DE102020117880A1 - Method for optimizing an electrical system using a particle swarm optimization algorithm - Google Patents

Method for optimizing an electrical system using a particle swarm optimization algorithm Download PDF

Info

Publication number
DE102020117880A1
DE102020117880A1 DE102020117880.8A DE102020117880A DE102020117880A1 DE 102020117880 A1 DE102020117880 A1 DE 102020117880A1 DE 102020117880 A DE102020117880 A DE 102020117880A DE 102020117880 A1 DE102020117880 A1 DE 102020117880A1
Authority
DE
Germany
Prior art keywords
particle swarm
optimization algorithm
swarm optimization
search space
particles
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.)
Ceased
Application number
DE102020117880.8A
Other languages
German (de)
Inventor
wird später genannt werden Erfinder
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Dr Ing HCF Porsche AG
Original Assignee
Dr Ing HCF Porsche AG
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Dr Ing HCF Porsche AG filed Critical Dr Ing HCF Porsche AG
Priority to DE102020117880.8A priority Critical patent/DE102020117880A1/en
Publication of DE102020117880A1 publication Critical patent/DE102020117880A1/en
Ceased legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/30—Circuit 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
    • G06F30/25—Design optimisation, verification or simulation using particle-based methods
    • 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]

Abstract

Die Erfindung betrifft ein Verfahren zur Optimierung eines elektrischen Systems, insbesondere einer elektrischen Maschine, einer elektrochemischen Speichereinrichtung oder einer elektrischen Schaltung, durch einen Partikelschwarm-Optimierungsalgorithmus (1), wobei ein Modell des elektrischen Systems mit einer Mehrzahl systemspezifischer Modellparameter in dem Partikelschwarm-Optimierungsalgorithmus (1) abgebildet wird und zumindest einer der Modellparameter als zu optimierende Größe ausgewählt wird, wobei der Partikelschwarm-Optimierungsalgorithmus (1) iterativ ausgeführt wird und einen virtuellen festen Suchraum (2) und einen realen dynamischen Suchraum (3) für die Partikel aufweist, welcher bei jedem Iterationsschritt geändert wird und wobei diejenigen Partikel des Partikelschwarms, welche ein vordefiniertes Leistungskriterium nicht erfüllen, vor der Ausführung eines nächsten Iterationsschritts aus dem Partikelschwarm-Optimierungsalgorithmus (1) entfernt werden.The invention relates to a method for optimizing an electrical system, in particular an electrical machine, an electrochemical storage device or an electrical circuit, using a particle swarm optimization algorithm (1), a model of the electrical system having a plurality of system-specific model parameters being used in the particle swarm optimization algorithm ( 1) is mapped and at least one of the model parameters is selected as the variable to be optimized, with the particle swarm optimization algorithm (1) being executed iteratively and having a virtual fixed search space (2) and a real dynamic search space (3) for the particles, which at is changed at each iteration step and wherein those particles of the particle swarm which do not meet a predefined performance criterion are removed from the particle swarm optimization algorithm (1) before the execution of a next iteration step.

Description

Die vorliegende Erfindung betrifft ein Verfahren zur Optimierung eines elektrischen Systems, insbesondere einer elektrischen Maschine, einer elektrochemischen Speichereinrichtung oder einer elektrischen Schaltung, durch einen Partikelschwarm-Optimierungsalgorithmus.The present invention relates to a method for optimizing an electrical system, in particular an electrical machine, an electrochemical storage device or an electrical circuit, using a particle swarm optimization algorithm.

Die Verwendung von Partikelschwarm-Optimierungsalgorithmen zur Optimierung von Systemparametern ganz unterschiedlicher Systeme ist aus dem Stand der Technik grundsätzlich bekannt. Zu nennen sind in diesem Zusammenhang zum Beispiel die US 9,160,280 B1 , die US 2018/307787 A1 sowie die DE 10 2017 123 042 A1 . Die Partikelschwarm-Optimierung (Particle Swarm Optimization, PSO) ist ein rechnergestütztes, computerimplementiertes Verfahren, welches ein Problem löst, indem es eine Population von Lösungskandidaten für dieses Problem - die so genannten Partikel - hat und diese Partikel in einem Suchraum nach einfachen mathematischen Formeln über die Position und Geschwindigkeit des jeweiligen Partikels bewegt. Dabei wird nach dem Vorbild eines biologischen Schwarmverhaltens eine Lösung für ein Optimierungsproblem zur Optimierung von Systemparametern des betreffenden Systems, das durch ein entsprechendes Modell abgebildet ist, gesucht. Die Bewegung jedes der Partikel wird von seiner lokal bekanntesten Position beeinflusst, aber auch zu den bekanntesten Positionen im Suchraum geführt, die stets aktualisiert werden, wenn andere Partikel bessere Positionen finden. Es wird erwartet, dass dieses den Partikelschwarm in Richtung der besten Lösung für das zugrundeliegende Problem bewegt, so dass es zu einer Konvergenz kommt.The use of particle swarm optimization algorithms to optimize system parameters of very different systems is known in principle from the prior art. In this context, for example, the US 9,160,280 B1 , the U.S. 2018/307787 A1 as well as the DE 10 2017 123 042 A1 . Particle swarm optimization (PSO) is a computational, computer-implemented technique that solves a problem by taking a population of candidate solutions to that problem - called particles - and sorting those particles in a search space using simple mathematical formulas moves the position and speed of the respective particle. Based on the example of a biological swarm behavior, a solution for an optimization problem for the optimization of system parameters of the system in question, which is represented by a corresponding model, is sought. The movement of each of the particles is influenced by its locally known position, but also guided to the best known positions in the search space, which are always updated as other particles find better positions. This is expected to move the particle swarm towards the best solution to the underlying problem, so that convergence occurs.

