CN113569449B - 飞轮储能用电机有限元模型优化方法、设备及介质 - Google Patents
飞轮储能用电机有限元模型优化方法、设备及介质 Download PDFInfo
- Publication number
- CN113569449B CN113569449B CN202110800233.XA CN202110800233A CN113569449B CN 113569449 B CN113569449 B CN 113569449B CN 202110800233 A CN202110800233 A CN 202110800233A CN 113569449 B CN113569449 B CN 113569449B
- Authority
- CN
- China
- Prior art keywords
- design variable
- design
- value
- objective function
- solution
- 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
Images
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
- G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
-
- 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
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/04—Constraint-based CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
- Y02E60/16—Mechanical energy storage, e.g. flywheels or pressurised fluids
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Biophysics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Medical Informatics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Control Of Electric Motors In General (AREA)
Abstract
本公开涉及一种飞轮储能用电机有限元模型优化方法、设备及介质,该方法通过获取预先建立的飞轮储能用电机有限元模型,该飞轮储能用电机有限元模型包括多个设计变量;获取每个该设计变量对应的灵敏度值;根据每个该设计变量的该灵敏度值将多个该设计变量划分为至少两个设计变量集合;根据该至少两个设计变量集合对该飞轮储能用电机有限元模型进行优化,以得到目标有限元模型。这样,能够通过将设计变量划分为至少两个设计变量集合,根据该至少两个设计变量集合对该飞轮储能用电机有限元模型进行分级优化,能够有效减少飞轮储能用电机优化过程的计算量,提升飞轮储能用电机模型的优化效率,缩短优化时间,从而有利于提升飞轮储能用电机设计效率。
Description
技术领域
本公开涉及飞轮储能用电机优化设计领域,具体地,涉及一种飞轮储能用电机有限元模型优化方法、设备及介质。
背景技术
通常在完成对飞轮储能用电机的初始尺寸的模型设计后,需要对飞轮储能用电机模型进行优化,从而得到理想的飞轮储能用电机设计参数。
目前,常用的飞轮储能用电机优化方法为采用遗传算法对飞轮储能用电机模型中的设计参数进行优化,但是,采用遗传算法对飞轮储能用电机模型进行优化的过程中,涉及到的计算量较大,计算成本较高,因此会导致飞轮储能用电机模型优化效率较低,不利于提升飞轮储能用电机设计效率的问题。
发明内容
本公开的目的是提供一种飞轮储能用电机有限元模型优化方法、设备及介质。
为了实现上述目的,本公开第一方面提供了一种飞轮储能用电机有限元模型优化方法,所述方法包括:
获取预先建立的飞轮储能用电机有限元模型,所述飞轮储能用电机有限元模型包括多个设计变量;
获取每个所述设计变量对应的灵敏度值;
根据每个所述设计变量的所述灵敏度值将多个所述设计变量划分为至少两个设计变量集合;
根据所述至少两个设计变量集合对所述飞轮储能用电机有限元模型进行优化,以得到目标有限元模型。
可选地,所述根据每个所述设计变量的所述灵敏度值将多个所述设计变量划分为至少两个设计变量集合,包括:
根据至少一个预设灵敏度阈值和每个所述设计变量的所述灵敏度值将多个所述设计变量划分为至少两个设计变量集合。
可选地,所述至少两个设计变量集合包括第一设计变量集合和第二设计变量集合,所述根据至少一个预设灵敏度阈值和每个所述设计变量的所述灵敏度值将多个所述设计变量划分为至少两个设计变量集合,包括:
在确定所述设计变量的灵敏度值大于或者等于预设灵敏度阈值的情况下,将所述设计变量作为第一设计变量集合中的设计变量;
在确定所述至少两个设计变量的灵敏度值小于所述预设灵敏度阈值的情况下,将所述设计变量作为第二设计变量集合中的设计变量。
可选地,所述飞轮储能用电机有限元模型还包括目标函数和预设约束条件,所述根据所述设计变量集合对所述飞轮储能用电机有限元模型进行优化,以得到目标有限元模型,包括:
获取所述飞轮储能用电机有限元模型对应的有限元实验的实验结果;
根据所述实验结果确定第一设计变量集合中的设计变量对应的第一克里金模型;
根据所述预设约束条件通过目标算法对所述第一克里金模型进行优化,以得到所述第一设计变量集合中的设计变量对应的第一解集;
根据所述实验结果确定第二设计变量集合中的设计变量对应的第二克里金模型;
根据所述第一解集和所述目标算法对所述第二克里金模型进行优化,以得到第二设计变量集合中的设计变量对应的第二解集;
根据所述第一解集和所述第二解集确定每个所述设计变量对应的最优解;
根据所述最优解确定所述目标有限元模型。
