一种大功率高频变压器智能优化设计方法

1.本发明属于变压器技术领域，具体涉及一种大功率高频变压器智能优化设计方法。


背景技术：

2.大功率高频变压器是电力电子变压器电磁耦合环节的核心部件，部分研究人员也称之为大功率中频变压器。在对大功率高频变压器进行优化设计时，需统筹前后级电力电子换流器对变压器设计所带来的限制，以及二者之间的相互配合：(1)受限于电力电子换流器件的耐压水平，大功率高频变压器呈现出低电压大电流的特征，且随着频率的上升，绕组交流电阻值明显增大，因此大功率高频变压器绕组损耗远大于铁心损耗；(2)作为电力电子换流电路中的一部分，无论采用移相控制还是谐振控制，变压器漏感均需与换流器进行匹配。而变压器短路参数与其绕组损耗和漏感密切关联。作为一种新型变压器，大功率高频变压器尚未形成统一的设计标准。目前，大功率高频变压器优化设计主要采用在多组方案中寻找最优解的方式进行。作为大功率高频变压器的重要电磁参数，短路参数的高效精确计算是变压器优化设计工作的关键基础。
3.高频涡流所带来的集肤效应与邻近效应，使得变压器绕组区域的电磁场分布呈现出极强的非线性特征，并使得大功率高频变压器短路参数计算相较于工频更为困难。目前主要采用的方法可分为两类：(1)基于道尔简化模型的解析计算公式。在对大功率高频变压器进行优化设计时，将解析公式代入变压器优化设计程序，进行短路参数计算非常迅速。但其缺点在于，道尔在建立大功率高频变压器模型的过程中，进行了一定程度的简化假设，其准确度不高。(2)有限元数值计算方法，通过在电磁有限元软件中搭建变压器模型，对模型进行剖分运算，得到整个模型中的电磁场分布，进而获得变压器的关键电磁参数。有限元数值计算方法的准确度较高，但其缺点在于其无法直接植入变压器优化设计程序，针对多组设计方案，需分别搭建变压器模型，再进行剖分操作，需要耗费大量的时间与计算资源。
4.文献一《大功率中频变压器多目标参数优化设计》(高电压技术，2017年，第43卷，第1期，第210页至217页)对一台应用于电力电子牵引变压器300kw功率单元中的一台大功率高频变压器进行了优化设计，通过自由参数扫描法建立了变压器设计流程，根据综合评价系数选择了兼顾变压器损耗、漏感与重量的最有方案。文献二《基于多目标遗传算法的大功率高频变压器优化设计》(中国电机工程学报，2018年，第38卷，第5期，第1348页至1355页)基于有约束的多目标遗传优化算法，提出一种在高频变压器设计中兼顾变压器绝缘、损耗和漏感大小等约束条件和优化目标的绕组结构优化设计方法，通过非支配排序遗传算法对一台3.52kw高频变压器样机进行了优化设计。文献三《design and experimental veri fi cation of three-phase medium-frequency transformers for high-power dc-dc applications》(ieej transactions on electrical and electronic engineering,第16卷，第12期，第1581页至1593页)采用自由参数扫描法对三相双有源桥中的一台15kw高频变压器进行了优化设计，并对设计样机的漏感、损耗与温升进行了有限元仿真和实验校验。
5.由于有限元数值计算方法无法直接植入变压器优化设计程序，上述针对大功率高频变压器优化设计过程中，对于变压器短路参数的计算均采用了基于道尔简化模型的解析计算公式，公式的误差限制了变压器优化设计结果的准确性。因此，现有技术方法不能兼顾变压器短路参数计算的准确性、高效性与易用性，在一定程度上影响了大功率高频变压器的技术推广与应用，具有一定的局限性。