Es existiert bereits eine Vielzahl von Algorithmen-Typen, die auf dem Prinzip der Schwarmintelligenz basieren. Ein Hauptproblem derartiger Algorithmen besteht insbesondere darin, dass diese durch eine vorzeitige Konvergenz oder eine geringe Diversität in einem lokalen Minimum oder Maximum einer Fehlerfunktion stecken bleiben, oder dass sie die Extrempunkte nicht mit der gewünschten Genauigkeit erreichen.A large number of algorithm types based on the principle of swarm intelligence already exist. A main problem of such algorithms is that they get stuck in a local minimum or maximum of an error function due to premature convergence or low diversity, or that they do not reach the extreme points with the desired accuracy.

Die vorliegende Erfindung macht es sich zur Aufgabe, ein verbessertes Verfahren zur Optimierung eines elektrischen Systems, insbesondere einer elektrischen Maschine, einer elektrochemischen Speichereinrichtung oder einer elektrischen Schaltung, durch einen Partikelschwarm-Optimierungsalgorithmus zur Verfügung zu stellen.The object of the present invention is to provide an improved method for optimizing an electrical system, in particular an electrical machine, an electrochemical storage device or an electrical circuit, using a particle swarm optimization algorithm.

Die Lösung dieser Aufgabe liefert ein Verfahren zur Optimierung eines elektrischen Systems, insbesondere einer elektrischen Maschine, einer elektrochemischen Speichereinrichtung oder einer elektrischen Schaltung, durch einen Partikelschwarm-Optimierungsalgorithmus mit den Merkmalen des Anspruchs 1. Die Unteransprüche betreffen vorteilhafte Weiterbildungen der Erfindung.The solution to this problem is provided by a method for optimizing an electrical system, in particular an electrical machine, an electrochemical storage device or an electrical circuit, using a particle swarm optimization algorithm with the features of claim 1. The dependent claims relate to advantageous developments of the invention.

Bei einem erfindungsgemäßen Verfahren zur Optimierung eines elektrischen Systems, insbesondere einer elektrischen Maschine, einer elektrochemischen Speichereinrichtung oder einer elektrischen Schaltung, durch einen Partikelschwarm-Optimierungsalgorithmus ist vorgesehen, dass ein Modell des elektrischen Systems mit einer Mehrzahl systemspezifischer Modellparameter in dem Partikelschwarm-Optimierungsalgorithmus abgebildet wird und zumindest einer der Modellparameter als zu optimierende Größe ausgewählt wird, wobei der Partikelschwarm-Optimierungsalgorithmus iterativ ausgeführt wird und einen virtuellen festen Suchraum und einen realen dynamischen Suchraum für die Partikel aufweist, welcher bei jedem Iterationsschritt geändert wird, und wobei diejenigen Partikel des Partikelschwarms, welche ein vordefiniertes Leistungskriterium nicht erfüllen, vor der Ausführung eines nächsten Iterationsschritts aus dem Partikelschwarm-Optimierungsalgorithmus entfernt werden. Das erfindungsgemäße Verfahren verbessert insbesondere das Konvergenzverhalten des Partikelschwarm-Optimierungsalgorithmus und bietet den Vorteil, dass es Rechenzeit einspart und dass der RAM-Speicherbedarf einer Recheneinrichtung, mittels derer das computerimplementierte Verfahren ausgeführt wird, verringert werden kann.In a method according to the invention for optimizing an electrical system, in particular an electrical machine, an electrochemical storage device or an electrical circuit, using a particle swarm optimization algorithm, it is provided that a model of the electrical system with a plurality of system-specific model parameters is mapped in the particle swarm optimization algorithm and at least one of the model parameters is selected as the variable to be optimized, with the particle swarm optimization algorithm being executed iteratively and having a virtual fixed search space and a real dynamic search space for the particles, which is changed with each iteration step, and with those particles of the particle swarm which a do not meet a predefined performance criterion, are removed from the particle swarm optimization algorithm before executing a next iteration step. The method according to the invention improves in particular the convergence behavior of the particle swarm optimization algorithm and offers the advantage that it saves computing time and that the RAM memory requirement of a computing device by means of which the computer-implemented method is executed can be reduced.

