CN112800547A - 电动汽车电机控制器的布局优化方法、装置及存储介质 - Google Patents
电动汽车电机控制器的布局优化方法、装置及存储介质 Download PDFInfo
- Publication number
- CN112800547A CN112800547A CN202110133388.2A CN202110133388A CN112800547A CN 112800547 A CN112800547 A CN 112800547A CN 202110133388 A CN202110133388 A CN 202110133388A CN 112800547 A CN112800547 A CN 112800547A
- Authority
- CN
- China
- Prior art keywords
- motor controller
- layout
- electric vehicle
- population
- scheme
- 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.)
- Granted
Links
- 238000005457 optimization Methods 0.000 title claims abstract description 83
- 238000000034 method Methods 0.000 title claims abstract description 61
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 37
- 239000003990 capacitor Substances 0.000 claims abstract description 33
- 238000013461 design Methods 0.000 claims abstract description 32
- 230000002068 genetic effect Effects 0.000 claims abstract description 27
- 230000015654 memory Effects 0.000 claims description 25
- 238000011156 evaluation Methods 0.000 claims description 17
- 230000006870 function Effects 0.000 claims description 17
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000012163 sequencing technique Methods 0.000 claims description 6
- 230000001052 transient effect Effects 0.000 claims description 3
- 238000004891 communication Methods 0.000 claims description 2
- 230000007547 defect Effects 0.000 abstract description 5
- 230000010354 integration Effects 0.000 abstract description 4
- 230000008569 process Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 230000017525 heat dissipation Effects 0.000 description 5
- 239000007787 solid Substances 0.000 description 3
- 238000004590 computer program Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000000446 fuel Substances 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000012938 design process Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000002427 irreversible effect Effects 0.000 description 1
- 230000005389 magnetism Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012858 packaging process Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000035807 sensation Effects 0.000 description 1
- 230000011664 signaling Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/15—Vehicle, aircraft or watercraft design
-
- 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