可选地,所述根据所述第一解集和所述第二解集确定每个所述设计变量对应的最优解,包括:
将所述第一解集和所述第二解集中每个设计变量对应的参数值解代入所述目标函数,以确定当前解对应的第一目标函数值;
将所述第一解集对应的参数值代入所述目标函数,并为所述目标函数中所述第二设计变量集合中的设计变量代入预设初始值,以得到当前第一解集对应的第二目标函数值;
获取所述第一目标函数值和所述第二目标函数值的差值;
根据所述差值与所述第二目标函数值的比值确定每个设计变量对应的参数值确定为最优解。
可选地,所述根据所述差值与所述第二目标函数值的比值确定每个设计变量对应的参数值确定为最优解,包括:
在所述差值与所述第二目标函数值的比值小于预设阈值的情况下,将所述第一解集和所述第二解决中每个设计变量对应的参数值作为最优解;或者,
在所述差值与所述第二目标函数值的比值大于或者等于所述预设阈值的情况下,将所述第二解集中的参数值代入所述目标函数,以得到关于第一设计变量集合的待定函数,通过所述目标算法对所述待定函数中的第一设计变量集合中的设计变量进行优化,以得到第三解集,将所述第三解集作为更新后的第一解集,将所述第二解集中的参数值作为所述预设初始值,并再次执行所述将所述第一解集和所述第二解集中每个设计变量对应的参数值解代入所述目标函数,以确定当前解对应的第一目标函数值;至所述根据所述差值与所述第二目标函数值的比值每个设计变量对应的参数值确定为最优解的步骤,直至在所述差值与所述第二目标函数值的比值小于预设阈值的情况下,将当前的第一解集中所述第二解决中每个设计变量对应的参数值确定为最优解。
本公开的第二方面提供一种飞轮储能用电机有限元模型优化装置,所述装置包括:
第一获取模块,用于获取预先建立的飞轮储能用电机有限元模型,所述飞轮储能用电机有限元模型包括多个设计变量;
第二获取模块,用于获取每个所述设计变量对应的灵敏度值;
集合划分模块,用于根据每个所述设计变量的所述灵敏度值将多个所述设计变量划分为至少两个设计变量集合;
模型优化模块,用于根据所述至少两个设计变量集合对所述飞轮储能用电机有限元模型进行优化,以得到目标有限元模型。
可选地,所述集合划分模块,用于:
根据至少一个预设灵敏度阈值和每个所述设计变量的所述灵敏度值将多个所述设计变量划分为至少两个设计变量集合。
可选地,所述至少两个设计变量集合包括第一设计变量集合和第二设计变量集合,所述集合划分模块,用于:
在确定所述设计变量的灵敏度值大于或者等于预设灵敏度阈值的情况下,将所述设计变量作为第一设计变量集合中的设计变量;
在确定所述至少两个设计变量的灵敏度值小于所述预设灵敏度阈值的情况下,将所述设计变量作为第二设计变量集合中的设计变量。
可选地,所述飞轮储能用电机有限元模型还包括目标函数和预设约束条件,所述模型优化模块,用于:
获取所述飞轮储能用电机有限元模型对应的有限元实验的实验结果;
根据所述实验结果确定第一设计变量集合中的设计变量对应的第一克里金模型;
根据所述预设约束条件通过目标算法对所述第一克里金模型进行优化,以得到所述第一设计变量集合中的设计变量对应的第一解集;
根据所述实验结果确定第二设计变量集合中的设计变量对应的第二克里金模型;
根据所述第一解集和所述目标算法对所述第二克里金模型进行优化,以得到第二设计变量集合中的设计变量对应的第二解集;
根据所述第一解集和所述第二解集确定每个所述设计变量对应的最优解;
根据所述最优解确定所述目标有限元模型。
可选地,所述模型优化模块,用于:
将所述第一解集和所述第二解集中每个设计变量对应的参数值解代入所述目标函数,以确定当前解对应的第一目标函数值;
将所述第一解集对应的参数值代入所述目标函数,并为所述目标函数中所述第二设计变量集合中的设计变量代入预设初始值,以得到当前第一解集对应的第二目标函数值;
获取所述第一目标函数值和所述第二目标函数值的差值;
根据所述差值与所述第二目标函数值的比值确定每个设计变量对应的参数值确定为最优解。
可选地,所述模型优化模块,用于:
在所述差值与所述第二目标函数值的比值小于预设阈值的情况下,将所述第一解集和所述第二解决中每个设计变量对应的参数值作为最优解;或者,
在所述差值与所述第二目标函数值的比值大于或者等于所述预设阈值的情况下,将所述第二解集中的参数值代入所述目标函数,以得到关于第一设计变量集合的待定函数,通过所述目标算法对所述待定函数中的第一设计变量集合中的设计变量进行优化,以得到第三解集,将所述第三解集作为更新后的第一解集,将所述第二解集中的参数值作为所述预设初始值,并再次执行所述将所述第一解集和所述第二解集中每个设计变量对应的参数值解代入所述目标函数,以确定当前解对应的第一目标函数值;至所述根据所述差值与所述第二目标函数值的比值每个设计变量对应的参数值确定为最优解的步骤,直至在所述差值与所述第二目标函数值的比值小于预设阈值的情况下,将当前的第一解集中所述第二解决中每个设计变量对应的参数值确定为最优解。
本公开的第三方面提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现以上第一方面所述方法的步骤。
本公开的第四方面提供一种电子设备,包括:
存储器,其上存储有计算机程序;
处理器,用于执行所述存储器中的所述计算机程序,以实现以上第一方面所述方法的步骤。
上述技术方案,通过获取预先建立的飞轮储能用电机有限元模型,所述飞轮储能用电机有限元模型包括多个设计变量;获取每个所述设计变量对应的灵敏度值;根据每个所述设计变量的所述灵敏度值将多个所述设计变量划分为至少两个设计变量集合;根据所述至少两个设计变量集合对所述飞轮储能用电机有限元模型进行优化,以得到目标有限元模型。这样,能够通过将设计变量划分为至少两个设计变量集合,根据所述至少两个设计变量集合对所述飞轮储能用电机有限元模型进行分级优化,能够有效减少飞轮储能用电机优化过程的计算量,提升飞轮储能用电机模型的优化效率,缩短优化时间,从而有利于提升飞轮储能用电机设计效率。
本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本公开的进一步理解,并且构成说明书的一部分,与下面的具体实施方式一起用于解释本公开,但并不构成对本公开的限制。在附图中:
图1是本公开一示例性实施例示出的一种飞轮储能用电机有限元模型优化方法的流程图;
图2是根据图1所示实施例示出的一种飞轮储能用电机有限元模型优化方法的流程图;
图3是根据图2所示实施例示出的一种飞轮储能用电机有限元模型优化方法的流程图;
图4是本公开一示例性实施例示出的一种飞轮储能用电机有限元模型优化装置的框图;
图5是根据一示例性实施例示出的一种电子设备的框图。
具体实施方式
以下结合附图对本公开的具体实施方式进行详细说明。应当理解的是,此处所描述的具体实施方式仅用于说明和解释本公开,并不用于限制本公开。
在详细介绍本公开的具体实施方式之前,首先对本公开的应用场景进行以下说明,本公开可以用于飞轮储能用电机模型的优化过程,该飞轮储能用电机模型可以是飞轮储能用电机有限元模型。这里以飞轮储能用电机有限元为例进行说明,目前,相关技术中,通常通过遗传算法对飞轮储能用电机有限元模型中的每个设计参数进行优化,示例地,在采用遗传算法优化具有10个参数的永磁飞轮储能用电机的有限元模型时,需要对有限元模型进行约10000(10*5*200)次评估,其中,200是收敛的近似次数,10*5遗传算法每次迭代的总体规模,如果每次都要评估空载和负载,就必须模拟20000个有限元,对于3D有限元,一次模拟可能需要半分钟或更长时间,然后至少需要10000分钟,(166个小时,也就是7天左右)才能获得最优模型。很明显,采用遗传算法对飞轮储能用电机模型进行优化的过程中,涉及到的计算量较大,计算成本较高,因此会导致飞轮储能用电机模型优化效率较低,不利于提升飞轮储能用电机设计效率的问题。
为了解决上述技术问题,本公开提供一种飞轮储能用电机有限元模型优化方法、设备及介质,该方法通过获取预先建立的飞轮储能用电机有限元模型,该飞轮储能用电机有限元模型包括多个设计变量;获取每个该设计变量对应的灵敏度值;根据每个该设计变量的该灵敏度值将多个该设计变量划分为至少两个设计变量集合;根据该至少两个设计变量集合对该飞轮储能用电机有限元模型进行优化,以得到目标有限元模型。这样,能够通过将设计变量划分为至少两个设计变量集合,根据该至少两个设计变量集合对该飞轮储能用电机有限元模型进行分级优化,能够有效减少飞轮储能用电机优化过程的计算量,提升飞轮储能用电机模型的优化效率,缩短优化时间,从而有利于提升飞轮储能用电机设计效率。
下面结合具体的实施例详细阐述本公开的技术方案。
图1是本公开一示例性实施例示出的一种飞轮储能用电机有限元模型优化方法的流程图;参见图1,该方法可以包括:
步骤101,获取预先建立的飞轮储能用电机有限元模型。
其中,该飞轮储能用电机是指利用电动机带动飞轮高速旋转,在需要的时候再利用飞轮带动发电机发电的电动机或者发电机。该飞轮储能用电机有限元模型包括多个设计变量,目标函数和预设约束条件。
示例地,该多个设计变量可以包括:磁极厚度mthick,极弧系数a,气隙长度δ,槽宽bw,槽深bd,定子外径Dso以及转轴直径Drs中的至少两个。该目标函数f(X)可以为:
以上函数中w1,w2,w3,分别为加权系数,Tcog为根据当前设计变量X确定的齿槽转矩值,该Tcog_initial为有限元模型中预设的初始齿槽转矩值,该Tave_initial为有限元模型中预设的初始轴上输出转矩,Tave根据当前设计变量X确定的轴上输出转矩,Trip为根据当前设计变量X确定的转矩波动值,该Trip_initial有限元模型中预设的初始转矩波动值,Tave,Tcog以及该Trip均为设计变量X的函数。
该预设约束条件可以包括:
其中,该η为根据当前设计变量X确定的飞轮储能用电机效率,该sf为根据当前设计变量X确定的槽满率,该JC为根据当前设计变量X确定的定子绕组电流密度,Tave根据当前设计变量X确定的轴上输出转矩,Trip为根据当前设计变量X确定的转矩波动值。该飞轮储能用电机有限元模型的建立方式在现有技术中较为常见,本公开在此不再赘述。
步骤102,获取每个该设计变量对应的灵敏度值。
本步骤中,可以先对该飞轮储能用电机有限元模型进行有限元实验,以得到对应的实验结果;再对该实验结果进行方差分析,以得到每个该设计变量对应的灵敏度值。
示例地,在计算敏感度值之前,可以采用正交设计对该设计变量进行排列组合,即对该设计变量进行正交实验设计(例如,可以利用minitab软件进行正交实验设计),得到正交实验表,根据该正交实验表进行有限元实验,利用得到的实验结果进行ANOVA方差分析,从而得出每个设计变量关于优化目标的敏感度值。
需要说明的是,通过ANOVA方差分析得到敏感度值的具体实施方式,可以参见现有技术中的ANOVA方差分析方法,该ANOVA方差分析方法在现有技术中较为常见,本公开在此不再赘述。
步骤103,根据每个该设计变量的该灵敏度值将多个该设计变量划分为至少两个设计变量集合。
本步骤中,可以根据至少一个预设灵敏度阈值和每个该设计变量的该灵敏度值将多个该设计变量划分为至少两个设计变量集合。
可选地,该至少两个设计变量集合包括第一设计变量集合和第二设计变量集合,在确定该设计变量的灵敏度值大于或者等于预设灵敏度阈值的情况下,将该设计变量作为第一设计变量集合中的设计变量;在确定该至少两个设计变量的灵敏度值小于该预设灵敏度阈值的情况下,将该设计变量作为第二设计变量集合中的设计变量。
步骤104,根据该至少两个设计变量集合对该飞轮储能用电机有限元模型进行优化,以得到目标有限元模型。
本步骤中,对所述的至少两个设计变量集合进行分级优化,例如,在包括三个设计变量集合的情况下,先对其中一个设计变量集合中的设计变量进行优化,再对其他两个设计变量集合中的设计变量进行优化,其中,在对其他两个设计变量集合中的设计变量进行优化时,可以一起对其他两个设计变量集合中的设计变量进行优化,也可以先对其他两个设计变量集合中的一个设计变量集合中的设计变量进行优化,再对剩余的一个设计变量集合中的设计变量进行优化,从而实现对整个该飞轮储能用电机有限元模型的优化。这样,通过分级地对该至少两个设计变量集合中的设计变量进行优化,能够有效减少飞轮储能用电机优化过程的计算量,提升飞轮储能用电机模型的优化效率。