Mittels des Partikelschwarm-Optimierungsalgorithmus zur Optimierung eines elektrischen Systems, insbesondere einer elektrischen Maschine, einer elektrochemischen Speichereinrichtung oder einer elektrischen Schaltung, wird nach dem Vorbild eines biologischen Schwarmverhaltens eine Lösung für das Optimierungsproblem gesucht. Der Partikelschwarm bildet dabei eine Population von Lösungskandidaten (Partikeln) für das zu lösende Optimierungsproblem des elektrischen Systems. Erfindungsgemäß wird dabei zusätzlich zu einem virtuellen festen Suchraum für die Partikel des Partikelscharms ein realer dynamischer Suchraum zur Verfügung gestellt, wobei in jedem Iterationsschritt vorzugsweise eine Skalierung zwischen dem dynamischen Suchraum und dem festen Suchraum vorgenommen wird und die Nachbarschaftsbeziehungen der Partikel innerhalb des Partikelschwarms neu definiert werden.Using the particle swarm optimization algorithm for optimizing an electrical system, in particular an electrical machine, an electrochemical storage device or an electrical circuit, a solution to the optimization problem is sought on the model of biological swarm behavior. The particle swarm forms a population of solution candidates (particles) for the optimization problem to be solved for the electrical system. According to the invention, in addition to a virtual fixed search space for the particles of the particle swarm, a real dynamic search space is made available, with scaling between the dynamic search space and the fixed search space preferably being carried out in each iteration step and the neighboring relationships of the particles within the particle swarm being redefined .

Diejenigen Partikel des Partikelschwarms, welche die vordefinierten Erwartungen durch Nichterreichen des vordefinierten Leistungskriteriums nicht erfüllen, werden vor einem nachfolgenden Iterationsschritt gezielt aus dem Partikelschwarm-Optimierungsalgorithmus entfernt. Dadurch kann das Konvergenzverhalten des Partikelschwarm-Optimierungsalgorithmus wirksam verbessert werden. Ferner kann durch das gezielte Entfernen von Partikeln in vorteilhafter Weise Rechenleistung eingespart werden.Those particles of the particle swarm that do not meet the predefined expectations by not meeting the predefined performance criterion are specifically removed from the particle swarm optimization algorithm before a subsequent iteration step. This allows the convergence behavior of the particle swarm-Optimie algorithm can be effectively improved. Furthermore, the targeted removal of particles can advantageously save computing power.

In einer vorteilhaften Ausführungsform kann der Kommunikationsgraph zwischen den Partikeln und zwischen den Partikelgruppen bei jeder Iteration geändert werden. Auf diese Weise wird eine bessere Suchraumerkundung erreicht, so dass ein Steckenbleiben in einem lokalen Optimum (also einem lokalen Extremwert) wirksam verhindert werden kann. Dabei wird bei jedem Iterationsschritt eine Anzahl von Partikeln (fest oder dynamisch) von jeder Partikelgruppe ausgewählt, um eine Bindung zwischen den Partikelgruppen zu bilden. Ebenso wird bei jedem Iterationsschritt eine Art der Kommunikation zwischen den Partikelgruppen und den Partikeln innerhalb der Partikelgruppen ausgewählt, die von Anfang an festgelegt oder auch dynamisch veränderbar sein kann. Beispielsweise kann zwischen mehreren Typen, wie zum Beispiel einem Ring-Typ, einem Stern-Typ, einem von Neumann-Typ usw., gewählt werden.In an advantageous embodiment, the communication graph between particles and between particle groups can be changed at each iteration. In this way, a better search space exploration is achieved, so that getting stuck in a local optimum (ie a local extreme value) can be effectively prevented. At each iteration, a number of particles (fixed or dynamic) are selected from each particle group to form a bond between the particle groups. Likewise, with each iteration step, a type of communication between the particle groups and the particles within the particle groups is selected, which can be fixed from the start or can also be dynamically changed. For example, one can choose between several types, such as a ring type, a star type, a von Neumann type, etc.

In einer bevorzugten Ausführungsform wird vorgeschlagen, dass der geänderte dynamische Suchraum zumindest in Grenzen abhängig von einer Fehlervariation modifiziert wird und gleichzeitig an einer global besten Position neu zentriert wird. Diese Maßnahme führt ebenfalls zu einem weiter verbesserten Konvergenzverhalten.In a preferred embodiment it is proposed that the changed dynamic search space is modified at least within limits depending on an error variation and at the same time is re-centered at a globally best position. This measure also leads to a further improved convergence behavior.