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/06—Power analysis or power optimisation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Biology (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Genetics & Genomics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Aviation & Aerospace Engineering (AREA)
- Automation & Control Theory (AREA)
- Physiology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Electric Propulsion And Braking For Vehicles (AREA)
- Control Of Electric Motors In General (AREA)
Abstract
本发明公开了一种电动汽车电机控制器的布局优化方法、装置及存储介质,该方法包括:根据预设指标、母线电容模型以及功率器件的损耗模型选取所述电动汽车电机控制器所需元件类型及控制参数;根据非支配排序遗传算法对选取的元件及元件的接线端子进行布局设计,得到所述电动汽车电机控制器的布局方案。通过实施本发明,根据预设指标、母线电容模型以及功率器件的损耗模型,选取合适的元件类型,利用非支配排序遗传算法对选取的元件进行布局优化。由此,该布局优化方法使自动布局得以实现,可以获得基于现有技术下,满足工程实际的电动汽车控制器优化集成的设计,克服了人工设计效率低下,周期长的不足。
Description
技术领域
本发明涉及电动汽车电机控制器设计技术领域,具体涉及一种电动汽车电机控制器的布局优化方法、装置及存储介质。
背景技术
从2017年起,世界各国先后出台了燃油车的禁售时间表,电动汽车取代燃油车成为一种不可逆转的趋势,电动汽车电机控制器作为电动汽车的动力来源,减小其体积,提高功率密度是节约成本亟需解决的问题。
电动汽车电机控制器主要由母线电容、功率模块、散热器、控制电路板和驱动电路板几部分组成。目前,提高电动汽车电机控制器的功率密度的主要研究方向是:改进功率模块的封装工艺,减小功率模块的体积;提高功率模块的散热效率,减小散热器的体积;提高功率模块的开关频率,减小母线电容的体积。这三个研究方向都是针对电动汽车电机控制器局部个体进行优化,并未对功率变换器的整体布局进行考虑。
目前,电动汽车电机控制器的布局设计主要依靠人为经验,借助于三维设计软件SolidWorks和有限元软件ANSYS等进行设计。基本的人工布局设计流程如下:首先,在三维设计软件中建立各个基本组成部分的三维模型;然后根据电动汽车电机控制器实际的电气连接和外部接口的位置对每个组成部分进行排布;最后,根据电机控制器的布局形式确定散热器的几何结构和尺寸大小。在上述的设计过程中,只要有一个部分组件进行的调整就会导致其它组件的调整甚至可能导致整体布局的调整,设计效率很低。而且人工布局一次所花费的时间就很长,无法考虑所有的布局方式,所以其设计结果只能保证达到功率密度的要求,却不能保证是否有更优秀的布局方案来改进现有的布局方式。
发明内容
有鉴于此,本发明实施例提供了涉及一种电动汽车电机控制器的布局优化方法、装置及存储介质,以解决现有技术中采用人工布局对电动汽车电机控制器进行设计费时费力的技术问题。
本发明提出的技术方案如下:
本发明实施例第一方面提供一种电动汽车电机控制器的布局优化方法,该方法包括:根据预设指标、母线电容模型以及功率器件的损耗模型选取所述电动汽车电机控制器所需元件类型及控制参数;根据非支配排序遗传算法对选取的元件及元件的接线端子进行布局设计,得到所述电动汽车电机控制器的布局方案。
可选地,根据预设指标、母线电容模型以及功率器件的损耗模型选取所述电动汽车电机控制器所需元件类型及控制参数,包括:根据所述电动汽车电机控制器的工作参数确定预设指标;根据所述预设指标建立元件数据库;根据母线电容与电压、电流纹波、开关频率的关系建立母线电容模型以及功率器件的损耗模型;基于所述元件数据库,根据所述母线电容模型以及功率器件的损耗模型选取所述电动汽车电机控制器所需元件类型及控制参数。
可选地,基于所述元件数据库,根据所述母线电容模型以及功率器件的损耗模型选取所述电动汽车电机控制器所需元件类型及控制参数,包括:根据所述元件数据库,确定电机控制器的元件组合方案;根据所述母线电容模型以及功率器件的损耗模型计算每种元件组合方案工作参数;根据所述每种元件组合方案工作参数以及工作指标确定所述元件组合方案中最优方案;根据所述最优方案确定所述电动汽车电机控制器所需元件类型及控制参数。
可选地,根据非支配排序遗传算法对选取的元件及元件的接线端子进行布局设计,得到所述电动汽车电机控制器的布局方案,包括:以温升和杂散电感参数为优化目标,根据非支配排序遗传算法对选取的每个元件的空间位置进行优化,得到优化后的布局方案;基于非支配排序遗传算法,将所述优化后的布局方案作为初始种群进行优化,得到所述电动汽车电机控制器的布局方案。
可选地,根据非支配排序遗传算法对选取的每个元件的空间位置进行优化,得到优化后的布局方案,包括:采用随机数函数生成初始种群和子代种群;将所述初始种群和所述子代种群合并,对合并后的种群进行排序,确定父代种群;对所述父代种群进行交叉和变异操作,得到所述父代种群的子代种群;将所述父代种群的子代种群和所述父代种群合并;重复上述步骤,直到达到所需要求,确定优化后的布局方案。
可选地,将所述初始种群和所述子代种群合并,对合并后的种群进行排序,确定父代种群,包括:将所述初始种群和所述子代种群合并;根据评估函数对合并后种群中每个个体进行非支配排序;根据所述评估函数对非支配层的个体进行拥挤度计算;根据拥挤度计算结果和非支配排序结果确定父代种群。