以上技术方案,能够通过将设计变量划分为至少两个设计变量集合,根据该至少两个设计变量集合对该飞轮储能用电机有限元模型进行分级优化,能够有效减少飞轮储能用电机优化过程的计算量,提升飞轮储能用电机模型的优化效率,缩短优化时间,从而有利于提升飞轮储能用电机设计效率。
以上图1中步骤104所述的根据该至少两个设计变量集合对该飞轮储能用电机有限元模型进行优化,以得到目标有限元模型,可以包括以下图2所示的步骤,图2是根据图1所示实施例示出的一种飞轮储能用电机有限元模型优化方法的流程图;参见图2,该步骤104包括:
步骤1041,获取该飞轮储能用电机有限元模型对应的有限元实验的实验结果。
本步骤中,可以采用正交设计对该设计变量进行排列组合,即对该设计变量进行正交实验设计(例如,可以利用minitab软件进行正交实验设计),得到正交实验表,根据该正交实验表进行有限元实验。
步骤1042,根据该实验结果第一设计变量集合中的设计变量对应的第一克里金模型。
本步骤中,可以通过调用matlab的工具模块,将该实验结果输入matlab的工具模块,以使该工具模块输出与该第一设计变量集合中的设计变量相关的函数关系,即得到该第一克里金模型。
步骤1043,根据该预设约束条件通过目标算法对该第一克里金模型进行优化,以得到该第一设计变量集合中的设计变量对应的第一解集。
其中,该目标算法可以是粒子群算法。当通过粒子群算法,得到目标函数对应的函数值最小时,确定当前的第一设计变量集合中的每个设计变量的参数值为该第一设计变量集合中的设计变量对应的第一解集。
步骤1044,根据该实验结果确定该第二设计变量集合中的设计变量对应的第二克里金模型。
本步骤中,可以将该实验结果输入matlab的工具模块,以使该工具模块输出与该第二设计变量集合中的设计变量相关的函数关系,即得到该第二克里金模型。
步骤1045,根据该第一解集和该目标算法对该第二克里金模型进行优化,以得到第二设计变量集合中的设计变量对应的第二解集。
其中,该目标算法可以是粒子群算法。
本步骤中,可以将该第一解集中参数值代入目标函数,从而得到仅包括第二设计变量集合中的设计变量的函数关系,然后再通过粒子群算法,得到目标函数对应的函数值最小时,确定当前的第二设计变量集合中的每个设计变量的参数值为该第二设计变量集合中的设计变量对应的第二解集。
步骤1046,根据该第一解集和该第二解集确定每个该设计变量对应的最优解。
本步骤中,一种可能的实施方式中,可以包括以下图3(图3是根据图2所示实施例示出的一种飞轮储能用电机有限元模型优化方法的流程图;)中S1至S4所述的步骤:
S1,将该第一解集和该第二解集中每个设计变量对应的参数值解代入该目标函数,以确定当前解对应的第一目标函数值。
其中,该目标函数可以是该目标函数f(X)可以为:
以上函数中w1,w2,w3,分别是加权系数,Tcog为根据当前设计变量X确定的齿槽转矩值,该Tcog_initial为有限元模型中预设的初始齿槽转矩值,该Tave_initial为有限元模型中预设的初始轴上输出转矩,Tave根据当前设计变量X确定的轴上输出转矩,Trip为根据当前设计变量X确定的转矩波动值,该Trip_initial有限元模型中预设的初始转矩波动值,Tave,Tcog以及该Trip均为设计变量X的函数。
S2,将该第一解集对应的参数值代入该目标函数,并为该目标函数中该第二设计变量集合中的设计变量代入预设初始值,以得到当前第一解集对应的第二目标函数值。
S3,获取该第一目标函数值和该第二目标函数值的差值。
S4,根据该差值与该第二目标函数值的比值确定每个设计变量对应的参数值确定为最优解。
本步骤中,一种可能的实施方式为:
在该差值与该第二目标函数值的比值小于预设阈值的情况下,将该第一解集和该第二解决中每个设计变量对应的参数值作为最优解;
在该差值与该第二目标函数值的比值大于或者等于该预设阈值的情况下,将该第二解集中的参数值代入该目标函数,以得到关于第一设计变量集合的待定函数,通过该目标算法对该待定函数中的第一设计变量集合中的设计变量进行优化,以得到第三解集,将该第三解集作为更新后的第一解集,将该第二解集中的参数值作为该预设初始值,并再次执行S1所述的将该第一解集和该第二解集中每个设计变量对应的参数值解代入该目标函数,以确定当前解对应的第一目标函数值,至S4所述的根据该差值与该第二目标函数值的比值每个设计变量对应的参数值确定为最优解的步骤,直至在该差值与该第二目标函数值的比值小于预设阈值的情况下,将当前的第一解集中该第二解决中每个设计变量对应的参数值确定为最优解。
步骤1047,根据该最优解确定该目标有限元模型。
以上技术方案,能够通过将设计变量划分为至少两个设计变量集合,根据该至少两个设计变量集合对该飞轮储能用电机有限元模型进行分级优化,能够有效减少飞轮储能用电机优化过程的计算量,提升飞轮储能用电机模型的优化效率,缩短优化时间,从而有利于提升飞轮储能用电机设计效率。
图4是本公开一示例性实施例示出的一种飞轮储能用电机有限元模型优化装置的框图;参见图4,该装置可以包括:
第一获取模块401,用于获取预先建立的飞轮储能用电机有限元模型,该飞轮储能用电机有限元模型包括多个设计变量;
第二获取模块402,用于获取每个该设计变量对应的灵敏度值;
集合划分模块403,用于根据每个该设计变量的该灵敏度值将多个该设计变量划分为至少两个设计变量集合;
模型优化模块404,用于根据该至少两个设计变量集合对该飞轮储能用电机有限元模型进行优化,以得到目标有限元模型。
以上技术方案,能够通过将设计变量划分为至少两个设计变量集合,根据该至少两个设计变量集合对该飞轮储能用电机有限元模型进行分级优化,能够有效减少飞轮储能用电机优化过程的计算量,提升飞轮储能用电机模型的优化效率,缩短优化时间,从而有利于提升飞轮储能用电机设计效率。
可选地,该集合划分模块403,用于:
根据至少一个预设灵敏度阈值和每个该设计变量的该灵敏度值将多个该设计变量划分为至少两个设计变量集合。
可选地,该至少两个设计变量集合包括第一设计变量集合和第二设计变量集合,该集合划分模块403,用于:
在确定该设计变量的灵敏度值大于或者等于预设灵敏度阈值的情况下,将该设计变量作为第一设计变量集合中的设计变量;
