基于遗传算法的高频高压变压器设计优化方法

摘要

本发明公开了一种基于遗传算法的高频高压变压器设计优化方法，本发明基于变压器的最小损耗公式、变压器的绝缘尺寸和铁芯形状建立数学模型，以原边匝数和副边层数为优化变量，效率为优化目标，采用遗传算法对变压器进行优化，使得变压器的效率最大化，损耗最小化，同等条件下也意味着温升最小化，充分利用变压器的漏感和分布电容参与到电源系统的工作中，构成LCC谐振电路，减少变压器的损耗，从而降低温升。与现有技术相比，本发明中引入了遗传算法，遗传算法具有与问题无关切快速随机的搜索能力，搜索从群体出发，具有并行性的特点，可以进行多个个体的同时比较，大大加快了寻找最优解的速度。

主权项

一种基于遗传算法的高频高压变压器设计优化方法，其特征在于，包括以下步骤：步骤1：基于变压器的最小损耗公式、变压器的绝缘尺寸和铁芯形状建立数学模型，数学模型为：式中U_p为原边电压，K是波形系数，f是工作频率，B_m是工作磁通密度，ρ_c为铁芯密度，ρ_w是绕组导体的电阻率，n₁是原边匝数，n_2c是副边层数，η是变压器效率，l_p、l_s分别是原、副边绕组长度，S_p、S_s分别是原、副边绕组截面积，P_o是绕组输出功率；步骤2：通过变压器数学模型构建遗传算法的优化函数，考虑到数学模型的复杂性，建立双优化函数W₁、W₂，且W₁、W₂与效率η正相关：$W_1=\frac{2P_o}{2P_o+A_c\times (2h_1+2L_w+4\sqrt{A_c}){\rho }_c{K}_c{f}^{\alpha }{B_m}^{\beta }(2+\beta )}$$W_2=\frac{1}{|2\times (\frac{{\left(\frac{P_o}{W_1{U}_p}\right)}^2{\rho }_w{k}_{p-s}{k}_{p-x}{l}_p}{S_p}+\frac{{I_s}^2{\rho }_w{k}_{s-s}{k}_{s-x}{l}_s}{S_s})-\frac{\beta }{2}{V}_c{\rho }_c{K}_c{f}^{\alpha }{B_m}^{\beta }|}$其中P_o表示变压器的输出功率；U_p表示原边输入电压；A_c表示磁芯截面积；h₁表示磁芯窗口高度；L_w表示磁芯窗口宽度；ρ_c表示磁芯密度；K_c、α、β是磁芯材料的损耗常数，通过查表获得；f表示变压器的频率；B_m表示变压器的磁通密度；ρ_w表示铜导体的电阻率；k_p‑s、k_p‑x分别表示原边绕组的集肤效应系数与邻近效应系数；k_s‑s、k_s‑x分别表示副边绕组的集肤效应系数与邻近效应系数；l_p、l_s分别表示原、副边的绕组长度；S_p、S_s分别表示原、副边的绕组的截面积；V_c表示磁芯的体积；L_w＝2×(L₁+n₁×L₂+L₃+n_2c×L₄)+L₅A_c＝U_p/Kfn₁k_fB_m步骤3：定义迭代次数及用于优化高频高压变压器的参数，并对待解决问题进行编码；初始化变压器的原边匝数n₁和副边绕组层数n_2c及迭代次数N；n_1‑min＜n₁＜n_1‑max，n_2c‑min＜n_2c＜n_2c‑max，N≤N_max步骤4：随机初始化群体P(0)＝(p₁，p₂，p₃…p_n)；步骤5：根据目标函数建立适应度函数，并计算群体上每个个体的适应度值(F)；max1＝max(W₁)min1＝min(W₁)max2＝max(W₂)min2＝min(W₂)M1＝1/(max1‑min1)M2＝1/(max2‑min2)则适应度函数为：F＝(W₁‑min1)×M1+(W₂‑min2)×M2；步骤6：评估适应度，对当前群体P(t)中每个个体p_i计算其适应度F(i)，适应度表示了该个体的性能好坏；采用公式p(i)＝F(i)/sum(F)评估个体的适应度，每一代群体中占的比重越大适应度越高；步骤7：按由个体适应度值所决定的规则应用选择算子产生中间代Pr(t)；步骤8：依照P_c选择个体进行交叉操作；步骤9：依照P_m对繁殖个体进行变异操作；步骤10：判断终止条件是否满足，如果满足，优化结束，保存结果，如果不满足则返回到步骤5；判断条件：$\left\{\begin{array}{c}{n}_{1-\min }<n_1<n_{1-\max }\\ n_{2c-\min }<n_{2c}<n_{2c-\max }\\ N>N_{\max }\end{array}\right.$若满足条件就结束优化，否则继续迭代，直到达到最大迭代次数；步骤11：输出种群中适应度值最优的个体。