可选地,所述评估函数由温升和杂散电感参数构成,所述评估函数通过以下公式表示:
其中,Zth表示瞬态热阻抗网络;Lline表示连接导线的外自感和内自感之和;Lbusbar表示母排的外自感,P表示元件的功率,Tamb表示环境温度。
本发明实施例第二方面提供一种电动汽车电机控制器的布局优化系统,包括:元件确定模块,用于根据预设指标、母线电容模型以及功率器件的损耗模型选取所述电动汽车电机控制器所需元件类型及控制参数;布局优化模块,用于根据非支配排序遗传算法对选取的元件及元件的接线端子进行布局设计,得到所述电动汽车电机控制器的布局方案。
本发明实施例第三方面提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使所述计算机执行如本发明实施例第一方面及第一方面任一项所述的电动汽车电机控制器的布局优化方法。
本发明实施例第四方面提供一种电子设备,包括:存储器和处理器,所述存储器和所述处理器之间互相通信连接,所述存储器存储有计算机指令,所述处理器通过执行所述计算机指令,从而执行如本发明实施例第一方面及第一方面任一项所述的电动汽车电机控制器的布局优化方法。
本发明提供的技术方案,具有如下效果:
本发明实施例提供的电动汽车电机控制器的布局优化方法、装置及存储介质,根据预设指标、母线电容模型以及功率器件的损耗模型,选取合适的元件类型,利用非支配排序遗传算法对选取的元件进行布局优化。由此,该布局优化方法使自动布局得以实现,可以获得基于现有技术下,满足工程实际的电动汽车控制器优化集成的设计,克服了人工设计效率低下,周期长的不足。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施方式,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是根据本发明实施例的电动汽车电机控制器的布局优化方法的流程图;
图2(a)至图2(c)是根据本发明实施例的电动汽车电机控制器的布局优化方法中的元件布局结构示意图;
图3是根据本发明另一实施例的电动汽车电机控制器的布局优化方法的流程图;
图4是根据本发明另一实施例的电动汽车电机控制器的布局优化方法的流程图;
图5是根据本发明另一实施例的电动汽车电机控制器的布局优化方法的流程图;
图6是根据本发明另一实施例的电动汽车电机控制器的布局优化方法的流程图;
图7是根据本发明实施例的电动汽车电机控制器的布局优化方法优化后的布局结构示意图;
图8是根据本发明实施例的电动汽车电机控制器的布局优化系统的结构框图;
图9是根据本发明实施例提供的计算机可读存储介质的结构示意图;
图10是根据本发明实施例提供的电子设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明实施例提供一种电动汽车电机控制器的布局优化方法,如图1所示,该布局优化方法包括如下步骤:
步骤S101:根据预设指标、母线电容模型以及功率器件的损耗模型选取电动汽车电机控制器所需元件类型及控制参数;具体地,在对电机控制器进行布局之前,可以先根据预设指标要求、母线电容模型以及功率器件的损耗模型为该控制器选取合适的元件类型或型号以及该控制器相应的控制参数,保证该控制器能够达到工作所需的要求。
步骤S102:根据非支配排序遗传算法对选取的元件及元件的接线端子进行布局设计,得到电动汽车电机控制器的布局方案。具体地,在选取合适的元件之后,可以根据选取的元件采用非支配遗传算法进行布局设计。
在一实施例中,在布局之前,首先要建立能过准确描述实际电机控制器中元器件相一致的数学模型,该模型应具备能够清楚表示元件的空间位置关系、接线端子之间的互连关系以及接线端子在模型中的精确位置,该模型的空间位置可以用三组字符串或者数字串来表示,每个字符或者数字代表电机控制其组成元件。如图2(a)所示,元件A位于元件B的左边,元件B位于元件C的左边,则字符编码为:(ABC,ABC,ABC);如图2(b)所示,元件A位于元件B的前边,元件B位于元件C的前边,则字符编码为:(ABC,CBA,CBA);如图2(c)所示,元件B位于元件A的上边,元件C位于元件B的上边,则字符编码为:(ABC,CBA,ABC)。接线端子之间的互连关系以及接线端子在模型中的精确位置用三维坐标来表示,参考对象为元器件本身。
其次,要设计满足符合工程实际的评估算法,该评估算法包括热、电、磁等方面因素;最后根据建立的数学模型和评估算法,设计执行速度快、收敛性好的优化算法,在本发明实施例中,采用非支配遗传算法进行电动汽车电机控制器的布局设计。
在一实施例中,在完成布局之后,可以将该电动汽车电机控制器最优设计方案输出。输出的设计方案包括元器件类型,布局方案,控制参数;其中元件的类型包括:母线电容的容值、体积以及成本,功率模块的型号,体积大小以及成本,还有散热系统的热阻、几何结构;布局方案应该是能过满足工程实际的参考布局方案;控制参数包括电压电流纹波、开关频率、调制比等。
本发明实施例提供的电动汽车电机控制器的布局优化方法,根据预设指标、母线电容模型以及功率器件的损耗模型,选取合适的元件类型,利用非支配排序遗传算法对选取的元件进行布局优化。由此,该布局优化方法使自动布局得以实现,可以获得基于现有技术下,满足工程实际的电动汽车控制器优化集成的设计,克服了人工设计效率低下,周期长的不足。
在一实施例中,如图3所示,根据预设指标、母线电容模型以及功率器件的损耗模型选取所述电动汽车电机控制器所需元件类型及控制参数,包括如下步骤:
步骤S201:根据电动汽车电机控制器的工作参数确定预设指标;具体地,不同的电动汽车对于电机控制器可能有不同的工作要求,例如,对于电机控制器的效率、功率密度、成本以及体积等工作参数会有不同要求,可以根据这些工作参数的具体要求设计相应电机控制器的预设指标,例如体积不超过多少、成本不超过多少等等。
