一种基于误差补偿的永磁同步电机散热系统优化方法技术方案

本发明专利技术公开了一种基于误差补偿的永磁同步电机散热系统优化方法，包括以下步骤：确定电机水套的优化参数并选取预测模型；采用误差补偿方法提升预测精度；建立预测模型后进行多目标优化提升全局寻优效果。上述技术方案首先对电机关键参数进行参数化建模，通过设计Plackett

【技术实现步骤摘要】
一种基于误差补偿的永磁同步电机散热系统优化方法


[0001]本专利技术涉及电机优化设计
，尤其涉及一种基于误差补偿的永磁同步电机散热系统优化方法。

技术介绍

[0002]电动汽车由于其绿色环保的特点正日益受到人们的青睐。电机作为电动汽车的核心部件，对电动汽车的性能有着至关重要的影响。感应电机以其结构简单、性能可靠、价格低廉、维护方便等优点在电动汽车中得到了广泛的应用。但电机的高速旋转会造成一系列的功率损失，如铁损和铜损。这些损耗最终转化为热量，引起电机升温。电机温度过高，会对电机绝缘材料造成损坏，使电机磁性变差。因此，有效控制电机的温度至关重要。而通过优化冷却系统设计可以达到很好的散热效果，在不改变电机原有工作原理的前提下显著提高电机内部散热，并能保证电机安全和运行稳定。
[0003]有资料显示，目前永磁电机领域应用多目标优化算法多是电磁结构优化，例如冲片开槽形状，电机气隙大小，极槽比，永磁体大小，转子动力特性分析等等优化电机性能参数。目前对于电机水套结构采用多目标优化的相关研究还比较少，并且相关研究采用的代理模型精度以及多目标优化算法还有很大的提升空间。
[0004]中国专利文献CN115081328A公开了一种“基于改进粒子群算法的电机多目标优化方法”。首先通过统计学实验原理设计出实验方案；然后对目标电机进行参数化建模，仿真得到对应的实验结果；通过响应面法生成对应的数学模型；再通过增加了变异库的改进粒子群算法来生成帕累托图寻找到电机的最优结构；最后通过仿真验证优化的有效性。上述技术方案使用响应面法模拟数学模型，低阶响应面法很难模拟复杂模型，高阶响应面法容易过拟合。

