CN115510581A - 一种变压器设计参数预测方法 - Google Patents
一种变压器设计参数预测方法 Download PDFInfo
- Publication number
- CN115510581A CN115510581A CN202211196906.6A CN202211196906A CN115510581A CN 115510581 A CN115510581 A CN 115510581A CN 202211196906 A CN202211196906 A CN 202211196906A CN 115510581 A CN115510581 A CN 115510581A
- Authority
- CN
- China
- Prior art keywords
- magnetic field
- transformer
- processor
- population
- prediction method
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/17—Mechanical parametric or variational 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
- G06F30/23—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
- 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]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Geometry (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computer Hardware Design (AREA)
- General Engineering & Computer Science (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种变压器设计参数预测方法,包括以下步骤:设置算法的控制变量、约束条件、目标函数;采用随机初始化种群的方法初步生成较优种群,优化程序开始后,采用实整数编码方式产生初代种群经过适应度函数进行评定各个个体的优劣程度,从而决定其遗传机会的大小;将得到的较优种群放到变压器磁场云图快速生成模块中计算每个结构参数下的磁场云图;将得到的磁场云图放到较优解筛选模块中进行均值和标准差的计算,选出磁场分布均值和标准差较小的结构参数作为引导。本发明有益效果:一种变压器设计参数预测方法,以粒子群优化算法为基本框架,相较于传统算法计算速度非常快,全局搜索能力强,易收敛于全局最优解,收敛速度受种群影响较小。
Description
技术领域
本发明属于变压器结构与磁场领域,尤其是涉及一种变压器设计参数预测方法。
背景技术
在我国电能损耗中,配电网的损耗约占全网损耗的70%,成为整个电网损耗的主要部分。配电网的负荷多为季节性负荷或日负荷,长期轻载或空载的配电变压器大量存在,它们的空载损耗在配电网损耗中占据较大部分,降低变压器的空载损耗可以带来巨大的节能和环保效益。
发明内容
有鉴于此,本发明旨在提出一种变压器设计参数预测方法,能够快速计算满足变压器体积、容量和磁感应强度条件的设计参数。
为达到上述目的,本发明的技术方案是这样实现的:
一种变压器设计参数预测方法,包括以下步骤:
S1、设置算法的控制变量、约束条件、目标函数;
S2、采用随机初始化种群的方法初步生成较优种群,优化程序开始后,采用实整数编码方式产生初代种群经过适应度函数进行评定各个个体的优劣程度,从而决定其遗传机会的大小;
S3、将步骤S2中得到的较优种群放到变压器磁场云图快速生成模块中计算每个结构参数下的磁场云图;
S4、将步骤S3中得到的磁场云图放到较优解筛选模块中进行均值和标准差的计算,选出磁场分布均值和标准差较小的结构参数作为引导;
S5、重复上述步骤,把变压器的体积和容量、磁感应强度和体积作为优化目标进行整体和局部的分析,直到选出帕累托最优解集。
进一步的,在步骤S1中,分别以变压器的体积和容量、磁感应强度和体积作为优化目标,窗口宽度B、窗口高度C、铁心高度D、铁心宽度E作为控制变量;
优化目标:
约束条件:
目标函数:
式中U为电压,W为绕组匝数;
式中0.9为铁心有效截面积系数。
进一步的,采用随机初始化种群的方法初步生成较优种群,优化程序开始后,采用实整数编码方式产生初代种群经过适应度函数进行评定各个个体的优劣程度,从而决定其遗传机会的大小。
进一步的,在步骤S3中,将得到的较优种群放到变压器磁场云图快速生成模块中计算每个结构参数下的磁场云图,计算磁场云图利用基于深度学习方法的磁场预测模型,利用数字孪生技术根据典型采样点函数值预测其他点的函数值,将磁场的场值分布转化为图像,通过预测图像的像素,最后再反演对应的场值;
进一步的,在步骤S4中,将得到的磁场云图放到较优解筛选模块中进行均值和标准差的计算,选出磁场分布均值和标准差较小的结构参数作为引导。
通过改变变压器铁心结构,初步求得铁心磁场分布有限元磁场仿真结果,在磁场均值和标准差的求解中,首先对磁场进行灰度化处理;
磁感应强度的均值公式:
磁感应强度的标准差公式:
一种电子设备,包括处理器以及与处理器通信连接,且用于存储所述处理器可执行指令的存储器,所述处理器用于执行一种变压器设计参数预测方法。
一种服务器,包括至少一个处理器,以及与所述处理器通信连接的存储器,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述处理器执行,以使所述至少一个处理器执行一种变压器设计参数预测方法。
一种计算机可读取存储介质,存储有计算机程序,所述计算机程序被处理器执行时实现一种变压器设计参数预测方法。