在确定该至少两个设计变量的灵敏度值小于该预设灵敏度阈值的情况下,将该设计变量作为第二设计变量集合中的设计变量。
可选地,该飞轮储能用电机有限元模型还包括预设约束条件,该模型优化模块404,用于:
获取该飞轮储能用电机有限元模型对应的有限元实验的实验结果;
根据该实验结果确定第一设计变量集合中的设计变量对应的第一克里金模型;
根据该预设约束条件通过目标算法对该第一克里金模型进行优化,以得到该第一设计变量集合中的设计变量对应的第一解集;
根据该实验结果确定第二设计变量集合中的设计变量对应的第二克里金模型;
根据该第一解集和该目标算法对该第二克里金模型进行优化,以得到第二设计变量集合中的设计变量对应的第二解集;
根据该第一解集和该第二解集确定每个该设计变量对应的最优解;
根据该最优解确定该目标有限元模型。
可选地,该模型优化模块404,用于:
将该第一解集和该第二解集中每个设计变量对应的参数值解代入该目标函数,以确定当前解对应的第一目标函数值;
将该第一解集对应的参数值代入该目标函数,并为该目标函数中该第二设计变量集合中的设计变量代入预设初始值,以得到当前第一解集对应的第二目标函数值;
获取该第一目标函数值和该第二目标函数值的差值;
根据该差值与该第二目标函数值的比值确定每个设计变量对应的参数值确定为最优解。
可选地,该模型优化模块404,用于:
在该差值与该第二目标函数值的比值小于预设阈值的情况下,将该第一解集和该第二解决中每个设计变量对应的参数值作为最优解;或者,
在该差值与该第二目标函数值的比值大于或者等于该预设阈值的情况下,将该第二解集中的参数值代入该目标函数,以得到关于第一设计变量集合的待定函数,通过该目标算法对该待定函数中的第一设计变量集合中的设计变量进行优化,以得到第三解集,将该第三解集作为更新后的第一解集,将该第二解集中的参数值作为该预设初始值,并再次执行该将该第一解集和该第二解集中每个设计变量对应的参数值解代入该目标函数,以确定当前解对应的第一目标函数值;至该根据该差值与该第二目标函数值的比值每个设计变量对应的参数值确定为最优解的步骤,直至在该差值与该第二目标函数值的比值小于预设阈值的情况下,将当前的第一解集中该第二解决中每个设计变量对应的参数值确定为最优解。
以上技术方案,能够通过将设计变量划分为至少两个设计变量集合,根据该至少两个设计变量集合对该飞轮储能用电机有限元模型进行分级优化,能够有效减少飞轮储能用电机优化过程的计算量,提升飞轮储能用电机模型的优化效率,缩短优化时间,从而有利于提升飞轮储能用电机设计效率。
关于上述实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
图5是根据一示例性实施例示出的一种电子设备的框图。例如,电子设备500可以被提供为一服务器。参照图5,电子设备500包括处理器522,其数量可以为一个或多个,以及存储器532,用于存储可由处理器522执行的计算机程序。存储器532中存储的计算机程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外,处理器522可以被配置为执行该计算机程序,以执行上述的飞轮储能用电机有限元模型优化方法。
另外,电子设备500还可以包括电源组件526和通信组件550,该电源组件526可以被配置为执行电子设备500的电源管理,该通信组件550可以被配置为实现电子设备500的通信,例如,有线或无线通信。此外,该电子设备500还可以包括输入/输出(I/O)接口558。电子设备500可以操作基于存储在存储器532的操作系统,例如Windows ServerTM,Mac OSXTM,UnixTM,LinuxTM等等。
在另一示例性实施例中,还提供了一种包括程序指令的计算机可读存储介质,该程序指令被处理器执行时实现上述的飞轮储能用电机有限元模型优化方法的步骤。例如,该计算机可读存储介质可以为上述包括程序指令的存储器532,上述程序指令可由电子设备500的处理器522执行以完成上述的飞轮储能用电机有限元模型优化方法。
以上结合附图详细描述了本公开的优选实施方式,但是,本公开并不限于上述实施方式中的具体细节,在本公开的技术构思范围内,可以对本公开的技术方案进行多种简单变型,这些简单变型均属于本公开的保护范围。
另外需要说明的是,在上述具体实施方式中所描述的各个具体技术特征,在不矛盾的情况下,可以通过任何合适的方式进行组合,为了避免不必要的重复,本公开对各种可能的组合方式不再另行说明。
此外,本公开的各种不同的实施方式之间也可以进行任意组合,只要其不违背本公开的思想,其同样应当视为本公开所公开的内容。
Claims (7)
1.一种飞轮储能用电机有限元模型优化方法,其特征在于,所述方法包括:
获取预先建立的飞轮储能用电机有限元模型,所述飞轮储能用电机有限元模型包括多个设计变量;
获取每个所述设计变量对应的灵敏度值;
根据每个所述设计变量的所述灵敏度值将多个所述设计变量划分为至少两个设计变量集合;
根据所述至少两个设计变量集合对所述飞轮储能用电机有限元模型进行优化,以得到目标有限元模型;
所述飞轮储能用电机有限元模型还包括预设约束条件,所述根据所述设计变量集合对所述飞轮储能用电机有限元模型进行优化,以得到目标有限元模型,包括:
获取所述飞轮储能用电机有限元模型对应的有限元实验的实验结果;
根据所述实验结果确定第一设计变量集合中的设计变量对应的第一克里金模型;
根据所述预设约束条件通过目标算法对所述第一克里金模型进行优化,以得到所述第一设计变量集合中的设计变量对应的第一解集;
根据所述实验结果确定第二设计变量集合中的设计变量对应的第二克里金模型;
根据所述第一解集和所述目标算法对所述第二克里金模型进行优化,以得到第二设计变量集合中的设计变量对应的第二解集;
根据所述第一解集和所述第二解集确定每个所述设计变量对应的最优解;
根据所述最优解确定所述目标有限元模型;
所述根据所述第一解集和所述第二解集确定每个所述设计变量对应的最优解,包括:
将所述第一解集和所述第二解集中每个设计变量对应的参数值解代入目标函数,以确定当前解对应的第一目标函数值;