技术实现思路

[0005]本专利技术主要解决原有的技术方案使用响应面法模拟数学模型，低阶响应面法很难模拟复杂模型，高阶响应面法容易过拟合的技术问题，提供一种基于误差补偿的永磁同步电机散热系统优化方法，首先对电机关键参数进行参数化建模，通过设计Plackett
‑
Burman实验筛选关键参数；其次对设计变量进行实验设计，得到因子与对应相应的数据集，基于样本数据构建机器学习模型，并采用误差补偿策略对机器学习模型进行改进，提升模型精度；然后使用改进多目标优化算法提升优化算法运行速度以及全局搜索的能力，对模型进行优化，获得最佳参数组合；最后通过实验验证了该方法的有效性。
[0006]本专利技术的上述技术问题主要是通过下述技术方案得以解决的：本专利技术包括以下步骤：
[0007]S1确定电机水套的优化参数并选取预测模型；
[0008]S2采用误差补偿方法提升预测精度；
[0009]S3建立预测模型后进行多目标优化提升全局寻优效果。
[0010]首先设计Plackett
‑
Burman实验筛选实验因子，然后通过拉丁超立方抽样(LHS)来确定样本集。通过CFD方法确定电机温升与压力损失。建立基于误差补偿的GRNN网络，并且使用R2与RMSE评价模型精度。使用改进后的NSGA
‑Ⅱ
算法进行多目标优化，最后进行实验验证。
[0011]作为优选，所述的步骤S1具体包括：
[0012]S1.1计算电机的电磁损耗，然后初步确定电机水套的优化参数；
[0013]S1.2设计Plackett
‑
Burman实验，以电机线包最高温度和水套压力损失为响应筛选关键参数；
[0014]S1.3使用拉丁超立方抽样获取样本点，设置仿真分析参数进行流体力学计算仿真，确定电机线包温升与水套压力损失；
[0015]S1.4通过对比实验选取广义回归神经网络(GRNN)进行预测。
[0016]为了验证误差补偿模型的优越性，选取极限学习机(ELM)，广义回归神经网络(GRNN)，反向回归神经网络(BP)以及极限梯度提升树(XGboost)做对比实验。GRNN预测效果较好，但各种模型对压力损失预测均较差。
[0017]作为优选，所述的步骤S1.1计算电机的电磁损耗，然后初步确定电机水套的优化参数，具体包括，水道高度H，水道总宽L，水道角度α，筋宽度l，进出水管直径β，水道粗糙度γ和水量V七个变量。
[0018]作为优选，所述的步骤S1.3在仿真过程中，流体温度设置为25℃，环境温度设置为15℃，对流散热系数设置为12W/(m
2 K)，求解算法选为couple，模型选为K
‑
epslion，网格数量为250万；在此过程中，先采用拉丁超立方抽样选取100个样本点，通过CFD方法确定电机线包温升与水套压力损失，样本集划分为训练集1、训练集2和测试集，比例为4：4：2。
[0019]作为优选，所述的预测模型选取广义回归神经网络(GRNN)，广义回归神经网络表示为
[0020][0021]f(X,y)为x观测值X与非独立变量Y相对于独立变量x的最大概率值y的联合概率密度，Y即为在输入为X的条件下，Y的预测输出。
[0022]作为优选，应用Parzen非参数估计,由样本数据集估算密度函数
[0023][0024]式中，X
i
,Y
i
为随机变量x和y的样本观测值；n为样本容量；p为随机变量x的维数；σ为高斯函数的宽度系数，在此称为光滑因子；
[0025]用代替f(X,y)代入上式，并且交换积分与加和顺序：
[0026][0027]由于对两个积分进行计算后可得网络输出为
[0028][0029]估计值为所有样本观测值Y
i
的加权平均，每个观测值Y
i
的权重因子为相应的样本X
i
与X之间Euclid距离平方的指数。
[0030]R2为确定性系数
[0031][0032]为进一步提升GRNN神经网络的精度，采取误差补偿方式改进模型。改进后的温升R2为0.9883，压力损失R2为0.9910可以发现精度有明显提升。
[0033]作为优选，所述的步骤S3具体包括：
[0034]S3.1首先在初始化种群时使用Sobol序列生成更加均匀的初始种群；
[0035]S3.2使用正态分布的交叉算子(NDX)取代NSGA
‑Ⅱ
使用的二项制交叉算子(SBX)；S3.3在精英选择策略中加入退火算法(SA)的metropolis准则增加算法的不确定性。
[0036]传统多目标优化算法NSGA
‑Ⅱ
容易陷入局部最优而无法找到全局最优点，本专利技术使用一种改进NSGA
‑Ⅱ
算法提升全局寻优效果。
[0037]作为优选，所述的步骤S3.2中NDX算子公式如下所示：
[0038][0039]其中，u为区间(0,1)之间均匀分布的随机数，|N(0,1)|为服从N(0,1)正态分布的随机数。
[0040]作为优选，所述的步骤S3.3中Metropolis准则如下所示：
[0041][0042]其中本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于误差补偿的永磁同步电机散热系统优化方法，其特征在于，包括以下步骤：S1确定电机水套的优化参数并选取预测模型；S2采用误差补偿方法提升预测精度；S3建立预测模型后进行多目标优化提升全局寻优效果。2.根据权利要求1所述的一种基于误差补偿的永磁同步电机散热系统优化方法，其特征在于，所述步骤S1具体包括：S1.1计算电机的电磁损耗，然后初步确定电机水套的优化参数；S1.2设计Plackett
‑
Burman实验，以电机线包最高温度和水套压力损失为响应筛选关键参数；S1.3使用拉丁超立方抽样获取样本点，设置仿真分析参数进行流体力学计算仿真，确定电机线包温升与水套压力损失；S1.4通过对比实验选取广义回归神经网络(GRNN)进行预测。3.根据权利要求2所述的一种基于误差补偿的永磁同步电机散热系统优化方法，其特征在于，所述步骤S1.1计算电机的电磁损耗，然后初步确定电机水套的优化参数，具体包括，水道高度H，水道总宽L，水道角度α，筋宽度l，进出水管直径β，水道粗糙度γ和水量V七个变量。4.根据权利要求2所述的一种基于误差补偿的永磁同步电机散热系统优化方法，其特征在于，所述步骤S1.3在仿真过程中，流体温度设置为25℃，环境温度设置为15℃，对流散热系数设置为12W/(m
2 K)，求解算法选为couple，模型选为K
‑
epslion，网格数量为250万；在此过程中，先采用拉丁超立方抽样选取100个样本点，通过CFD方法确定电机线包温升与水套压力损失，样本集划分为训练集1、训练集2和测试集，比例为4：4：2。5.根据权利要求1所述的一种基于误差补偿的永磁同步电机散热系统优化方法，其特征在于，所述预测模型选取广义回归神经网络(GRNN)，广义回归神经网络表示为f(X,y)为x...

【专利技术属性】
技术研发人员：李星，朱法龙，庄超，叶溱操，仇一鸣，
申请(专利权)人：宁波菲仕运动控制技术有限公司，
类型：发明
国别省市：