步骤S202:根据预设指标建立元件数据库;具体地,在确定电动汽车电机控制器的预设指标之后,可以根据该指标建立该电机控制器的元件数据库,该元件数据库中包括满足该电机控制器预设指标的所有元件。
步骤S203:根据母线电容与电压、电流纹波、开关频率的关系建立母线电容模型以及功率器件的损耗模型。
在一实施例中,当该电机控制器中的功率模块选择IGBT功率模块时,功率模块的损耗主要包括导通损耗PIGBT_con_loss、开关损耗PIGBT_sw_loss、续流二极管的通态损耗PDiode_con_loss和反向恢复损耗PDiode_rr_loss四部分组成。因此根据不同的调制模式,可以建立功率模块的总的损耗Ptot_loss与调制比M、开关频率f的关系。其中,功率模块的损耗模块可以由公式(1)表示:
Ptot_loss=PIGBT_con_loss+PIGBT_sw_loss+PDiode_con_loss+PDiode_rr_loss
公式(1)
同时,为了使得该电动汽车工作在最大输出功率的情况下保证电压的稳定,直流母线电容的最小容值可以由公式(2)表示,同时该公式(2)也可以表示为该电机控制器的母线电容模型。
其中f为开关频率,U为直流母线电压最大值,Pout_max为整机输出最大功率值,由公式(2)可知直流母线电容的容值与功率器件的开关频率成负相关,开关频率越大,所需的电容容值也就越小,且电容的容值与电容的体积成正相关,因此提高功率器件的开关频率能够减小电容器的体积,对整个系统的功率密度提高有很大帮助。但是,开关频率越高,功率半导体器件的损耗也就越大,系统的工作效率也就越低,因此,需要根据该母线电容模型选择合适的母线电容。
步骤S204:基于元件数据库,根据母线电容模型以及功率器件的损耗模型选取电动汽车电机控制器所需元件类型及控制参数。在一实施例中,在建立元件数据库之后,可以基于数据库中的元件,将其进行组合,得到多种元件组合方案;对于每一种元件组合方案,可以根据上述得到的母线电容模型以及功率器件的损耗模型计算每种方案的工作参数,包括电容容值大小以及散热系统的热阻等。同时还可以对每种方案计算电动汽车电机控制器的效率、功率密度和成本,通过枚举法对比选择多种元件组合方案中最优的元器件选型方案,得到最优的元件选择方案和最优的控制器参数。
在一实施例中,如图4所示,该电机控制器的元件选型过程可以按照以下流程实现,首先建立不同电机控制器的元件数据库,然后选择其中的第n个电机控制器对其进行设计,其设计变量包括开关频率、输入电流波纹以及输出电流波纹等。然后根据建立的母线电容模型以及功率器件的损耗模型计算每种元件组合的导通和开关损耗,同时还可以计算母线电容容值以及散热系统的热阻,并根据计算的结果设计母线电容的体积以及散热系统几何结构;之后还可以根据步骤S102中提到的评估算法,对每种组合计算功率密度和效率,同时还可以根据实际需要对其不断进行优化,直到达到优化的次数;最后可以通过枚举法对比选择最优的元器件选型方案,得到最优的元件选择方案和最优的控制器参数。
在一实施例中,如图5所示,根据非支配排序遗传算法对选取的元件及元件的接线端子进行布局设计,得到电动汽车电机控制器的布局方案,包括如下步骤:
步骤S301:以温升和杂散电感参数为优化目标,根据非支配排序遗传算法对选取的每个元件的空间位置进行优化,得到优化后的布局方案。
在一实施例中,采用据非支配排序遗传算法进行布局优化时,可以按照以下过程实现:
步骤S311:采用随机数函数生成初始种群和子代种群;该随机数函数可以是randperm函数,例如randperm(6),表示长生1到6的随机整数向量,比如:[3 2 6 4 1 5]。该生成的初始种群和子代种群中的每一个个体分别代表一种电动汽电机控制器的布局方式,初始种群和子代种群中的个体数量可以根据实际情况确定,一般为300~500个,种群中的个体采用序列对的方式进行表达。
步骤S312:将初始种群和子代种群合并,对合并后的种群进行排序,确定父代种群;具体地,在种群合并后,可以对合并后的种群中的每个个体分别计算其温升和杂散电感值大小,据此对合并的种群Rt进行快速非支配排序,同时利用温升和杂散电感值大小对非支配层的个体进行拥挤度计算,根据非支配排序和拥挤度确定父代种群Pt+1。
在一实施例中,温升和杂散电感值可以组成该非支配排序遗传算法的评估函数。在一具体实施方式中,该评估函数可以由公式(3)表示:
其中,Zth表示瞬态热阻抗网络;Lline表示连接导线的外自感和内自感之和;Lbusbar表示母排的外自感,P表示元件的功率,Tamb表示环境温度。
在一实施例中,对于合并后的种群中的每个个体分别代表一种所有立方体的空间位置关系;根据立方体的空间位置关系和对应的尺寸关系计算连接线的长度;利用最长路径算法来计算在三个不同维度的最长路,从而计算对应布局的体积;对所有个体遍历,计算所有个体布局体积和连接线长度;最后基于评估函数,根据计算的所有个体布局体积和连接线长度对种群Rt进行非支配排序和拥挤度计算,最终确定父代种群Pt+1。
步骤S313:对父代种群进行交叉和变异操作,得到父代种群的子代种群;其中,得到的子代种群的个体数量相同。
步骤S314:将父代种群的子代种群和父代种群合并,重复上述步骤,直到达到所需要求,确定优化后的布局方案。具体地,将得到的个体数量相同的子代种群和父代种群合并组成新的的种群,并重复步骤312的排序及步骤S313交叉变异操作以及之后的合并步骤,直至电动汽车电机控制器的功率密度达到要求或种群迭代次数达到设定的最大值,得到优化后的布局方案。
步骤S302:基于非支配排序遗传算法,将优化后的布局方案作为初始种群进行优化,得到电动汽车电机控制器的布局方案。具体地,在采用步骤S 311至步骤S314对电动汽车电机控制器的布局进行第一层优化之后,还可以将优化后的布局方案作为初始种群进行第二层优化,在第二层优化过程中,可以循环执行步骤S301中的过程,循环的次数可以根据具体情况确定,最终通过第二层优化可以得到电动汽车电机控制器的最优布局方案。