将所述第一解集对应的参数值代入所述目标函数,并为所述目标函数中所述第二设计变量集合中的设计变量代入预设初始值,以得到当前第一解集对应的第二目标函数值;
获取所述第一目标函数值和所述第二目标函数值的差值;
根据所述差值与所述第二目标函数值的比值确定每个设计变量对应的参数值确定为最优解;
所述根据所述差值与所述第二目标函数值的比值确定每个设计变量对应的参数值确定为最优解,包括:
在所述差值与所述第二目标函数值的比值小于预设阈值的情况下,将所述第一解集和所述第二解集中每个设计变量对应的参数值作为最优解;或者,
在所述差值与所述第二目标函数值的比值大于或者等于所述预设阈值的情况下,将所述第二解集中的参数值代入所述目标函数,以得到关于第一设计变量集合的待定函数,通过所述目标算法对所述待定函数中的第一设计变量集合中的设计变量进行优化,以得到第三解集,将所述第三解集作为更新后的第一解集,将所述第二解集中的参数值作为所述预设初始值,并再次执行所述将所述第一解集和所述第二解集中每个设计变量对应的参数值解代入所述目标函数,以确定当前解对应的第一目标函数值;至所述根据所述差值与所述第二目标函数值的比值每个设计变量对应的参数值确定为最优解的步骤,直至在所述差值与所述第二目标函数值的比值小于预设阈值的情况下,将当前的第一解集中所述第二解集中每个设计变量对应的参数值确定为最优解;
其中,所述目标函数可以为:
2.根据权利要求1所述的方法,其特征在于,所述根据每个所述设计变量的所述灵敏度值将多个所述设计变量划分为至少两个设计变量集合,包括:
根据至少一个预设灵敏度阈值和每个所述设计变量的所述灵敏度值将多个所述设计变量划分为至少两个设计变量集合。
3.根据权利要求2所述的方法,其特征在于,所述至少两个设计变量集合包括第一设计变量集合和第二设计变量集合,所述根据至少一个预设灵敏度阈值和每个所述设计变量的所述灵敏度值将多个所述设计变量划分为至少两个设计变量集合,包括:
在确定所述设计变量的灵敏度值大于或者等于预设灵敏度阈值的情况下,将所述设计变量作为第一设计变量集合中的设计变量;
在确定所述至少两个设计变量的灵敏度值小于所述预设灵敏度阈值的情况下,将所述设计变量作为第二设计变量集合中的设计变量。
4.一种飞轮储能用电机有限元模型优化装置,其特征在于,所述装置包括:
第一获取模块,用于获取预先建立的飞轮储能用电机有限元模型,所述飞轮储能用电机有限元模型包括多个设计变量;
第二获取模块,用于获取每个所述设计变量对应的灵敏度值;
集合划分模块,用于根据每个所述设计变量的所述灵敏度值将多个所述设计变量划分为至少两个设计变量集合;
模型优化模块,用于根据所述至少两个设计变量集合对所述飞轮储能用电机有限元模型进行优化,以得到目标有限元模型;
所述飞轮储能用电机有限元模型还包括预设约束条件,所述模型优化模块,用于获取所述飞轮储能用电机有限元模型对应的有限元实验的实验结果;根据所述实验结果确定第一设计变量集合中的设计变量对应的第一克里金模型;根据所述预设约束条件通过目标算法对所述第一克里金模型进行优化,以得到所述第一设计变量集合中的设计变量对应的第一解集;根据所述实验结果确定第二设计变量集合中的设计变量对应的第二克里金模型;根据所述第一解集和所述目标算法对所述第二克里金模型进行优化,以得到第二设计变量集合中的设计变量对应的第二解集;根据所述第一解集和所述第二解集确定每个所述设计变量对应的最优解;根据所述最优解确定所述目标有限元模型;
所述根据所述第一解集和所述第二解集确定每个所述设计变量对应的最优解,包括:
将所述第一解集和所述第二解集中每个设计变量对应的参数值解代入目标函数,以确定当前解对应的第一目标函数值;
将所述第一解集对应的参数值代入所述目标函数,并为所述目标函数中所述第二设计变量集合中的设计变量代入预设初始值,以得到当前第一解集对应的第二目标函数值;
获取所述第一目标函数值和所述第二目标函数值的差值;
根据所述差值与所述第二目标函数值的比值确定每个设计变量对应的参数值确定为最优解;
所述根据所述差值与所述第二目标函数值的比值确定每个设计变量对应的参数值确定为最优解,包括:
在所述差值与所述第二目标函数值的比值小于预设阈值的情况下,将所述第一解集和所述第二解集中每个设计变量对应的参数值作为最优解;或者,
在所述差值与所述第二目标函数值的比值大于或者等于所述预设阈值的情况下,将所述第二解集中的参数值代入所述目标函数,以得到关于第一设计变量集合的待定函数,通过所述目标算法对所述待定函数中的第一设计变量集合中的设计变量进行优化,以得到第三解集,将所述第三解集作为更新后的第一解集,将所述第二解集中的参数值作为所述预设初始值,并再次执行所述将所述第一解集和所述第二解集中每个设计变量对应的参数值解代入所述目标函数,以确定当前解对应的第一目标函数值;至所述根据所述差值与所述第二目标函数值的比值每个设计变量对应的参数值确定为最优解的步骤,直至在所述差值与所述第二目标函数值的比值小于预设阈值的情况下,将当前的第一解集中所述第二解集中每个设计变量对应的参数值确定为最优解;
其中,所述目标函数可以为:
5.根据权利要求4所述的装置,其特征在于,所述集合划分模块,用于:
根据至少一个预设灵敏度阈值和每个所述设计变量的所述灵敏度值将多个所述设计变量划分为至少两个设计变量集合。
6.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现权利要求1-3中任一项所述方法的步骤。
7.一种电子设备,其特征在于,包括:
存储器,其上存储有计算机程序;
处理器,用于执行所述存储器中的所述计算机程序,以实现权利要求1-3中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110800233.XA CN113569449B (zh) | 2021-07-13 | 2021-07-13 | 飞轮储能用电机有限元模型优化方法、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110800233.XA CN113569449B (zh) | 2021-07-13 | 2021-07-13 | 飞轮储能用电机有限元模型优化方法、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113569449A CN113569449A (zh) | 2021-10-29 |
