基于粒子群算法和支持向量机的发电机定子端部绕组结构优化方法技术

本发明专利技术提供一种基于粒子群算法和支持向量机的发电机定子端部绕组结构优化方法，包括步骤：(1)进行有限元分析，记录每次分析的设计变量和结构响应，分别作为输入变量和输出变量，得到建立支持向量机近似模型所需的样本点；(2)用所得样本点，以SVM参数为设计变量，进行初始化；(3)进行SVM参数选取，建立具有最优参数的支持向量机近似模型以预测结构响应；(4)以PSO为优化算法，结合支持向量机近似模型进行优化，得到近似模型的优化解；(5)将得到的最优设计变量值代入支持向量机近似模型调用有限元程序进行计算，将计算结果和有限元精确计算结果相比，评判最优解。本发明专利技术利用SVM建立准确的近似模型代替有限元分析，提升优化效率。

Optimization method of generator stator end winding structure based on particle swarm optimization and support vector machine

The invention provides a method for optimizing the structure of generator stator end windings based on particle swarm optimization and support vector machine. The method comprises the following steps: (1) Finite element analysis is carried out to record the design variables and structural responses for each analysis, which are used as input variables and output variables respectively to obtain the samples needed to establish an approximate model of support vector machine. This point; (2) Initialize the SVM parameters with the obtained sample points as design variables; (3) Select the parameters of SVM and establish the approximate model of SVM with the optimal parameters to predict the structural response; (4) Optimize the approximate model with PSO as optimization algorithm and support vector machine approximate model to obtain the optimal solution; (5) The optimal design variables are substituted into the support vector machine approximation model and the finite element program is used to calculate the optimal solution. The invention uses SVM to establish an accurate approximate model instead of finite element analysis to enhance the optimization efficiency.