在一实施例中,该布局优化方法可以按照如图6所示的流程实现:S101确定电机控制器的元件,即控制的基本组成部分;S21,根据基本组成部分的尺寸,对应等效成同尺寸的元件模型;S32,确定实际连接点在等效元件模型实际的位置;S331,利用随机数发生器生成初始种群Pt和子种群Qt;S3321,确定种群的相对位置关系;S3322,计算个体的电气连接长度;S3323,计算布局的体积;S3324,遍历所有个体执行S3322和S3323,对种群Rt进行非支配排序和拥挤度计算,确定父代种群Pt+1;S333,对父代种群Pt+1进行交叉、变异,得到子代种群Qt;S335,通过判断迭代次数是否达到设定值或者是否得到最优个体得到最优朝向和适应度;S336,最后通过判断运行次数进行第二层优化,并得到最终的布局结果。
本发明实施例提供的电动汽车电机控制器的布局优化方法,以温升和母排杂散电感参数为优化目标,由于温升和母排杂散电感参数不是相同的物理量,权值的选择极大影响优化算法的结果;因此,该布局优化方法采用非支配排序遗传算法可以更好的解决多目标优化的问题。同时,本发明实施例提供的电动汽车电机控制器的布局优化方法,采用两层优化可以根据第一层的优化结果,选择出适应度高的个体(即优秀的设计方案)作为初始种群,这样在一定程度上可以克服随机生成初始种群中适应度低个体太多,影响算法的收敛性,而且两层优化在具体应用时可以具体根据实际情况来设定,将运行次数No_Run设为1,就是一层优化,由此增加了优化算法的灵活性。
在一实施例中,本发明实施例提供的电动汽车电机控制器的布局优化方法可以按照以下流程实现,首先按照步骤S101选取的电动汽车电机控制器的元件包括3个母线电容、3个功率模块、3个驱动板和1块控制电路板,相应等效立方体的尺寸如表1所示。
表1
元件 | 基本组成部分 | 长(cm) | 宽(cm) | 高(cm) |
1 | 母线电容 | 10 | 10 | 6.3 |
2 | 母线电容 | 10 | 10 | 6.3 |
3 | 母线电容 | 10 | 10 | 6.3 |
4 | 控制电路板 | 18 | 13 | 0.5 |
5 | 功率模块 | 10 | 20 | 2 |
6 | 功率模块 | 10 | 20 | 2 |
7 | 功率模块 | 10 | 20 | 2 |
8 | 驱动板 | 10 | 12 | 0.5 |
9 | 驱动板 | 10 | 12 | 0.5 |
10 | 驱动板 | 10 | 12 | 0.5 |
根据上述步骤S312,各连接点在等效元件上的位置如表2所示。以母线电容为例,在表1中可以看出母线的长宽高分别为:10cm、10cm、6.3cm;假设以电容顶点为坐标原点,那么电容负极点的坐标为(3,3,6.3)、正极点的坐标为(3,3,6.3)。
表2
根据上述步骤S301,10个等效元件分别用大写字母A~J或者1~10数字来表式。随机生成500个初始种群Pt和子种群Qt,种群的个体的长度为40。将每个个体输入到上述步骤S301的第一层优化中,得到优化后的布局。再通过步骤S302的第二层优化,可以得到该电机控制器的最优布局,如图7所示。最后可以将布局方案以及相应的元件、控制参数等输出。
本发明实施例提供的电动汽车电机控制器的布局优化方法,根据预设指标,首先对市场上的元件建立数据库,根据母线电容与电压、电流、开关频率的关系建立母线电容模型以及功率器件的损耗模型,建立电动汽车电机控制器做效率、功率密度和成本的整体评估方案,利用非支配排序遗传算法得到最优的元器件布局方案,并得到最优的控制参数,能过保证基于当前技术的最大功率密度。同时,该布局优化方法中提出的元件空间描述模型能过准确地描述布局是元件的空间位置关系以及接线端子在原件的实际位置。此外,采用基于温升和杂散电感参数的评估方案作为非支配排序算法优化目标,使自动布局得以实现。通过以上可以获得基于现有技术下,满足工程实际的电动汽车电机控制器的布局优化设计,克服了人工设计效率低下,周期长的不足。
本发明实施例提供的电动汽车电机控制器的布局优化系统,如图8所示,该系统包括:
元件确定模块1,用于根据预设指标、母线电容模型以及功率器件的损耗模型选取所述电动汽车电机控制器所需元件类型及控制参数;详细内容参见上述方法实施例中步骤S101的相关描述。
布局优化模块2,用于根据非支配排序遗传算法对选取的元件及元件的接线端子进行布局设计,得到所述电动汽车电机控制器的布局方案。详细内容参见上述方法实施例中步骤S102的相关描述。
本发明实施例提供的电动汽车电机控制器的布局优化系统,根据预设指标、母线电容模型以及功率器件的损耗模型,选取合适的元件类型,利用非支配排序遗传算法对选取的元件进行布局优化。由此,该布局优化方法使自动布局得以实现,可以获得基于现有技术下,满足工程实际的电动汽车控制器优化集成的设计,克服了人工设计效率低下,周期长的不足。
本发明实施例提供的电动汽车电机控制器的布局优化系统的功能描述详细参见上述实施例中电动汽车电机控制器的布局优化方法描述。
本发明实施例还提供一种存储介质,如图9所示,其上存储有计算机程序601,该指令被处理器执行时实现上述实施例中电动汽车电机控制器的布局优化方法的步骤。该存储介质上还存储有音视频流数据,特征帧数据、交互请求信令、加密数据以及预设数据大小等。其中,存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)、随机存储记忆体(Random Access Memory,RAM)、快闪存储器(Flash Memory)、硬盘(Hard DiskDrive,缩写:HDD)或固态硬盘(Solid-State Drive,SSD)等;所述存储介质还可以包括上述种类的存储器的组合。