CN113569449B true CN113569449B (zh) | 2023-06-20 |
Family
ID=78164921
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110800233.XA Active CN113569449B (zh) | 2021-07-13 | 2021-07-13 | 飞轮储能用电机有限元模型优化方法、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113569449B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117113767B (zh) * | 2023-08-24 | 2024-03-19 | 清华大学 | 电机优化方法、装置、计算机设备、存储介质和程序产品 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102064755A (zh) * | 2010-12-30 | 2011-05-18 | 南京航空航天大学 | 应用于高速电机的一种控制策略 |
CN104865401A (zh) * | 2015-04-03 | 2015-08-26 | 内蒙古工业大学 | 用于风力发电机组的风速检测方法及装置 |
CN105226721A (zh) * | 2015-11-09 | 2016-01-06 | 温州大学 | 独立微电网系统分数阶频率控制器优化设计及其实现方法 |
CN105515029A (zh) * | 2015-12-03 | 2016-04-20 | 华北电力大学 | 飞轮储能系统的控制方法及装置 |
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 |
CN108169540A (zh) * | 2017-12-13 | 2018-06-15 | 内蒙古工业大学 | 一种风力发电机组电压闪变的测量方法 |
CN109347127A (zh) * | 2018-10-27 | 2019-02-15 | 华中科技大学 | 一种应对区域供电线路故障的储能优化配置方法 |
CN111339713A (zh) * | 2020-03-13 | 2020-06-26 | 上海电气风电集团股份有限公司 | 风电场的优化设计方法、系统、电子设备和存储介质 |
CN111985064A (zh) * | 2020-08-31 | 2020-11-24 | 华中科技大学 | 一种永磁电机的代理辅助优化设计方法及系统 |
CN212811477U (zh) * | 2020-09-27 | 2021-03-26 | 中电建路桥集团有限公司 | 飞轮储能设备 |
CN112787339A (zh) * | 2020-12-31 | 2021-05-11 | 上海外高桥第三发电有限责任公司 | 一种基于储能设备的火电厂辅助调频装置及控制方法 |
CN112836411A (zh) * | 2021-02-09 | 2021-05-25 | 大连理工大学 | 加筋板壳结构的优化方法、装置、计算机设备和存储介质 |
-
2021
- 2021-07-13 CN CN202110800233.XA patent/CN113569449B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102064755A (zh) * | 2010-12-30 | 2011-05-18 | 南京航空航天大学 | 应用于高速电机的一种控制策略 |
CN104865401A (zh) * | 2015-04-03 | 2015-08-26 | 内蒙古工业大学 | 用于风力发电机组的风速检测方法及装置 |
CN105226721A (zh) * | 2015-11-09 | 2016-01-06 | 温州大学 | 独立微电网系统分数阶频率控制器优化设计及其实现方法 |
CN105515029A (zh) * | 2015-12-03 | 2016-04-20 | 华北电力大学 | 飞轮储能系统的控制方法及装置 |
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 |
CN108169540A (zh) * | 2017-12-13 | 2018-06-15 | 内蒙古工业大学 | 一种风力发电机组电压闪变的测量方法 |
CN109347127A (zh) * | 2018-10-27 | 2019-02-15 | 华中科技大学 | 一种应对区域供电线路故障的储能优化配置方法 |
CN111339713A (zh) * | 2020-03-13 | 2020-06-26 | 上海电气风电集团股份有限公司 | 风电场的优化设计方法、系统、电子设备和存储介质 |
CN111985064A (zh) * | 2020-08-31 | 2020-11-24 | 华中科技大学 | 一种永磁电机的代理辅助优化设计方法及系统 |
CN212811477U (zh) * | 2020-09-27 | 2021-03-26 | 中电建路桥集团有限公司 | 飞轮储能设备 |
CN112787339A (zh) * | 2020-12-31 | 2021-05-11 | 上海外高桥第三发电有限责任公司 | 一种基于储能设备的火电厂辅助调频装置及控制方法 |
CN112836411A (zh) * | 2021-02-09 | 2021-05-25 | 大连理工大学 | 加筋板壳结构的优化方法、装置、计算机设备和存储介质 |