相对于现有技术,本发明所述的一种变压器设计参数预测方法具有以下有益效果:
(1)本发明所述的一种变压器设计参数预测方法,加入先验知识后优化结果比较稳定而且解集分布比较均匀;
(2)本发明所述的一种变压器设计参数预测方法,以粒子群优化算法为基本框架,相较于传统算法计算速度非常快,全局搜索能力强,易收敛于全局最优解,收敛速度受种群影响较小。
附图说明
构成本发明的一部分的附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1组合引导优化算法流程图;
图2有限元磁场仿真结果;
图3灰度化处理示意图。
具体实施方式
需要说明的是,在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。
本方案公开一种变压器设计参数预测方法,以粒子群以粒子群优化算法为基本框架,分别以变压器的体积和容量、磁感应强度和体积作为优化目标,窗口宽度B,窗口高度C,铁心高D,铁心宽度E作为控制变量(设计参数),首先采用随机初始化种群的方法初步生成较优种群,进一步计算较优种群每个结构参数下的磁场云图,进一步将得到的磁场云图进行磁场分布均值和标准差的计算,选出均值和标准差较小的结构参数作为引导,最后将上述步骤进行重复,直到得到帕累托最优解集。保证优化后得到的结果,在满足优化目标的同时使变压器的磁场分布尽可能的均匀。
下面将参考附图并结合实施例来详细说明本发明。
S1:分别以变压器的体积和容量、磁感应强度和体积作为优化目标,窗口宽度B,窗口高度C,铁心高度D,铁心宽度E作为控制变量(设计参数)。
优化目标:
约束条件:
目标函数:
式中U为电压,W为绕组匝数。
式中0.9为铁心有效截面积系数;
S2:采用随机初始化种群的方法初步生成较优种群,优化程序开始后,采用实整数编码方式产生初代种群经过适应度函数进行评定各个个体的优劣程度,从而决定其遗传机会的大小。
由于本方案中目标函数总取非负值,并且是以求函数最大或最小值为优化目标,故可直接利用目标函数值作为个体的适应度。再依次经过选择、交叉和变异得到较优种群,参数设定如表1所示。
表格1参数取值
S3:将得到的较优种群放到变压器磁场云图快速生成模块中计算每个结构参数下的磁场云图,计算磁场云图利用几种基于深度学习方法的磁场预测模型,利用数字孪生技术,可以根据典型采样点函数值预测其他点的函数值。它把磁场的场值分布(彩图)转化为图像,通过预测图像的像素,最后再反演对应的场值;
S4:将得到的磁场云图放到较优解筛选模块中进行均值和标准差的计算,选出磁场分布均值和标准差较小的结构参数作为引导。
通过改变变压器铁心结构,初步求得铁心磁场分布有限元磁场仿真结果如图2所示;在磁场均值和标准差的求解中,首先对磁场进行灰度化处理,如图3所示。
磁感应强度的均值公式:
磁感应强度的标准差公式:
S5:将上述步骤进行重复,把变压器的体积和容量、磁感应强度和体积作为优化目标进行整体和局部的分析,直到选出帕累托最优解集。
把变压器体积和容量作为优化目标,对整体首先运行优化算法得到初步的较优解集,得到的较优解集的变压器结构图输入到变压器磁场快速生成模块中进一步求得对应的磁场云图。对每个磁场云图进行均值,标准差的求解。选出均值和标准差小的结构参数作为引导,最后得到帕累托最优解集。下一步重点对局部磁场分布进行分析,优化过程中得到的均值,标准差,得到加入先验知识的帕累托解集。
将变压器的磁感应强度和体积作为优化目标进行同上步骤,整体优化平均值和标准差,得到帕累托解集;
本发明未尽事宜为公知技术。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及方法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
在本申请所提供的几个实施例中,应该理解到,所揭露的方法和系统,可以通过其它的方式实现。例如,以上所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。上述单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本发明实施例方案的目的。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围,其均应涵盖在本发明的权利要求和说明书的范围当中。
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、改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种变压器设计参数预测方法,其特征在于,包括以下步骤:
S1、设置算法的控制变量、约束条件、目标函数;
S2、采用随机初始化种群的方法初步生成较优种群,优化程序开始后,采用实整数编码方式产生初代种群经过适应度函数进行评定各个个体的优劣程度,从而决定其遗传机会的大小;
S3、将步骤S2中得到的较优种群放到变压器磁场云图快速生成模块中计算每个结构参数下的磁场云图;
S4、将步骤S3中得到的磁场云图放到较优解筛选模块中进行均值和标准差的计算,选出磁场分布均值和标准差较小的结构参数作为引导;
S5、重复上述步骤,把变压器的体积和容量、磁感应强度和体积作为优化目标进行整体和局部的分析,直到选出帕累托最优解集。
3.根据权利要求1所述的一种变压器设计参数预测方法,其特征在于:采用随机初始化种群的方法初步生成较优种群,优化程序开始后,采用实整数编码方式产生初代种群经过适应度函数进行评定各个个体的优劣程度,从而决定其遗传机会的大小。
4.根据权利要求1所述的一种变压器设计参数预测方法,其特征在于:在步骤S3中,将得到的较优种群放到变压器磁场云图快速生成模块中计算每个结构参数下的磁场云图,计算磁场云图利用基于深度学习方法的磁场预测模型,利用数字孪生技术根据典型采样点函数值预测其他点的函数值,将磁场的场值分布转化为图像,通过预测图像的像素,最后再反演对应的场值。