本领域技术人员可以理解,实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)、随机存储记忆体(RandomAccessMemory,RAM)、快闪存储器(Flash Memory)、硬盘(Hard Disk Drive,缩写:HDD)或固态硬盘(Solid-State Drive,SSD)等;所述存储介质还可以包括上述种类的存储器的组合。
本发明实施例还提供了一种电子设备,如图10所示,该电子设备可以包括处理器51和存储器52,其中处理器51和存储器52可以通过总线或者其他方式连接,图10中以通过总线连接为例。
处理器51可以为中央处理器(Central Processing Unit,CPU)。处理器51还可以为其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等芯片,或者上述各类芯片的组合。
存储器52作为一种非暂态计算机可读存储介质,可用于存储非暂态软件程序、非暂态计算机可执行程序以及模块,如本发明实施例中的对应的程序指令/模块。处理器51通过运行存储在存储器52中的非暂态软件程序、指令以及模块,从而执行处理器的各种功能应用以及数据处理,即实现上述方法实施例中的电动汽车电机控制器的布局优化方法。
存储器52可以包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需要的应用程序;存储数据区可存储处理器51所创建的数据等。此外,存储器52可以包括高速随机存取存储器,还可以包括非暂态存储器,例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中,存储器52可选包括相对于处理器51远程设置的存储器,这些远程存储器可以通过网络连接至处理器51。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
所述一个或者多个模块存储在所述存储器52中,当被所述处理器51执行时,执行如图1-7所示实施例中的电动汽车电机控制器的布局优化方法。
上述电子设备具体细节可以对应参阅图1至图7所示的实施例中对应的相关描述和效果进行理解,此处不再赘述。
虽然结合附图描述了本发明的实施例,但是本领域技术人员可以在不脱离本发明的精神和范围的情况下做出各种修改和变型,这样的修改和变型均落入由所附权利要求所限定的范围之内。
Claims (10)
1.一种电动汽车电机控制器的布局优化方法,其特征在于,包括:
根据预设指标、母线电容模型以及功率器件的损耗模型选取所述电动汽车电机控制器所需元件类型及控制参数;
根据非支配排序遗传算法对选取的元件及元件的接线端子进行布局设计,得到所述电动汽车电机控制器的布局方案。
2.根据权利要求1所述的电动汽车电机控制器的布局优化方法,其特征在于,根据预设指标、母线电容模型以及功率器件的损耗模型选取所述电动汽车电机控制器所需元件类型及控制参数,包括:
根据所述电动汽车电机控制器的工作参数确定预设指标;
根据所述预设指标建立元件数据库;
根据母线电容与电压、电流纹波、开关频率的关系建立母线电容模型以及功率器件的损耗模型;
基于所述元件数据库,根据所述母线电容模型以及功率器件的损耗模型选取所述电动汽车电机控制器所需元件类型及控制参数。
3.根据权利要求2所述的电动汽车电机控制器的布局优化方法,其特征在于,基于所述元件数据库,根据所述母线电容模型以及功率器件的损耗模型选取所述电动汽车电机控制器所需元件类型及控制参数,包括:
根据所述元件数据库,确定电机控制器的元件组合方案;
根据所述母线电容模型以及功率器件的损耗模型计算每种元件组合方案工作参数;
根据所述每种元件组合方案工作参数以及工作指标确定所述元件组合方案中最优方案;
根据所述最优方案确定所述电动汽车电机控制器所需元件类型及控制参数。
4.根据权利要求1所述的电动汽车电机控制器的布局优化方法,其特征在于,根据非支配排序遗传算法对选取的元件及元件的接线端子进行布局设计,得到所述电动汽车电机控制器的布局方案,包括:
以温升和杂散电感参数为优化目标,根据非支配排序遗传算法对选取的每个元件的空间位置进行优化,得到优化后的布局方案;
基于非支配排序遗传算法,将所述优化后的布局方案作为初始种群进行优化,得到所述电动汽车电机控制器的布局方案。
5.根据权利要求4所述的电动汽车电机控制器的布局优化方法,其特征在于,根据非支配排序遗传算法对选取的每个元件的空间位置进行优化,得到优化后的布局方案,包括:
采用随机数函数生成初始种群和子代种群;
将所述初始种群和所述子代种群合并,对合并后的种群进行排序,确定父代种群;
对所述父代种群进行交叉和变异操作,得到所述父代种群的子代种群;
将所述父代种群的子代种群和所述父代种群合并;
重复上述步骤,直到达到所需要求,确定优化后的布局方案。
6.根据权利要求5所述的电动汽车电机控制器的布局优化方法,其特征在于,将所述初始种群和所述子代种群合并,对合并后的种群进行排序,确定父代种群,包括:
将所述初始种群和所述子代种群合并;
根据评估函数对合并后种群中每个个体进行非支配排序;
根据所述评估函数对非支配层的个体进行拥挤度计算;
根据拥挤度计算结果和非支配排序结果确定父代种群。
8.一种电动汽车电机控制器的布局优化系统,其特征在于,包括:
元件确定模块,用于根据预设指标、母线电容模型以及功率器件的损耗模型选取所述电动汽车电机控制器所需元件类型及控制参数;
布局优化模块,用于根据非支配排序遗传算法对选取的元件及元件的接线端子进行布局设计,得到所述电动汽车电机控制器的布局方案。