Non-Patent Citations (1)
Title |
---|
基于ANSYS的风力发电用高温超导发电机仿真分析;谭利强;《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》(第03期);C042-162 * |
Also Published As
Publication number | Publication date |
---|---|
CN113569449A (zh) | 2021-10-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Hasanien | Particle swarm design optimization of transverse flux linear motor for weight reduction and improvement of thrust force | |
Xue et al. | Analytical prediction and optimization of cogging torque in surface-mounted permanent magnet machines with modified particle swarm optimization | |
Narla et al. | Switched reluctance generator controls for optimal power generation and battery charging | |
Gurrala et al. | Parareal in time for fast power system dynamic simulations | |
CN113569449B (zh) | 飞轮储能用电机有限元模型优化方法、设备及介质 | |
CN102684586B (zh) | 一种交直流大电网动态等值的主导发电机参数聚合方法 | |
CN108063569A (zh) | 一种永磁电机最优工作点的快速求解方法 | |
Xia et al. | Efficient transient stability analysis of electrical power system based on a spatially paralleled hybrid approach | |
Mohammadi et al. | System-level optimization of hybrid excitation synchronous machines for a three-wheel electric vehicle | |
CN110390157B (zh) | 一种基于田口方法的双凸极混合励磁发电机优化设计方法 | |
Koivisto | Post-Newtonian limit in C-theories of gravitation | |
Nicola et al. | Real Time Implementation of the PMSM Sensorless Control Based on FOC Strategy | |
Wang et al. | Phase-phase short fault analysis of permanent magnet synchronous motor in electric vehicles | |
Kim | Nonquadratic ${{\cal H}} _\infty $ Stabilization Conditions for Observer-Based T–S Fuzzy Control Systems | |
CN113935152A (zh) | 永磁风力发电机及其设计方法、系统、电子设备和介质 | |
Duan et al. | Stochastic power system simulation using the adomian decomposition method | |
Xia et al. | Selecting proper kriging surrogate model for optimal design of electromagnetic problem | |
Kang et al. | Most probable failure point update method for accurate first-order reliability-based electromagnetic designs | |
CN114036731A (zh) | 一种车用永磁同步电机优化方法、系统及存储介质 | |
Dai et al. | A genetic-Taguchi global design optimization strategy for surface-mounted PM machine | |
CN111709155A (zh) | 一种基于混合单调特性的电力系统机电暂态特性分析方法 | |
Duan | 5 Power System Simulation Using Multistage Adomian Decomposition Methods Nan Duan Transmission Planning, Midcontinent Independent System Operator, Inc., Carmel, IN, USA | |
CN113076667A (zh) | 等效仿真方法、系统、计算机设备及计算机可读存储介质 | |
Sayed et al. | Geometric optimization of switched reluctance motors using an invasive weed method | |
CN117269838B (zh) | 一种确定构网型电力电子设备短路电流的方法及系统 |
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 |