[发明专利]一种基于快速多目标优化的电力变压器设计方法

说明书

本发明公开了一种基于快速多目标优化的电力变压器设计方法，包括如下步骤：步骤1)创建电力变压器优化模型，其包括：首先，选取目标函数；其次，选取优化变量；最后，设定优化模型的约束条件；步骤2)采用改进的NSGA‑Ⅱ算法寻求最优解；对所述NSGA‑Ⅱ算法的改进体现在：采用人工解与随机解结合的方式来初始化种群，所述人工解包括至少一个非支配解。本发明提出将人工解组合随机解作为NSGA‑Ⅱ算法初始时刻决策变量的可行解集合，由于人工解的存在，便于算法后续收敛，减少算法耗时，避免陷入局部最优解，而由于随机解的存在，可以保证解空间分布尽可能广泛，提供可能个体的搜索方向，满足优化效果和快速计算的双重要求。

技术领域

本发明涉及一种电力变压器优化设计方法。

背景技术

电力变压器是输电网络中的关键设备之一，任何行业都离不开电力变压器。一方面，其可以使用在对能量转换装置的体积、重量有特殊要求的场合，如航海、航空、航天等领域，另一方面，其还可以为电能质量敏感负荷供电，如半导体制造业、银行、电信、军事、医疗、化工领域等。电力变压器具有广阔的应用前景，因此,电力变压器是建设“绿色电网”“数字电网”的关键设备之一,对其进行研制和开发可以取得巨大的经济和社会效益。

随着能源的日益紧张，对如何才是经济、合理的变压器设计方案已赋予了新的概念，必须对变压器制造、运行和成本等多种因素进行综合权衡。变压器参数该如何设计，才能够满足所有的约束条件，考虑材料成本最优的同时降低损耗等因素。所以，电力变压器优化设计就是一个典型的多目标优化问题(mult-objective optimzation problems,MOPs)。

针对电力变压器优化设计实施的方案有：传统的多目标优化方法和多目标进化算法。

(1)传统的多目标优化方法通常是多个目标通过某种技术转换为一个目标的优化问题，然后再借助数学规划工具来求解。代表的传统优化方法有：

加权求和法，该方法就是将多目标优化中的各个目标函数加权然后求和，将其转换为单目标优化问题进行求解；

ε-约束法(ε-Constraint Method)，其原理是将某个目标函数作为优化目标，而约束其他目标函数的方法来求解多目标优化问题；

最小-最大法(Min-Max Approach)，起源于博弈论，通过最小化各目标函数值与预设目标值之间的最大偏移量来寻求问题的最优解。

(2)多目标进化算法通过模拟生物的进化过程，将优化生成的解编码作为基因，再通过基因的交叉和变异生成精英后代来求解问题。凭借其独特的更新机制，在组合优化和数值优化领域均取得了很多突破性研究成果。

2002年,Deb等学者通过对Non-Dominated Sorting Genetic Algorithm(NSGA)进行改进,提出了非常经典的算法non-dominated sorting genetic algorithm II(NSGA-II)，是迄今为止最优秀的进化多目标优化算法之一。该方法引入了精英保留机制，经选择后参加繁殖的个体所产生的后代与其父代个体共同竞争来产生下一代种群，因此有利于保持优良的个体，提高种群的整体进化水平。曹小鹏等人基于有约束的多目标遗传优化算法，提出一种在高频变压器设计中兼顾变压器损耗和漏感大小等约束条件和优化目标的绕组结构优化设计方法，通过NSGA-II算法进行优化设计，根据此优化方法设计一台220V/3.52kV，功率为3.52kW、工作频率为20kHz的高频变压器样机；杨芷婷等人针对高压高频大功率变压器进行优化设计，从减小变压器体积、提高变压器效率的角度出发，采用改进的NSGA－II多目标遗传算法对高压高频变压器进行优化设计，在进行非劣分层排序时添加一种线性约束条件的处理方法，在不同进化阶段设定不同的交叉和变异概率，使得Pareto解空间更加均匀。罗柏文等人基于NSGA－II算法对其改进，提出了在非支配排序策略前先进行拥挤度排序，选择拥挤度较大的个体，在非支配排序时考虑了周围密度信息和设置终止信号，提高了算法的全局搜索能力和运行速度。