9.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使所述计算机执行如权利要求1-7任一项所述的电动汽车电机控制器的布局优化方法。
10.一种电子设备,其特征在于,包括:存储器和处理器,所述存储器和所述处理器之间互相通信连接,所述存储器存储有计算机指令,所述处理器通过执行所述计算机指令,从而执行如权利要求1-7任一项所述的电动汽车电机控制器的布局优化方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110133388.2A CN112800547B (zh) | 2021-01-29 | 2021-01-29 | 电动汽车电机控制器的布局优化方法、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110133388.2A CN112800547B (zh) | 2021-01-29 | 2021-01-29 | 电动汽车电机控制器的布局优化方法、装置及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112800547A true CN112800547A (zh) | 2021-05-14 |
CN112800547B CN112800547B (zh) | 2024-03-08 |
Family
ID=75813174
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110133388.2A Active CN112800547B (zh) | 2021-01-29 | 2021-01-29 | 电动汽车电机控制器的布局优化方法、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112800547B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117473910A (zh) * | 2023-11-28 | 2024-01-30 | 南方电网调峰调频发电有限公司检修试验分公司 | 低压电器元器件选型方法、装置、计算机设备和存储介质 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101162842A (zh) * | 2006-09-22 | 2008-04-16 | 开关磁阻驱动有限公司 | 运行来自直流联络线的电机 |
KR20110052860A (ko) * | 2009-11-13 | 2011-05-19 | 현대자동차주식회사 | 독립형 sbw 조향 시스템용 제어레버 |
CN202856390U (zh) * | 2011-08-31 | 2013-04-03 | 索尼公司 | 蓄电设备及电动车辆 |
CN103064031A (zh) * | 2012-12-28 | 2013-04-24 | 深圳职业技术学院 | 一种电池化成检测系统及其吸收保护电路参数选择方法 |
CN104281889A (zh) * | 2014-10-08 | 2015-01-14 | 国家电网公司 | 电动汽车ev充电负荷多目标随机规划方法 |
CN104463701A (zh) * | 2014-12-07 | 2015-03-25 | 国网浙江省电力公司电动汽车服务分公司 | 一种配电系统与电动汽车充电网络的协调规划方法 |
CN105868844A (zh) * | 2016-03-24 | 2016-08-17 | 上海电力学院 | 一种含电动汽车混合储能系统的微网多目标运行调度方法 |
CN107512165A (zh) * | 2017-08-24 | 2017-12-26 | 河南科技大学 | 一种智能电动拖拉机及其底盘的布局方法 |
CN111884203A (zh) * | 2020-06-10 | 2020-11-03 | 华电电力科学研究院有限公司 | 基于双层非支配排序遗传算法的微电网协调优化配置方法 |
CN111898206A (zh) * | 2020-07-30 | 2020-11-06 | 长安大学 | 一种基于改进遗传算法的参数优化方法、计算机设备及存储介质 |
CN112084706A (zh) * | 2020-09-02 | 2020-12-15 | 合肥工业大学 | 一种基于nsga-ii的电容模块组件配置多目标优化方法 |
CN112181867A (zh) * | 2020-09-29 | 2021-01-05 | 西安电子科技大学 | 基于多目标遗传算法的片上网络内存控制器布局方法 |
CN112183753A (zh) * | 2020-08-17 | 2021-01-05 | 复旦大学 | 一种通过电机布局优化提高运动台控制带宽的方法及系统 |
-
2021
- 2021-01-29 CN CN202110133388.2A patent/CN112800547B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101162842A (zh) * | 2006-09-22 | 2008-04-16 | 开关磁阻驱动有限公司 | 运行来自直流联络线的电机 |
KR20110052860A (ko) * | 2009-11-13 | 2011-05-19 | 현대자동차주식회사 | 독립형 sbw 조향 시스템용 제어레버 |
CN202856390U (zh) * | 2011-08-31 | 2013-04-03 | 索尼公司 | 蓄电设备及电动车辆 |
CN103064031A (zh) * | 2012-12-28 | 2013-04-24 | 深圳职业技术学院 | 一种电池化成检测系统及其吸收保护电路参数选择方法 |
