针对电机线棒表面电场的多因素高效优化设计方法与流程

[0001]
本发明涉及大型发电机线棒性能仿真分析领域，特别涉及针对电机线棒表面电场的多因素优化设计方法。


背景技术：

[0002]
随着我国工业的不断发展，社会对电力的需求大幅增加，直接导致了对大型发电机的需求增加。发电机的运行稳定性受绝缘的影响极大，尤其是在发电机定子线棒的端部会出现明显的电场集中现象，主要表现为电晕放电。为了使电机线棒表面的电场分布均匀，需要在设计时考虑多种影响因素，例如各段防晕层的长度、各段防晕层材料的电阻率等等，正确调整各种因素间的配合，是提高电机线棒绝缘性能的关键。
[0003]
在发电机定子线棒的生产过程中，需要对不同装机容量的电机进行针对性的设计。影响线棒绝缘性能的因素有很多，例如电机线棒主绝缘、防晕层材料的选取，分段防晕结构各段长度与两段之间的搭接长度、主绝缘和防晕层厚度等，若通过设计试验的方式，生产试验样本测试其设计性能，试验成本高，周期长，并且很难使各种设计方案相互配合达到最优性能。
[0004]
针对以上问题，本发明提出了针对电机线棒表面电场的多因素优化设计方法，通过神经网络与遗传算法相结合的复合算法，对电机线棒进行多因素优化，建模时间短，节省设备材料成本，减少人为操作的危险性与误差。