In einer besonders vorteilhaften Ausführungsform besteht die Möglichkeit, dass der Partikelschwarm-Optimierungsalgorithmus bei jeder Iteration eine Skalierung zwischen dem festen und dem dynamischen (variablen) Suchraum durchführt. Durch diese Maßnahme ist es möglich, die Effizienz und die Ausbeute des Partikelschwarm-Optimierungsalgorithmus in vorteilhafter Weise weiter zu verbessern.In a particularly advantageous embodiment, there is the possibility that the particle swarm optimization algorithm carries out a scaling between the fixed and the dynamic (variable) search space in each iteration. This measure makes it possible to advantageously further improve the efficiency and yield of the particle swarm optimization algorithm.

Beispielsweise kann in einer Ausführungsform mittels des Verfahrens ein Klauenpolgenerator optimiert werden.For example, in one embodiment, a claw-pole generator can be optimized using the method.

In einer weiteren Ausführungsform besteht die Möglichkeit, dass mittels des Verfahrens eine Batterie oder ein Akkumulator optimiert wird.In a further embodiment, there is the possibility that a battery or an accumulator is optimized by means of the method.

Ferner kann in einer Ausführungsform vorgesehen sein, dass mittels des Verfahrens ein Gleichspannungswandler optimiert wird.Furthermore, in one embodiment it can be provided that a DC voltage converter is optimized by means of the method.

Weitere Merkmale und Vorteile der vorliegenden Erfindung werden deutlich anhand der nachfolgenden Beschreibung bevorzugter Ausführungsbeispiele unter Bezugnahme auf die beiliegenden Abbildungen. Dabei zeigen

  • 1 eine schematische Darstellung, welche den grundlegenden Ablauf eines Verfahrens zur Optimierung eines elektrischen Systems, insbesondere einer elektrischen Maschine, einer elektrochemischen Speichereinrichtung oder einer elektrischen Schaltung, durch einen Partikelschwarm-Optimierungsalgorithmus zeigt,
  • 2 eine Darstellung, welche die Kommunikation zwischen Partikeln einer Partikelgruppe und die Kommunikation zwischen mehreren Partikelgruppen veranschaulicht.
Further features and advantages of the present invention become clear from the following description of preferred exemplary embodiments with reference to the attached figures. show it
  • 1 a schematic representation showing the basic sequence of a method for optimizing an electrical system, in particular an electrical machine, an electrochemical storage device or an electrical circuit, using a particle swarm optimization algorithm,
  • 2 a representation that illustrates the communication between particles of a particle group and the communication between multiple particle groups.

Unter Bezugnahme auf 1 soll nachfolgend der grundlegende Ablauf eines Verfahrens zur Optimierung eines elektrischen Systems, insbesondere einer elektrischen Maschine, einer elektrochemischen Speichereinrichtung oder einer elektrischen Schaltung, durch einen Partikelschwarm-Optimierungsalgorithmus 1 erläutert werden. Mittels des Partikelschwarm-Optimierungsalgorithmus 1 wird nach dem Vorbild eines biologischen Schwarmverhaltens in einem Modell, welches das elektrische System abbildet, eine Lösung für ein Optimierungsproblem zur Optimierung des elektrischen Systems gesucht. Der Partikelschwarm des Partikelschwarm-Optimierungsalgorithmus 1 bildet dabei eine Population von möglichen Lösungskandidaten (Partikeln) für das zu lösende Optimierungsproblem.With reference to 1 the basic sequence of a method for optimizing an electrical system, in particular an electrical machine, an electrochemical storage device or an electrical circuit, is to be explained below using a particle swarm optimization algorithm 1 . Using the particle swarm optimization algorithm 1, a solution to an optimization problem for optimizing the electrical system is sought based on the example of a biological swarm behavior in a model which depicts the electrical system. The particle swarm of the particle swarm optimization algorithm 1 forms a population of possible solution candidates (particles) for the optimization problem to be solved.

Der Partikelschwarm-Optimierungsalgorithmus 1 wird iterativ ausgeführt und weist einen virtuellen festen Suchraum 2 für die Partikel des Partikelschwarms und zusätzlich einen realen dynamischen Suchraum 3 auf, welcher bei jedem Iterationsschritt geändert wird. Der neue Suchraum wird zumindest in Grenzen abhängig von der Fehlervariation modifiziert und wird gleichzeitig an der global besten Position neu zentriert. Bei jeder Iteration führt der Partikelschwarm-Optimierungsalgorithmus 1 vorzugsweise eine Skalierung 4 zwischen dem festen Suchraum 2 und dem dynamischen (variablen) Suchraum 3 durch. Diese Verbesserung trägt in vorteilhafter Weise dazu bei, eine gute Effizienz und Ausbeute zu erhalten. Vorzugsweise werden auch die Nachbarschaftsbeziehungen der Partikel innerhalb einzelner Partikelgruppen 10, 11, 12 des Partikelschwarms und die Nachbarschaftsbeziehungen zwischen den einzelnen Partikelgruppen 10, 11, 12 bei jedem Iterationsschritt neu definiert.The particle swarm optimization algorithm 1 is executed iteratively and has a virtual fixed search space 2 for the particles of the particle swarm and, in addition, a real dynamic search space 3, which is changed with each iteration step. The new search space is modified, at least within limits, depending on the error variation and at the same time is re-centered at the global best position. In each iteration, the particle swarm optimization algorithm 1 preferably carries out a scaling 4 between the fixed search space 2 and the dynamic (variable) search space 3 . This improvement advantageously contributes to obtaining good efficiency and yield. The neighborhood relationships of the particles within individual particle groups 10, 11, 12 of the particle swarm and the neighborhood relationships between the individual particle groups 10, 11, 12 are preferably also redefined in each iteration step.