CN104281889A (zh) * | 2014-10-08 | 2015-01-14 | 国家电网公司 | 电动汽车ev充电负荷多目标随机规划方法 |
CN104463701A (zh) * | 2014-12-07 | 2015-03-25 | 国网浙江省电力公司电动汽车服务分公司 | 一种配电系统与电动汽车充电网络的协调规划方法 |
CN105868844A (zh) * | 2016-03-24 | 2016-08-17 | 上海电力学院 | 一种含电动汽车混合储能系统的微网多目标运行调度方法 |
CN107512165A (zh) * | 2017-08-24 | 2017-12-26 | 河南科技大学 | 一种智能电动拖拉机及其底盘的布局方法 |
CN111884203A (zh) * | 2020-06-10 | 2020-11-03 | 华电电力科学研究院有限公司 | 基于双层非支配排序遗传算法的微电网协调优化配置方法 |
CN111898206A (zh) * | 2020-07-30 | 2020-11-06 | 长安大学 | 一种基于改进遗传算法的参数优化方法、计算机设备及存储介质 |
CN112183753A (zh) * | 2020-08-17 | 2021-01-05 | 复旦大学 | 一种通过电机布局优化提高运动台控制带宽的方法及系统 |
CN112084706A (zh) * | 2020-09-02 | 2020-12-15 | 合肥工业大学 | 一种基于nsga-ii的电容模块组件配置多目标优化方法 |
CN112181867A (zh) * | 2020-09-29 | 2021-01-05 | 西安电子科技大学 | 基于多目标遗传算法的片上网络内存控制器布局方法 |
Non-Patent Citations (1)
Title |
---|
王腾: "机电复合传动系统直驶特性匹配与优化研究", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》, no. 03, pages 029 - 175 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117473910A (zh) * | 2023-11-28 | 2024-01-30 | 南方电网调峰调频发电有限公司检修试验分公司 | 低压电器元器件选型方法、装置、计算机设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112800547B (zh) | 2024-03-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109783885B (zh) | 一种智能功率模块多物理场耦合仿真分析方法及系统 | |
CN112364213A (zh) | 一种基于图数据库的电网检索方法及系统 | |
CN111368493B (zh) | 一种基于稀疏网格的自动版图布线生成方法 | |
CN112287529B (zh) | 一种光伏阵列自动布置方法及光伏电站自动布置方法 | |
WO2017157048A1 (zh) | 电网系统图自动化布局克服交叉的方法及系统、存储介质 | |
CN109145342B (zh) | 自动布线系统及方法 | |
CN112182920A (zh) | 一种确定直流输电线路合成电场的场强值的迭代方法 | |
JP2021516382A (ja) | 機械学習のための画像変換 | |
CN112800547A (zh) | 电动汽车电机控制器的布局优化方法、装置及存储介质 | |
US20230298237A1 (en) | Data processing method, apparatus, and device and storage medium | |
CN104318025A (zh) | 八角结构Steiner最小树下的VLSI绕障布线器 | |
CN110096823A (zh) | 基于二进制编码的数字集成电路布线方法及终端设备 | |
CN111709205A (zh) | Fpga布线方法 | |
CN113704893B (zh) | 基于光环境仿真的船舶照明系统设计方法、系统、介质及终端 | |
CN112215952B (zh) | 曲线绘制方法、计算机存储介质及电子设备 | |
CN109408870A (zh) | 一种基于边界约束的拓扑网格生成方法及电子设备 | |
CN115809525A (zh) | 碳化硅双面散热功率模块优化设计方法、系统、设备及介质 | |
CN103714211A (zh) | 基于移动模式序列与多智能体粒子群的集成电路布图方法 | |
CN112989751B (zh) | 基于分支定界法的电路通道布线方法、装置及电子设备 | |
CN114091400A (zh) | 一种pcb线路自动布线方法、装置及存储介质 | |
CN113962182A (zh) | 电路设计方案的生成方法、装置、计算机设备和存储介质 | |
CN113158611A (zh) | 智能功率单元的电热性能分析方法、系统及计算机设备 | |
CN118095188A (zh) | 功率模块的布局方法、装置、电子设备和存储介质 | |
CN116191825B (zh) | 模块化电源电路的制造控制方法、模块化电源电路及装置 | |
CN116896113A (zh) | 光伏组件的汇流划分方法、装置、设备及介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |