出最优的多通道水冷散热器结构参数值F；否，则返回步骤S63。

5.根据权利要求4所述的一种基于改进樽海鞘群算法的多通道水冷散热器优化方法，其特征在于，步骤S61中所述种群参数包括种群个数N、参数向量辨识范围的上限ub_j和下限lb_j、搜索空间的维度D和最大迭代次数T_m；随机初始化产生的种群位置，公式如下：

式中：x_ij为第i个樽海鞘在j维度的种群位置，i＝1,...,N；j＝1,...,D。

6.根据权利要求5所述的一种基于改进樽海鞘群算法的多通道水冷散热器优化方法，其特征在于，步骤S63中将igbt的最高温度、面均温差和冷却液的压力损失的实验测量值分别与仿真值做差，并加入权重因子，得到适应度函数的公式如下：

f＝λ₁|T_max-T_max0|+λ₂|T_av-T_av0|+λ₃|ΔP-ΔP₀| (2)

式中，T_max0、T_av0和ΔP₀分别为通过实验测量得到的igbt的最高温度、面均温差和冷却液的压力损失；T_max、T_av、ΔP分别为通过仿真得到的igbt的最高温度、面均温差和冷却液的压力损失；λ₁，λ₂，λ₃分别为T_max、T_av、ΔP的权重因子，且λ₁+λ₂+λ₃＝1。

7.根据权利要求6所述的一种基于改进樽海鞘群算法的多通道水冷散热器优化方法，其特征在于：λ₁＝λ₂＝λ₃＝1/3。

8.根据权利要求4所述的一种基于改进樽海鞘群算法的多通道水冷散热器优化方法，其特征在于，步骤S64包括以下步骤：

S641：根据适应度值的优劣，更新第i个樽海鞘个体的惯性质量M_i(t)，公式如下：

式中，fit_i(t)是t时刻多通道水冷散热器的结构参数；best(t)和worst(t)分别是t时刻多通道水冷散热器的最优结构参数值和最差的的结构参数值；

S642：计算任意两个樽海鞘个体之间的引力大小，公式如下：

式中，M_i(t)和M_j(t)分别是t时刻樽海鞘i和j的惯性质量；ε是一个常量；R_ij(t)是t时刻樽海鞘i和j之间的欧氏距离；

和

分别表示t时刻d个樽海鞘在j和i维空间的位置；G(t)是t时刻的引力系数，表示为：

式中，G₀是引力系数初值，取值100；α是衰减系数，取值20；

S643：定义在d维空间上粒子i受到的合力F_i ^d(t)表达式为：

式中，rand(0,1)为[0,1]中的一个随机数；

S644：根据牛顿第二定律，定义t时刻第d维空间上樽海鞘i的加速度为

公式为：

S645：更新第一组参数向量采用如下公式：

式中，

为第j个领导者樽海鞘在第i维空间的位置；ub_i、lb_i分别为第i维位置对应的上限和下限；F_i是食物源在第i维空间的位置；系数r₁定义为：

式中，t为当前迭代次数；T_m是最大迭代次数；系数r₂和r₃是在[0,1]范围内的随机数，r₃指示下一个位置的移动方向。

Images