基于Kriging模型的双12相高速永磁发电机优化设计.docx

基于Kriging模型的双12相高速永磁发电机优化设计 0 引言与传统的三相和六相整流发电机相比，十二相整流发电机具有功率密度高、输出整流电压波动小等优点随着对电力负载功率需求的不断增加，利用多套多相绕组的直流电源为大容量电能变换器提供可靠供电需求显得尤为迫切近年来，由于体积小、功率密度高、效率高等优点高速永磁发电机受到了越来越多的青睐Kriging模型作为一种代表性的近似模型技术，通过数学模型的方法逼近一组输入变量与输出变量本文提出了一种基于Kriging模型的双12相高速永磁发电机优化方法。首先，采用拉丁超立方抽样对电机进行样本点数据采集，并通过敏感性分析确定了电机的4个优化设计变量。其次，构建Kriging模型替代传统的FEM模型进行电机全局优化设计，以提高电机的优化效率。最后，研制了一台600kW实验样机，通过实验研究验证了本文所提出优化设计方法的可行性及有效性。1 双12相高速永磁整流发电机绕组布置双12相高速永磁整流发电机的定子上布置有两套完全一致且相互独立的绕组，电机基本参数如表1所示。以其中一套绕组输出端为例，其整流系统如图1所示，每套绕组均为4Y移15°结构，其绕组分布如图2所示。为了便于分析，对双12相高速永磁发电机作如下假定：(1)假设磁导数是常数，忽略磁滞和磁饱和的影响，忽略涡流和集肤效应的影响；(2)忽略空间谐波磁场的影响；(3)正定子电流产生负磁通，而永磁体产生正磁通。(4)转子的q轴超前d轴90度。2 基于Kriging模型的优化方法Kriging模型是一种估计方差最小的无偏估计近似模型，最早由南非地质学家Danie Krige和法国地质学家Matheron提出的一种地质统计学中用于确定矿产储量分布的插值方法2.1 样本点采集（Design of Experiment, DOE）DOE是以概率论和数理统计等为基础理论，科学的安排采样方案，以便正确地分析采样结果，保证近似模型搭建的精度相比于常速电机，高速永磁电机的主要特点之一是定子磁通交变频率高，使得电机定子铁耗远大于常速电机。因此为了减小电机铁耗并提高供电品质，本文选取定子铁耗其中敏感度分析是指当电机的输入变量发生变化时，电机的响应变量对此变化的敏感程度。通过DOE设计可以有效筛选对电机响应变量起主要作用的设计变量，进而有针对性的对电机进行优化。本文对8个设计变量进行了敏感度分析，以确定在电机设计过程中是否需要对其进行有效控制，其结果如图4所示。从图4中可以看出，对不控整流电压影响较大的因素是铁心长度，气隙长度，永磁体厚度和定子内径；对定子铁耗影响较大的因素是铁心长度，气隙长度，永磁体厚度，极电弧系数和定子内径；对整流电压波动率影响较大的因素是气隙长度，电机长度，永磁体厚度和定子内径。综合考虑每个设计变量对目标变量的敏感性，最后在优化过程中选择铁心长度，气隙长度，永磁体厚度和定子内径作为优化变量。2.2 近似模型搭建Kriging近似模型假设系统的响应值与设计变量之间的关系可表示为如下形式其中，Kriging模型是基于每个样本点的插值方法。其中其中其中样本的均值和方差（分别为通过上述理论分析构建电机不控整流电压波动率和电机铁耗的Kriging近似模型。图5给出了不同设计变量下的Kriging模型预测值。从图5可以看出，随着铁心长度，永磁厚度，定子内径的增加以及气隙长度的减小，电机的铁耗有着明显的增加趋势；增加电机的气隙长度以及减小电机的铁心长度有利于降低电机的不控整流电压波动率，而永磁厚度和定子内径对不控整流电压波动率的影响较小。2.3 误差分析近似模型准确性评估的目的是确保构造的近似模型可以有效地表达原始模型中所包含的信息。为了验证近似模型的准确性，随机另取10个FEM计算样本点用作误差分析。本文采用R其中，目标变量的误差分析结果如图6所示，其中蓝线为测试点的平均值，45度斜黑线表示预测值与实际值相等。从图5中可以看出，铁耗和整流电压波动率的预测值与FEM计算值非常接近。图6（a）中的2.4 结构尺寸优化在多目标优化过程中，由于存在目标之间的冲突，一个解在某个目标上是最好的，在其他的目标上可能并非最优。这些在改进任何目标函数的同时，必然会削弱至少一个其他目标函数的解称为非支配解或Pareto解。通过上述搭建的Kriging模型代替FEM模型，采用存档微遗传算法（archive based micro genetic algorithm，AMGA）1）确定目标函数，自变量及其取值范围，初始化种群规模及搜索范围；2）通过支配与非支配关系选择出当代种群P(t)中的非支配个体X3）将档案A(t)中的