Vorzugsweise wird ein bestimmter Prozentsatz der Partikel auf Basis eines vordefinierten Leistungskriteriums eliminiert, so dass eine schnellere Konvergenz des Partikelschwarm-Optimierungsalgorithmus 1 erreicht werden kann. Dabei werden solche Partikel, welche die Erwartungen in einem vorhergehenden Iterationsschritt durch Nichterreichen des vordefinierten Leistungskriteriums nicht erfüllt haben, im nächsten Iterationsschritt eliminiert, wohingegen solche Partikel, welche die Erwartungen in dem betreffenden Iterationsschritt erfüllt haben, im nachfolgenden Iterationsschritt weiterhin berücksichtigt werden. Diese Maßnahme wirkt sich vorteilhaft auf das Konvergenzverhalten und somit auch auf die benötigte Rechenzeit bei der Ausführung des Partikelschwarm-Optimierungsalgorithmus 1 aus.A certain percentage of the particles is preferably eliminated on the basis of a predefined performance criterion, so that a faster convergence of the particle swarm optimization algorithm 1 can be achieved. Particles that did not meet the expectations in a previous iteration step by not achieving the predefined performance criterion are eliminated in the next iteration step, whereas those particles that have met the expectations in the relevant iteration step are still taken into account in the subsequent iteration step. This measure has an advantageous effect on the convergence behavior and thus also on the computing time required when executing the particle swarm optimization algorithm 1 .

In 2 wird die Kommunikation zwischen den Partikeln einer Partikelgruppe 10, 11, 12 und die Kommunikation zwischen den Partikelgruppen 10, 11, 12 untereinander veranschaulicht. Der Kommunikationsgraph zwischen den Partikeln untereinander und zwischen den Partikelgruppen 10, 11, 12 wird vorzugsweise bei jedem Iterationsschritt geändert. Auf diese Weise wird eine bessere Suchraumerkundung erreicht, so dass ein Steckenbleiben in einem lokalen Optimum (also einem lokalen Extremwert) wirksam verhindert werden kann. Dabei wird in jedem Iterationsschritt eine Anzahl von Partikeln (fest oder dynamisch) von jeder Partikelgruppe 10, 11, 12 ausgewählt, um eine Bindung zwischen den einzelnen Partikelgruppen 10, 11, 12 untereinander zu erreichen. Ebenso wird bei jedem Iterationsschritt eine Art der Kommunikation zwischen den Partikelgruppen 10, 11, 12 und den Partikeln innerhalb der Partikelgruppen 10, 11, 12 ausgewählt, die von Anfang an festgelegt oder auch dynamisch sein kann. Beispielsweise kann zwischen mehreren Typen, wie zum Beispiel einem Ring-Typ, einem Stern-Typ, einem von Neumann-Typ usw., gewählt werden.In 2 the communication between the particles of a particle group 10, 11, 12 and the communication between the particle groups 10, 11, 12 among themselves is illustrated. The communication graph between the particles themselves and between the particle groups 10, 11, 12 is preferably changed with each iteration step. In this way, a better search space exploration is achieved, so that getting stuck in a local optimum (ie a local extreme value) can be effectively prevented. In each iteration step, a number of particles (fixed or dynamic) is selected from each particle group 10, 11, 12 in order to achieve a bond between the individual particle groups 10, 11, 12 with one another. Likewise, a type of communication between the particle groups 10, 11, 12 and the particles within the particle groups 10, 11, 12 is selected at each iteration step, which can be fixed from the start or dynamic. For example, one can choose between several types, such as a ring type, a star type, a von Neumann type, etc.

Mittels des hier vorgestellten Verfahrens können ganz unterschiedliche elektrische Systeme, wie zum Beispiel elektrische Maschinen, elektrochemische Speichereinrichtungen oder elektrische Schaltungen, optimiert werden.Using the method presented here, very different electrical systems, such as electrical machines, electrochemical storage devices or electrical circuits, can be optimized.