【技术实现步骤摘要】
基于粒子群算法和支持向量机的发电机定子端部绕组结构优化方法
本专利技术涉及复杂结构优化算法
，具体为一种基于粒子群算法和支持向量机的发电机定子端部绕组结构优化方法。
技术介绍
随着现代科技的发展，为了合理地利用能源、提高经济效益、保护环境、更好地满足人们生产生活的需要，国内外电力系统日益向大机组、超高压和远距离输电方向发展。因此，电网容量不断增大，单机容量也随之加大，发电机的大容量、大输出是未来发展的必然趋势。大型发电机组则是电力系统的核心，二者是相互影响相互依存的。电站的规模在扩大，电网的结构变得越来越复杂，保证机组、电网等安全稳定运行问题就显得尤为重要。因此电力系统及大型发电机组的稳定问题引起了世界各国的广泛关注。大型汽轮发电机组在运行过程中出现的振动对其使用寿命会产生不利影响。若定子端部绕组在两倍工频电磁力的作用下发生共振，或在电磁力作用下的振动过大，都可能导致端部绕组结构破坏，产生严重的后果。所以，在端部绕组结构的设计中，要求其特定形状的模态对应的固有频率避开共振区域，同时在额定负载电磁力作用下的振动幅值小于规定值。因此，研究端部绕组结构的优化设计方案具有极其重要的理论意义和工程实用价值。端部绕组其结构形式和载荷复杂，结构特性和载荷响应之间关系复杂，若采用经验公式则过于简单，无法精确考虑结构各部分之间的相互影响和响应的局部特性，因而有必要采用有限元方法来进行端部绕组结构分析，来精确分析其结构特性和结构响应，作为结构优化的目标函数或约束特性值。端部绕组结构的有限元通常较为复杂，通过有限元分析得到结构响应往往耗时较长，优化过程中又需要不断调用有限元过程进行迭代计算，使得优化过程的时间成本增大。因而在端部绕组结构的优化过程中一方面需要寻求有良好搜索能力的优化算法，并采取合理的策略来处理结构优化过程中的各种问题，以有效的寻求结构优化问题的最优解，并且优化算法需要良好的全局寻优能力和较好的收敛性，在尽可能短的时间或迭代次数内寻求到最优解，以降低优化的时间成本，另一方面需要在端部绕组结构优化过程中利用结构响应近似模型，以预测结构响应，代替耗时的有限元分析，降低优化过程中的时间成本。
技术实现思路
针对现有技术中的缺陷，本专利技术提供一种基于粒子群算法和支持向量机的发电机定子端部绕组结构优化方法，其利用SVM建立准确的近似模型，代替有限元分析，减少优化时间，提升优化效率，为发电机定子端部绕组结构优化提供了一条高效、高精度、省时的解决方案。本专利技术技术方案如下：一种基于粒子群算法和支持向量机的发电机定子端部绕组结构优化方法，其关键在于，包括以下步骤：(1)进行有限元分析，记录每次分析的设计变量和结构响应，分别作为输入变量和输出变量，得到建立支持向量机近似模型所需的样本点；(2)用所得样本点，以SVM参数为设计变量，进行初始化；(3)进行SVM参数选取，建立具有最优参数的支持向量机近似模型以预测结构响应；(4)以PSO为优化算法，结合支持向量机近似模型进行优化，得到近似模型的优化解；(5)将得到的最优设计变量值代入支持向量机近似模型调用有限元程序进行计算，将计算结果和有限元精确计算结果相比，评判最优解。本专利技术具有如下有益效果：本专利技术利用支持向量机建立准确的近似模型的优势，代替有限元分析，减少优化时间，提升优化效率，为端部绕组结构优化提供了一条高效、高精度、省时的解决方案。附图说明为了更清楚地说明本专利技术具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍。在所有附图中，类似的元件或部分一般由类似的附图标记标识。附图中，各元件或部分并不一定按照实际的比例绘制。图1为本专利技术的流程示意图；具体实施方式本专利技术的构思：进行有限元分析，记录每次分析的设计变量和结构响应，分别作为输入变量和输出变量值，得到建立支持向量机近似模型所需的样本点，用所获得样本点进行SVM参数选取，建立具有最优参数的支持向量机近似模型以预测结构响应，然后以PSO为优化算法，结合支持向量机近似模型进行优化，得到近似模型的优化解，最后将得到的最优设计变量值代入支持向量机近似模型调用有限元程序进行计算，将计算结果和有限元精确计算结果相比，评判最优解。下面结合附图对本专利技术的实施例作进一步详细说明。如图1所示，本专利技术提供的基于粒子群算法和支持向量机的发电机定子端部绕组结构优化方法的步骤包括：步骤(1)进行有限元分析，记录每次分析的设计变量和结构响应，分别作为输入变量和输出变量值，得到建立支持向量机近似模型所需的样本。步骤(2)用所获得样本点，以SVM参数为设计变量，进行初始化。步骤(2)具体包括以下步骤：步骤(2.1)：设置粒子的位置和速度方程中各个参数。粒子的位置和速度更新公式分别为其中，xi为第i个粒子的位置，vi为第i个粒子的速度，其维数均与优化问题的搜索空间维数相同。k为迭代次数，是粒子i直至至第k次迭代的历史最优位置，pk,g是所有粒子直至第k次迭代时的历史最优位置，r1,r2为介于[0,1]之间的随机数。c1，c2为学习因子，分别表示粒子的自我认知能力和社会学习能力。步骤(2.2)：设置离散设计变量。对离散设计变量优化问题而言，在每次迭代之后对位置取整，位置更新公式如下式所示为：步骤(2.3)：设置粒子最大速度。粒子在搜索过程中，若速度过大则容易飞至搜索域之外，故需对粒子最大速度采取限制，本提案中对其采取的策略为令最大飞行速度为搜索域变化范围的百分比，即vmax＝vmax-prec*range(S)，其中vmax为最大速度，vmax-prec为比例系数，range(S)为搜索域的变化范围。在搜索过程中，对飞出搜索域的粒子，重设其速度，使其速度归为零。步骤(2.4)：设置惯性权重。惯性权重可以被用来控制种群的搜索能力，因而在种群的收敛特性中有重要的作用，引入了惯性权重的概念，速度项被修正为具体的惯性权重选取方法主要有固定权重，时变权重。在本提案中选用时变权重，时变权重即惯性权重在迭代过程中随着迭代过程的进行而改变，惯性权重线性递减策略是一种常用的方法。惯性权重线性递减策略是指惯性权重随着迭代次数的增加而线性递减,即有如下的表达式：wk＝wmax-(wmax-wmin)k/kmax，其中,wmax为开始迭代时的惯性权重，wmin为最后一次迭代的惯性权重,kmax为最大迭代次数。步骤(3)：进行SVM参数选取，建立具有最优参数的支持向量机近似模型以预测结构响应。步骤(3)具体包括以下步骤：步骤(3.1)：支持向量机用于线性回归问题时，对于给定的训练集(xi,yi),i＝1,2,L,m，通过非线性映射φ(xi)将其映射到高维特征空间，构造非线性回归方程。y＝w.φ(xi)+b，式中，w∈Rm，x∈Rm，b∈R，对于给定m个训练样本，寻找在损失函数下结构风险泛函最小化的函数，可将学习过程转化为优化过程，如下所示：式中C为惩罚参数，松弛变量，ε为不敏感系数。建立Langrange函数并对相应参数求导，可得式(1)的对偶优化问题式中K(xi,xj)＝φ(xi).φ(xj)，它是满足Mercer条件的核函数；αi和为Langrange乘子。SVM非线性回归问题就转化为二次规划问题，求解该问题可得。步骤(3.2)：本文档来自技高网...

【技术保护点】
1.一种基于粒子群算法和支持向量机的发电机定子端部绕组结构优化方法，其特征在于，包括以下步骤：(1)进行有限元分析，记录每次分析的设计变量和结构响应，分别作为输入变量和输出变量，得到建立支持向量机近似模型所需的样本点；(2)用所得样本点，以SVM参数为设计变量，进行初始化；(3)进行SVM参数选取，建立具有最优参数的支持向量机近似模型以预测结构响应；(4)以PSO为优化算法，结合支持向量机近似模型进行优化，得到近似模型的优化解；(5)将得到的最优设计变量值代入支持向量机近似模型调用有限元程序进行计算，将计算结果和有限元精确计算结果相比，评判最优解。

【技术特征摘要】
1.一种基于粒子群算法和支持向量机的发电机定子端部绕组结构优化方法，其特征在于，包括以下步骤：(1)进行有限元分析，记录每次分析的设计变量和结构响应，分别作为输入变量和输出变量，得到建立支持向量机近似模型所需的样本点；(2)用所得样本点，以SVM参数为设计变量，进行初始化；(3)进行SVM参数选取，建立具有最优参数的支持向量机近似模型以预测结构响应；(4)以PSO为优化算法，结合支持向量机近似模型进行优化，得到近似模型的优化解；(5)将得到的最优设计变量值代入支持向量机近似模型调用有限元程序进行计算，将计算结果和有限元精确计算结果相比，评判最优解。2.根据权利要求1所述的基于粒子群算法和支持向量机的发电机定子端部绕组结构优化方法，其特征在于，步骤(2)中进行初始化，包括以下步骤：(2.1)设置粒子的位置和速度方程中各个参数，粒子的位置和速度更新公式分别为：其中，xi为第i个粒子的位置，vi为第i个粒子的速度，k为迭代次数，是粒子i直至至第k次迭代的历史最优位置，pk,g是所有粒子直至第k次迭代时的历史最优位置，r1,r2为介于[0,1]之间的随机数，c1，c2为学习因子；(2.2)设置离散设计变量，对离散设计变量优化问题，在每次迭代之后对位置取整，位置更新公式如下式：(2.3)设置粒子最大速度，令最大飞行速度为搜索域变化范围的百分比，vmax＝vmax-prec*range(S)，其中vmax为最大速度，vmax_prec为比例系数，range(S)为搜索域的变化范围，在搜索过程中，...

【专利技术属性】
技术研发人员：王頲，周昱材，
申请(专利权)人：重庆邮电大学，
类型：发明
国别省市：重庆,50