本申请涉及高电压设备技术领域,尤其涉及一种基于改进粒子群神经网络算法的散热器优化方法。
背景技术:
变压器是电力系统中重要的电气设备之一,当变压器运行时,由于电路、磁路及金属结构件产生损耗,造成变压器发热和温度上升。随着变压器容量的提高,变压器过热问题越来越突出,变压器温度过高会加速绝缘老化,缩短变压器的使用寿命,因此必须把温度控制在一定范围内。
目前变压器散热器常用片式散热器,受到变压器周围空间限制,如何提高散热器的散热能力,加快变压器的冷却速度和效率,延长变压器的使用寿命时工程中急需解决的问题。
技术实现要素:
本申请提供了一种基于改进粒子群神经网络算法的散热器优化方法,以解决目前变压器散热器散热能力不足、散热效率不足的问题。
为了解决上述技术问题,本申请实施例公开了如下技术方案:
本申请实施例公开了一种基于改进粒子群神经网络算法的散热器优化方法,所述方法包括:
建立散热器的几何模型,确定散热器热阻的影响参数;
初始化BP神经网络结构;
利用改进后的粒子群优化BP神经网络;
通过优化后的BP神经网络处理散热器热阻的影响参数,得到散热器热阻的最优值。
可选的,确定散热器热阻的影响参数,包括散热器翅片形状Cx,翅片材料Cc,翅片数目N,长度L,宽度W,高度H,翅片厚度b,散热器底座厚度h和气流速度v。
可选的,利用改进后的粒子群优化BP神经网络,包括:
对粒子群进行初始化,设置粒子的维数、粒子的位置、粒子的速度、惯性权重的最大和最小值、最大迭代次数及目标的误差值;
计算粒子在第n次迭代的适应度;
根据粒子当前位置的适应度计算粒子群的个体极值和全局极值;
更新粒子群的位置和速度;
计算更新后粒子的适应度,并根据更新后粒子的适应度更新粒子群的个体极值和全局极值;
判断是否满足终止条件,终止条件为达到了最大迭代次数或达到最小误差要求;
若满足终止条件,则输出全局最优粒子为BP神经网络的权值和阈值。
可选的,更新粒子群的位置和速度,包括:
根据速度更新公式和位置更新公式更新每一个粒子的速度和位置;
其中,ω(k)为惯性权重因子,ωmax为惯性权重的最大值,ωmin为惯性权重的最小值。
可选的,根据更新后粒子的适应度更新粒子群的个体极值和全局极值,包括:
若更新后粒子的适应度优于当前个体极值的适应度,则将个体极值更新为新粒子的位置;
若更新后粒子的适应度优于当前全局极值的适应度,则将全局极值更新为新粒子的位置。
本申请提供的基于改进粒子群神经网络算法的散热器优化方法,所述方法包括:建立散热器的几何模型,确定散热器热阻的影响参数;初始化BP神经网络;利用改进后的粒子群优化BP神经网络;通过优化后的BP神经网络处理散热器热阻的影响参数,得到散热器热阻的最优值。本申请提供的散热器优化方法将粒子群算法优化BP神经网络参数应用于实际的散热器优化方法中,通过对散热器热阻的影响参数进行优化,能够更加准确、快速有效地实现对散热器的优化,从而提高散热器的散热效率,增强散热能力;且利用改进的粒子群算法对神经网络进行优化,可有效地克服神经网络算法在训练网络权值和阈值时收敛速度慢、易陷入局部极小值的缺点。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本申请。
附图说明
为了更清楚地说明本申请的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,对于本领域普通技术人员而言,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的一种基于改进粒子群神经网络算法的散热器优化方法的流程图;
图2为本申请实施例提供的基于改进粒子群神经网络算法的散热器优化方法中S300的详细流程图。
具体实施方式
为了使本技术领域的人员更好地理解本申请中的技术方案,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本申请保护的范围。
参见图1,为本申请实施例提供的一种基于改进粒子群神经网络算法的散热器优化方法的流程图。
如图1所示,本申请实施例提供的基于改进粒子群神经网络算法的散热器优化方法包括:
S100:建立散热器的几何模型,确定散热器热阻的影响参数。
目前变压器散热器常用片式散热器,根据散热器参数建立散热器的几何模型,根据建立的几何模型确定散热器热阻的影响参数。散热器热阻的影响参数包括散热器翅片形状Cx、翅片材料Cc、翅片数目N、长度L、宽度W、高度H、翅片厚度b、散热器底座厚度h和气流速度v。散热器热阻的影响参数需满足以下要求:
a、散热器翅片形状Cx可以是矩形,也可以是梯形等,翅片材料Cc一般为铝合金材料。
b、散热器底座厚度h一般选取10mm。
c、翅片厚度b很小,而翅片数目N很大的情况。
S200:初始化BP神经网络结构。
初始化BP神经网络,确定BP神经网络输入层节点数N和隐含层节点数S,并给出隐含层加权系数初值wij和输出层加权系数初值wjo。BP神经网络的输入层节点数对应所选的被控系统运行状态量,输出层神经元的积分函数取非负的Sigmoid函数,而隐含层神经元的激发函数取正负对称的Sigmoid函数。
S300:利用改进后的粒子群优化BP神经网络。
粒子群算法的改进内容有,加入收缩因子β,从而加快算法的收敛速度,设置可以非线性自适应调整的惯性权重w,从而更好地平衡局部和全局搜索能力。其中,收缩因子β是关于参数学习因子c1和c2的函数,使用收缩因子能够保证粒子群算法收敛并加快其收敛速度,有利于更快地收敛于全局最优解。惯性权重w描述了粒子上一代速度对当前代速度的影响水平,对其采用改进的非线性递减算法,通过在粒子群算法早期加快惯性权重的递减速度,使该算法更快地进入局部搜索。
对传统粒子群算法进行改进后,再利用改进后的粒子群算法优化BP神经网络,其具体优化方法如图2所示。
S301:对粒子群进行初始化,设置粒子的维数、粒子的位置、粒子的速度、惯性权重的最大和最小值、最大迭代次数及目标的误差值。
粒子的维数D指的是网络中的各个参数(Cx、Cc、N、L、W、H、b、h、v),初始化m个粒子的位置、速度,设定权重因子、惯性权重的最大和最小值、最大迭代次数及目标的误差值,并设置此时的迭代次数为1。
S302:计算粒子在第n次迭代的适应度。
利用神经网络向前计算公式计算网络的实际输出,计算每个粒子的适应度值。
S303:根据粒子当前位置的适应度计算粒子群的个体极值和全局极值。
计算得到每个粒子的适应度值后,排序取出最小适应度值,将最小适应度值对应的粒子位置设定为粒子群的个体极值。
将由式(1)确定的高斯加权的全局极值确定为粒子群的全局极值gbest。
上式中,pbesti为第i个粒子的适应度值,Xi为第i个粒子的位置。
S304:更新粒子群的位置和速度。
利用式(2)更新每一个粒子的速度和位置,并以一定概率重新初始化粒子,其中,速度的更新引入了由式(3)计算的惯性权重因子ω(k)。
S305:计算更新后粒子的适应度,并根据更新后粒子的适应度更新粒子群的个体极值和全局极值。
更新粒子的位置和速度后,重新计算更新后粒子的适应度,将更新后粒子的适应度与个体极值的适应度、全局机制的适应度进行比较,若更新后粒子的适应度优于当前个体极值的适应度,则将个体极值更新为新粒子的位置;若更新后粒子的适应度优于当前全局极值的适应度,则将全局极值更新为新粒子的位置。
S306:判断是否满足终止条件,终止条件为达到了最大迭代次数或达到最小误差要求。
判断是否满足终止条件,其中,终止条件为当前的迭代次数是否达到了预先设定的最大次数,或达到最小误差要求。若满足终止条件,则执行步骤S307;若不满足终止条件,则返回S302,计算粒子在第n+1次迭代的适应度。
S307:若满足终止条件,则输出全局最优粒子为BP神经网络的权值和阈值。
若满足终止条件,则停止迭代,输出最优解,并将最优粒子各维度的值作为BP神经网络的权值和阈值,得到训练好的BP神经网络。
S400:通过优化后的BP神经网络处理散热器热阻的影响参数,得到散热器热阻的最优值。
通过改进后的粒子群对BP神经网络参数进行优化,得到优化后的神经网络的权值和阈值,再将散热器热阻的影响参数输入优化后的BP神经网络中,得到散热器热阻影响参数的最优值,从而得到散热器热阻的最优值。
本申请实施例提供的基于改进粒子群神经网络算法的散热器优化方法将粒子群算法优化BP神经网络参数应用于实际的散热器优化方法中,通过对散热器热阻的影响参数进行优化,更加准确、快速有效地实现了对散热器的优化,从而提高了散热器的散热效率,增强了散热能力;且利用改进的粒子群算法对神经网络进行优化,有效地克服了神经网络算法在训练网络权值和阈值时收敛速度慢、易陷入局部极小值的缺点。
本领域技术人员在考虑说明书及实践这里发明的公开后,将容易想到本申请的其他实施方案。本申请旨在涵盖本发明的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本申请的真正范围和精神由权利要求的内容指出。
以上所述的本申请实施方式并不构成对本申请保护范围的限定。