Beispielsweise kann ein Klauenpolgenerator optimiert werden, indem mittels eines Partikelschwarm-Optimierungsalgorithmus 1, der einen Zusammenhang zwischen dem erzeugten elektrischen Strom und dem Drehmoment modellmäßig abbildet, eine (Fein-)Einstellung der Induktivität erfolgt. Derartige Klauenpolgeneratoren werden zum Beispiel in Kraftfahrzeugen eingesetzt, um elektrischen Strom für eine Starterbatterie und elektrische Verbraucher des Kraftfahrzeugs zur Verfügung zu stellen.For example, a claw-pole generator can be optimized by (fine) adjustment of the inductance using a particle swarm optimization algorithm 1 that models a relationship between the electric current generated and the torque. Claw-pole generators of this type are used in motor vehicles, for example, in order to provide electrical power for a starter battery and electrical consumers in the motor vehicle.

Unter dem Aspekt der konstanten Lasterfordernis kann der Klauenpolgenerator auch dahingehend optimiert werden, dass mittels eines Partikelschwarm-Optimierungsalgorithmus 1 eine Approximation des erzeugten Stroms vorgenommen wird. Der Partikelschwarm-Optimierungsalgorithmus 1 beziehungsweise das damit abgebildete Modell des Klauenpolgenerators ist so ausgeführt, dass Eingangsgrößen wie eine konstante Temperatur, ein Erregerstrom und eine Rotorgeschwindigkeit verarbeitet werden.Under the aspect of the constant load requirement, the claw-pole generator can also be optimized in such a way that an approximation of the current generated is carried out using a particle swarm optimization algorithm 1 . The particle swarm optimization algorithm 1 or the model of the claw-pole generator depicted with it is designed in such a way that input variables such as a constant temperature, an excitation current and a rotor speed are processed.

Ferner kann mittels eines entsprechend ausgeführten Partikelschwarm-Optimierungsalgorithmus 1 eine reluktanzbasierte Diskretisierungsmodellierung eines Klauenpolgenerators vorgenommen werden. Ein dem Partikelschwarm-Optimierungsalgorithmus 1 zugrundeliegendes Modell des Klauenpolgenerators ist überaus komplex und umfasst gemäß einem Aspekt eine thermische Modellierung und Validierung einer Gleichrichterbrücke des Klauenpolgenerators.Furthermore, a reluctance-based discretization modeling of a claw-pole generator can be carried out by means of a correspondingly implemented particle swarm optimization algorithm 1 . A model of the claw-pole generator underlying the particle swarm optimization algorithm 1 is extremely complex and, according to one aspect, comprises thermal modeling and validation of a rectifier bridge of the claw-pole generator.

Ein entsprechend ausgeführter Partikelschwarm-Optimierungsalgorithmus 1 kann auch für eine Optimierung elektrochemischer Speichereinrichtungen, wie zum Beispiel Batterien oder Akkumulatoren, eingesetzt werden, mit dem Ziel, Parameter für einen inneren Widerstand, insbesondere als Funktion von Temperatur und Strom, und eine Spannungsdynamik zu optimieren.A correspondingly executed particle swarm optimization algorithm 1 can also be used to optimize electrochemical storage devices, such as batteries or accumulators, with the aim of optimizing parameters for an internal resistance, in particular as a function of temperature and current, and voltage dynamics.

Ein weiteres Anwendungsbeispiel für Partikelschwarm-Optimierungsalgorithmen 1, die nach dem hier erläuterten Prinzip arbeiten, sind Gleichspannungswandler (DC-DC-Wandler), um zum Beispiel eine wirksame Spannungsstabilisierung zu erreichen und ein Überschwingen zu vermeiden.Another application example for particle swarm optimization algorithms 1, which work according to the principle explained here, are direct voltage converters (DC-DC converters), for example to achieve effective voltage stabilization and to avoid overshooting.

ZITATE ENTHALTEN IN DER BESCHREIBUNGQUOTES INCLUDED IN DESCRIPTION

Diese Liste der vom Anmelder aufgeführten Dokumente wurde automatisiert erzeugt und ist ausschließlich zur besseren Information des Lesers aufgenommen. Die Liste ist nicht Bestandteil der deutschen Patent- bzw. Gebrauchsmusteranmeldung. Das DPMA übernimmt keinerlei Haftung für etwaige Fehler oder Auslassungen.This list of documents cited by the applicant was generated automatically and is included solely for the better information of the reader. The list is not part of the German patent or utility model application. The DPMA assumes no liability for any errors or omissions.

Zitierte PatentliteraturPatent Literature Cited

  • US 9160280 B1 [0002]US9160280B1 [0002]
  • US 2018307787 A1 [0002]US2018307787A1[0002]
  • DE 102017123042 A1 [0002]DE 102017123042 A1 [0002]

Claims (7)

Verfahren zur Optimierung eines elektrischen Systems, insbesondere einer elektrischen Maschine, einer elektrochemischen Speichereinrichtung oder einer elektrischen Schaltung, durch einen Partikelschwarm-Optimierungsalgorithmus (1), wobei ein Modell des elektrischen Systems mit einer Mehrzahl systemspezifischer Modellparameter in dem Partikelschwarm-Optimierungsalgorithmus (1) abgebildet wird und zumindest einer der Modellparameter als zu optimierende Größe ausgewählt wird, wobei der Partikelschwarm-Optimierungsalgorithmus (1) iterativ ausgeführt wird und einen virtuellen festen Suchraum (2) und einen realen dynamischen Suchraum (3) für die Partikel aufweist, welcher bei jedem Iterationsschritt geändert wird und wobei diejenigen Partikel des Partikelschwarms, welche ein vordefiniertes Leistungskriterium nicht erfüllen, vor der Ausführung eines nächsten Iterationsschritts aus dem Partikelschwarm-Optimierungsalgorithmus (1) entfernt werden.Method for optimizing an electrical system, in particular an electrical machine, an electrochemical storage device or an electrical circuit, using a particle swarm optimization algorithm (1), wherein a model of the electrical system with a plurality of system-specific model parameters is mapped in the particle swarm optimization algorithm (1). and at least one of the model parameters is selected as the variable to be optimized, the particle swarm optimization algorithm (1) being executed iteratively and having a virtual fixed search space (2) and a real dynamic search space (3) for the particles, which is changed with each iteration step and wherein those particles of the particle swarm which do not meet a predefined performance criterion are removed from the particle swarm optimization algorithm (1) prior to the execution of a next iteration step. Verfahren nach Anspruch 1, dadurch gekennzeichnet, dass der geänderte dynamische Suchraum (3) zumindest in Grenzen abhängig von einer Fehlervariation modifiziert wird und gleichzeitig an einer global besten Position neu zentriert wird.procedure after claim 1 , characterized in that the changed dynamic search space (3) is modified at least within limits depending on an error variation and is simultaneously re-centered at a globally best position. Verfahren nach einem der Ansprüche 1 oder 2, dadurch gekennzeichnet, dass der Partikelschwarm-Optimierungsalgorithmus (1) bei jeder Iteration eine Skalierung zwischen dem festen Suchraum (2) und dem dynamischen Suchraum (3) durchführt.Procedure according to one of Claims 1 or 2 , characterized in that the particle swarm optimization algorithm (1) carries out a scaling between the fixed search space (2) and the dynamic search space (3) in each iteration. Verfahren nach einem der Ansprüche 1 bis 3, dadurch gekennzeichnet, dass der Kommunikationsgraph zwischen den Partikeln und zwischen den Partikelgruppen (10, 11, 12) bei jeder Iteration geändert wird.Procedure according to one of Claims 1 until 3 , characterized in that the communication graph between the particles and between the particle groups (10, 11, 12) is changed at each iteration. Verfahren nach einem der Ansprüche 1 bis 4, dadurch gekennzeichnet, dass mittels des Verfahrens ein Klauenpolgenerator optimiert wird.Procedure according to one of Claims 1 until 4 , characterized in that a claw-pole generator is optimized by means of the method. Verfahren nach einem der Ansprüche 1 bis 4, dadurch gekennzeichnet, dass mittels des Verfahrens eine Batterie oder ein Akkumulator optimiert wird.Procedure according to one of Claims 1 until 4 , characterized in that a battery or an accumulator is optimized by means of the method. Verfahren nach einem der Ansprüche 1 bis 4, dadurch gekennzeichnet, dass mittels des Verfahrens ein Gleichspannungswandler optimiert wird.Procedure according to one of Claims 1 until 4 , characterized in that a DC voltage converter is optimized by means of the method.
DE102020117880.8A 2020-07-07 2020-07-07 Method for optimizing an electrical system using a particle swarm optimization algorithm Ceased DE102020117880A1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
DE102020117880.8A DE102020117880A1 (en) 2020-07-07 2020-07-07 Method for optimizing an electrical system using a particle swarm optimization algorithm

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
DE102020117880.8A DE102020117880A1 (en) 2020-07-07 2020-07-07 Method for optimizing an electrical system using a particle swarm optimization algorithm

Publications (1)

Publication Number Publication Date
DE102020117880A1 true DE102020117880A1 (en) 2022-01-13

Family

ID=79019976

Family Applications (1)

Application Number Title Priority Date Filing Date
DE102020117880.8A Ceased DE102020117880A1 (en) 2020-07-07 2020-07-07 Method for optimizing an electrical system using a particle swarm optimization algorithm

Country Status (1)