6.一种电子设备,包括处理器以及与处理器通信连接,且用于存储所述处理器可执行指令的存储器,其特征在于:所述处理器用于执行上述权利要求1-5任一所述的一种变压器设计参数预测方法。
7.一种服务器,其特征在于:包括至少一个处理器,以及与所述处理器通信连接的存储器,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述处理器执行,以使所述至少一个处理器执行如权利要求1-5任一所述的一种变压器设计参数预测方法。
8.一种计算机可读取存储介质,存储有计算机程序,其特征在于:所述计算机程序被处理器执行时实现权利要求1-5任一项所述的一种变压器设计参数预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211196906.6A CN115510581A (zh) | 2022-09-28 | 2022-09-28 | 一种变压器设计参数预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211196906.6A CN115510581A (zh) | 2022-09-28 | 2022-09-28 | 一种变压器设计参数预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115510581A true CN115510581A (zh) | 2022-12-23 |
Family
ID=84508299
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211196906.6A Pending CN115510581A (zh) | 2022-09-28 | 2022-09-28 | 一种变压器设计参数预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115510581A (zh) |
-
2022
- 2022-09-28 CN CN202211196906.6A patent/CN115510581A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109583474B (zh) | 一种用于工业大数据处理的训练样本生成方法 | |
CN106786581B (zh) | 一种有源滤波器优化配置方法 | |
CN109215344B (zh) | 用于城市道路短时交通流量预测的方法和系统 | |
CN115588993B (zh) | 一种配电变压器的有载实时在线调容方法及装置 | |
Elshaer et al. | Aerodynamic shape optimization for corners of tall buildings using CFD | |
CN109858631B (zh) | 用于概念迁移的流式数据分析的自动机器学习系统及方法 | |
Tabak | Maiden application of fractional order PID plus second order derivative controller in automatic voltage regulator | |
Georgilakis | Recursive genetic algorithm-finite element method technique for the solution of transformer manufacturing cost minimisation problem | |
CN113837311A (zh) | 一种基于需求响应数据的居民客户聚类方法及装置 | |
CN105809286B (zh) | 一种基于代表数据重构的增量svr负荷预测方法 | |
CN115510581A (zh) | 一种变压器设计参数预测方法 | |
CN113591322A (zh) | 一种基于极端梯度提升决策树的低压台区线损率预测方法 | |
CN117353321A (zh) | 一种基于源荷不确定性的配电网安全评估方法和系统 | |
CN112348236A (zh) | 用于智能用电监测终端的异常日负荷需求预测系统与方法 | |
CN105334730B (zh) | 加热炉氧含量的iga优化t‑s模糊arx建模方法 | |
Phaengkieo et al. | Optimization of three-phase transformer design using adaptive genetic algorithm | |
CN113132482B (zh) | 一种基于强化学习的分布式消息系统参数自适应优化方法 | |
CN115967092A (zh) | 一种数据驱动的新能源电力系统非参数概率最优潮流预测-分析一体化方法 | |
CN109470954A (zh) | 一种基于大数据的电网运行状态监测系统及其监测方法 | |
CN112685900B (zh) | 一种表征冲击负荷功率特性的电力负荷模拟方法 | |
CN115017981A (zh) | 一种电力数据预测训练样本优化方法及系统 | |
CN113408778A (zh) | 一种基于sfo-tsvr的短期电力负荷预测方法 | |
CN112584386A (zh) | 5g c-ran资源预测和分配方法及系统 | |
CN115473232B (zh) | 一种负荷参数调整方法、系统、设备和存储介质 | |
CN109325609A (zh) | 一种使用蛾火焰优化算法对年度电力负荷预测的方法 |
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 |