技术实现要素：

[0005]
本发明的目的在于，提出针对电机线棒表面电场的多因素优化设计方法，用于获取电机线棒设计多因素最优配合方案，解决实体试验成本高、危险性高、周期长、效率低等问题。
[0006]
针对电机线棒表面电场的多因素优化设计方法，包括如下步骤：(1)采集已有的定子线棒结构分配数据与对应的线棒表面最大切向电场强度作为训练数据集，保留10组数据作为模型精度的测试集。其中，定子线棒的分配数据为防晕层每段的长度，防晕层电导率，对应的性能评价数据则是线棒表面最大切向电场强度。最大切向电场强度与防晕层长度和电导率的关系可由电机线棒端部有限元仿真结果获取。
[0007]
(2)使用matlab中随机数函数randperm产生一个随机的数字序列，用于随机的对训练集样本取样。
[0008]
(3)根据bp神经网络创建网络结构，调用创建网络语net＝newff(p_train,t_train,n),其中 p_train为选取的数据集中的定子线棒结构分配数据，t_train为选取的数据集中的最大切向电场强度，n为隐含层数量。设置三层网络结构，其中隐含层设置12层，可有效提高模型精度。
[0009]
(4)利用(2)中随机选取的训练集数据，调用matlab神经网络工具箱train(net,p_train, t_train)网络进行训练，其中net为(3)中创建的初始神经网络。训练完成的神经网
路模型可以使电机线棒防晕层的分配数据与对应的最大切向电场强度建立一种多输入单输出的映射关系。
[0010]
(5)根据(1)中收集到的各段防晕层长度和各段电导率，取每段防晕层数据的最大值和最小值，作为数据范围。由于电导率的变化是在多个数量级之间变化，因此对所有电导率数据取log
10
。把各段防晕层长度最大值与电导率最大值的对数转换成二进制数并将二进制位数做和，作为遗传算法中个体的dna序列长度，使用rand函数生成100个具有上述dna 长度的个体，形成遗传算法初始种群。
[0011]
(6)使用matlab语句sim(net,e)调用已训练好的神经网络结构作为遗传算法的适应度函数，其输出为e对应的最大切向电场强度，用于计算种群中所有个体的适应值，其中x＝[十进制防晕层长度十进制防晕层电阻率]。
[0012]
(7)对当前种群依据适应度函数进行选择，淘汰掉适应度较低的个体(即线棒性能评价较低的个体)，保留优秀个体，将优秀相邻两个优秀个体dna中同一位置的二进制数进行交换作为交叉过程，再将每个位置的二进制数随机取反或保留作为变异过程，从而生成下一个个体。
[0013]
(8)重复第(7)步操作，直至生成最大电场强度在1.5kv/cm以下的个体，遗传算法结束。
[0014]
本发明的有益效果：1、充分利用神经网络优势，将多种设计因素与性能要求之间难以量化的函数关系，使用网络的形式建立起来；2、本发明克服了实体试验成本高、周期长、效率低等缺点；
附图说明
[0015]
图1为针对电机线棒表面电场的多因素优化设计方法流程图；图2为神经网络测试集与预测结果的对比图；图3为最佳优化方案与其他方案的电场切向电场分布对比；图4为最佳优化方案的三维电场分布图；图5为最佳优化方案的三维电势分布图；图6为随机选取的6组线棒结构设计方案；图7为算法得出的电机线棒最佳优化方案。
具体实施方式
[0016]
下面结合实例对本发明作进一步说明，但不作为对本发明的限定。
[0017]
图1示出了针对电机线棒表面电场的多因素优化设计方法流程图，下面以额定电压为24kv，额定容量为1000mw的水轮发电机定子线棒端部结构优化为例进行阐述：步骤s1，选定优化目标，获取初始训练数据集：本例中的优化目标为调整电机线棒防晕层中阻长度、中高阻长度、中阻电阻率、中高阻电阻率、高阻电阻率使电机线棒表面最大切向电场低于1.5kv/cm。结合电极线棒端部有限元仿真模型，建立一个样本集合(x
i
，y
i
)|i＝1，2，...，n}，其中x代表映射的输入项，y代表映射的输出项，本例中输入项为中阻长度、中高阻长度、中阻电阻率、中高阻电阻率，输出项为电场强度。样本大小n＝100，其中90组为训练数据集，10组为测试集。
[0018]
步骤s2，归一化处理：由于选取的训练集参数数量级相差很大，因此要对训练集与测试集进行归一化处理，归一化处理公式为：步骤s3，建立神经网络结构：利用matlab神经网络工具箱，设置为三层网络结构，分别为输入层、隐含层、输出层，其中隐含层设置12个节点。训练次数可根据训练结果的准确度进行调整，初始设置为1000 次，学习率设置为0.01，训练均方误差设置为10-5
。
[0019]
步骤s4，训练网络，评价神经网络准确性：使用matlab工具箱训练神经网络，调用创建网络语net＝newff(x,y,12)，将归一化后的训练集数据输入神经网络，调用matlab神经网络工具箱train(net,x,y)网络进行训练。将测试集中的10组输入项放入神经网络中，根据神经网络计算所得输出与测试集中对应的电场强度对比，验证网络计算的准确性，从图2可以看出神经网络计算准确度较高。
[0020]
步骤s5，初始化遗传算法初始种群：根据s1中的100组电机线棒防晕层中阻长度、中高阻长度、中阻电阻率、中高阻电阻率、高阻电阻率数据，取每段防晕层数据的最大值和最小值，作为数据范围。由于电导率的变化是在多个数量级之间变化，因此对所有电导率数据取log
10
。把各段防晕层长度最大值与电导率最大值的对数转换成二进制数并将二进制位数做和，作为遗传算法中个体的dna序列长度，使用rand函数生成100个具有上述dna长度的个体，形成遗传算法初始种群。设置种群大小为100。
[0021]
步骤s6，构建适应度函数，评价个体适应度：使用matlab语句sim(net,e)调用已训练好的神经网络结构作为遗传算法的适应度函数，其输出为x对应的最大切向电场强度，用于计算种群中所有个体对应的电场强度，其中e＝[中阻防晕层长度中高阻防晕层长度log
10
(中阻电阻率)log
10
(中高阻电阻率)]。根据个体携带的参数数据输出电场强度，电场强度较小的个体适应度较高。为了配合神经网络的使用，在计算个体适应度时要先将该个体的dna二进制编码各段转化成十进制数据，再输入sim语句。
[0022]
步骤s7，遗传操作，生成下一代个体：以个体适应度为依据，选择优良个体，淘汰适应度低的个体，将优秀相邻两个优秀个体的同一位置的二进制数进行交换作为交叉过程，再将每个位置的二进制数随机取反或保留作为变异过程，从而生成下一个个体。
[0023]
步骤s8，生成优化结果：重复步骤s7、s8直至某代种群获得最大适应度也就是最小电场强度满足优化标准时，遗传优化过程结束，得到最优电机线棒防晕层中阻长度、中高阻长度、中阻电阻率、中高阻电阻率、高阻电阻率数据以及对应的最大电场强度。
[0024]
本发明可得到电机线棒结构设计的最佳优化方案，随机抽取5组电机线棒结构设计方案(见图6)，与优化方案(见图7)做对比，由图3可以看出优化结果的最大电场为最低值，证明优化效果较好。图4和图5给出了最佳优化方案对应的线棒表面切向电场与电势的
仿真图，可以看出电场分布的均匀性较好，最大电场强度较低。
[0025]
在本说明书的描述中，参考术语“一个实施例”、“实施例”的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含与本发明的至少一个实施例或示例中。本说明书中，对上述术语的示意性表达不一定指的是相同的实施例或示例。
[0026]
以上所述实施例表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。