Country Link
DE (1) DE102020117880A1 (en)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100229131A1 (en) 2009-03-05 2010-09-09 International Business Machines Corporation Swarm intelligence for electrical design space modeling and optimization
US20110257800A1 (en) 2010-04-14 2011-10-20 Zakariya Al-Hamouz Particle swarm optimizing sliding mode controller
US8593088B2 (en) 2012-01-13 2013-11-26 Chrysler Group Llc Method and system for controlling an electric motor for a vehicle
US9160280B1 (en) 2014-05-21 2015-10-13 King Fahd University Of Petroleum And Minerals Memory polynomial based digital predistorter
US20160025023A1 (en) 2014-07-24 2016-01-28 Basler Electric Company System and method for a load anticipation feature and its tuning method for a generating set
US20180307787A1 (en) 2014-10-31 2018-10-25 International Business Machines Corporation Accelerating particle-swarm algorithms
DE102017123042A1 (en) 2017-10-05 2019-04-11 Man Diesel & Turbo Se Method for designing an internal combustion engine or a system of several internal combustion engines

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100229131A1 (en) 2009-03-05 2010-09-09 International Business Machines Corporation Swarm intelligence for electrical design space modeling and optimization
US20110257800A1 (en) 2010-04-14 2011-10-20 Zakariya Al-Hamouz Particle swarm optimizing sliding mode controller
US8593088B2 (en) 2012-01-13 2013-11-26 Chrysler Group Llc Method and system for controlling an electric motor for a vehicle
US9160280B1 (en) 2014-05-21 2015-10-13 King Fahd University Of Petroleum And Minerals Memory polynomial based digital predistorter
US20160025023A1 (en) 2014-07-24 2016-01-28 Basler Electric Company System and method for a load anticipation feature and its tuning method for a generating set
US20180307787A1 (en) 2014-10-31 2018-10-25 International Business Machines Corporation Accelerating particle-swarm algorithms
DE102017123042A1 (en) 2017-10-05 2019-04-11 Man Diesel & Turbo Se Method for designing an internal combustion engine or a system of several internal combustion engines

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
Prof. Dr. Rudolf Kruse: Vorlesung Intelligente Systeme, Winter Semester 2006/2007. Magdeburg : Otto-von-Guericke-Universität Magdeburg, 2006/2007. Kapitel 14. http://fuzzy.cs.ovgu.de/studium/ise/txt_ws0607/is0607k14.pdf, Bibliographie: http://fuzzy.cs.ovgu.de/studium/ise/txt_ws0607/is0607intro.pdf [abgerufen am 21.01.2021]

Similar Documents

Publication Publication Date Title
AT511520B1 (en) Method and device for testing the drive train of at least partially electrically operated vehicles
DE102019206186A1 (en) Electric vehicle reservation charging system and method
DE102015214454A1 (en) POWER CONVERSION DEVICE AND POWER CONVERSION PROCESS
EP3539816B1 (en) Method for charging an energy storage device of a vehicle with a modular charging device with high overall efficiency
DE102015007913A1 (en) Method for online adaptation of a characteristic curve of a hybrid vehicle
EP2736756B1 (en) Energy storage device, system having an energy storage device, and method for operating an energy storage device
DE102015203232A1 (en) Apparatus and method for charging a battery for a vehicle
DE102011055757A1 (en) POWER GENERATION CONTROL SYSTEM FOR A VEHICLE
DE102014204354A1 (en) Method for operating a vehicle and driver assistance system
DE102015006820A1 (en) Method for selecting a mode of operation of a hybrid vehicle
DE102014002973A1 (en) Method for charging batteries and converter for charging
DE102009057919A1 (en) Electric onboard electric power supply i.e. two voltage onboard power supply, for use in motor vehicle, has generator for producing electric voltage whose amplitude determines electric potential difference between voltage levels of loads
DE102018200540A1 (en) Method for operating a motor vehicle electrical system
DE102013014667A1 (en) Method for the application of the control of the drive of a hybrid vehicle
DE102008022582A1 (en) Electrical energy on-board supply system for motor vehicle, has controllable electrical coupling device designed such that on-board power supply voltage for one of on-board supply systems is adjustable
DE102016213105A1 (en) Method and system for operating an on-board charging device for an environmentally friendly vehicle
DE102014210283A1 (en) Method for operating a vehicle electrical system and vehicle electrical system
DE102018201321A1 (en) A method of operating an assembly of an electric machine and a rectifier
DE102020117880A1 (en) Method for optimizing an electrical system using a particle swarm optimization algorithm
DE112010002329T5 (en) An electric power control apparatus and method for calculating electric power in an electric power control apparatus
DE102017123033A1 (en) SYSTEM AND METHOD FOR CONTROLLING ELECTRIC VEHICLES
DE102017212659A1 (en) Method for operating an electrical overall on-board network, control unit and motor vehicle
DE102012214877A1 (en) Method of use for electrical energy storage, arrangement for carrying out such a method of use, battery and motor vehicle with such a battery
DE102016220089A1 (en) Method, machine-readable storage medium and electronic control unit for operating an electrical energy storage system and corresponding electrical energy storage system
DE102016206538A1 (en) Method for determining a state of charge of a battery for a motor vehicle, device and motor vehicle

Legal Events

Date Code Title Description
R012 Request for examination validly filed
R016 Response to examination communication
R002 Refusal decision in examination/registration proceedings
R003 Refusal decision now final