技术实现要素：

6.本发明针对现有技术中存在的不足，提出了一种大功率高频变压器智能优化设计方法。
7.本发明为实现上述发明目的，采取的技术方案如下：
8.一种大功率高频变压器智能优化设计方法，其特征在于，包括以下步骤：
9.步骤1、基于三维有限元方法对大功率高频变压器样机的短路参数进行计算，并将有限元计算结果与变压器样机短路参数测试结果进行对比分析，以验证三维有限元方法的准确性；
10.步骤2、确定大功率高频变压器各参数的取值范围，并进一步考虑人工神经网络训练与测试所需要的样本数量，确定变压器各参数的取值步长；根据各参数的取值范围与取值步长，构建大功率高频变压器数值模型，通过剖分计算获取各参数条件下的大功率高频变压器短路参数原始数据集；
11.步骤3、对大功率高频变压器短路参数原始数据集，做敏感度分析、无量纲化、归一化、缩放变换处理，形成变压器短路参数数据集，并将其划分为训练集与测试集；
12.步骤4、确定人工神经网络的形式、隐藏层层数、各层神经元的个数、以及神经元之间的连接关系；网络参数初始化包括确定学习率、正则化系数、权重矩阵、偏置矩阵的初始值；网络函数初始化包括确定激活函数、损失函数的形式；
13.步骤5、利用变压器短路参数训练集中的样本数据，采用误差反向传播算法对人工神经网络参数进行训练，通过训练过程中的梯度下降过程，不断更新网络中的权重矩阵与偏置矩阵，直到网络模型在变压器短路参数测试集上的错误率不再下降为止；由于人工神经网络的初始化过程存在一定的随机性，当初始网络训练达不到理想效果即在测试集上所有样本的平均错误率则对网络进行优化；网络优化方法主要包括：训练参数调整、网络参数优化；
14.步骤6、结合经训练与测试后的人工神经网络与变压器短路参数解析模型，形成大功率高频变压器短路参数智能代理模型；设计短路参数智能代理模型与大功率高频变压器优化设计算法的数据接口，将基于人工神经网络的短路参数智能代理模型嵌入到已有的变压器优化设计算法中，实现大功率高频变压器优化设计算法改进。
15.进一步的作为本发明的优选技术方案，所述步骤1的具体步骤如下：
16.步骤1.1、根据前期研究中设计并制造的两台大功率高频变压器样机参数，在电磁有限元软件中搭建样机三维数值模型，对样机模型进行剖分求解，进而得到样机短路参数有限元数值解；
17.步骤1.2、对两台大功率高频变压器样机在不同频率运行条件下进行短路实验，将变压器样机副边短路，测量采集原边电压电流波形数据；通过对原边电压电流波形数据做
傅里叶技术分解处理，得到样机在不同频率运行条件下的短路参数实验测试值；
18.步骤1.3、将实验测试值与三维有限元数值计算值进行对比误差对比分析，以确保三维有限元数值模型搭建与求解方法的正确性与可靠性。
19.进一步的作为本发明的优选技术方案，所述步骤2的具体步骤如下：
20.步骤2.1、查阅并总结已有文献中展示的大功率高频变压器样机参数，以此为依据，确定大功率高频变压器各参数的取值范围，具体包括变压器的两类参数：几何参数与电气参数；几何参数包括：变压器绕组匝数、层数以及相关尺寸参数，铁心窗口宽度、高度，以及各项层间绝缘、匝间绝缘尺寸；电气参数包括：变压器电流频率，以及绕组材料电导率；
21.步骤2.2、考虑用于变压器短路参数智能代理模型的人工神经网络训练与测试所需要的数据样本量，在上述参数范围内，确定变压器各类参数的取值步长；按照变压器各参数的取值范围与步长，分别对各参数进行取值；
22.步骤2.3、按照各参数取值，在电磁有限元软件中建立大功率高频变压器三维数值模型，最后采用经上一步验证过的三维有限元求解方法，对变压器三维数值模型进行求解，得到各参数条件下的变压器短路参数数值解。最终，形成大功率高频变压器短路参数数据集，即绕组交流电阻数据集和变压器漏感数据集其中x
(n)
为第n组变压器参数向量，r
f(n)
为第n组变压器交流电阻三维有限元计算值，l
f(n)
为第n组变压器漏感三维有限元计算值，数据集中共包含n个样本。
23.进一步的作为本发明的优选技术方案，所述步骤3的具体步骤如下：
24.步骤3.1、在原始数据集中，将单一变压器参数xi改变的数据进行归类，通过变压器绕组交流电阻rf、变压器漏感lf对单一变压器参数xi求偏导求偏导的方式，对rf、lf与xi之间的敏感度进行分析；分别剔除数据集中偏导数值较小的变压器参数，即与目标参数rf、lf关联度微弱的变压器参数，以降低原始数据集中变压器参数向量x的维数；
25.步骤3.2、通过敏感度分析，保留与目标参数rf、lf关联度较高的变压器参数，并做无量纲化处理，以进一步降低变压器参数向量x的维数，并提高最终变压器短路参数智能代理模型的泛化能力；
26.步骤3.3、将经过无量纲化处理的变压器参数进一步做归一化处理，在参数的数据特征转换为相同的尺度的前提下，使得参数取值处于人工神经网络激活函数导数的敏感区间中，以提高后续神经网络参数的训练效率；拟采用标准化方法，将每一个维参数特征都调整为均值为0，方差为1；数据集中样本数量为n，对于每一维参数xi，其均值μi和方差为：
[0027][0028][0029]
将参数x
i(n)
减去均值，并除以方差，得到新的归一化参数
[0030][0031]
步骤3.4、变压器短路参数原始数据集中的输出变量rf、lf分别为变压器交流电阻
与漏感的三维有限元计算值，通过三维有限元计算值与解析公式计算值求比的方式，对原始数据集中的输出变量做缩放变化处理，即：νr＝rf/ra、ν
l
＝lf/la，其中ra、la分别为变压器绕组交流电阻和漏感的解析公式计算值，νr、ν
l
为变压器绕组交流电阻系数与漏感在三维有限元计算值与解析公式计算值之间的校正系数；
[0032]
步骤3.5、通过上述对变压器短路参数原始数据集中输入变量与输出变量的分析、处理，形成了用于进行人工神经网络参数训练的变压器短路参数数据集将这两个数据集分别划分为训练集将这两个数据集分别划分为训练集与测试集具体划分方式为：采用交叉验证的方式，将数据集原始数据集平均划分为5组不重复的子集，每次选4组子集作为训练集，剩下的一组子集作为验证集，即n1＝0.8n；进行5次人工神经网络训练，并得到5个网络模型，将这5个模型在各自验证集上的错误率的平均值作为分类的评价依据。
[0033]
进一步的作为本发明的优选技术方案，所述步骤4的具体步骤如下：
[0034]
步骤4.1、全连接前馈神经网络通过简单非线性函数的多次复合，实现不具备时序特性的输入空间和输出空间的复杂映射，其网络模型特性与特性的输入空间和输出空间的复杂映射，其网络模型特性与映射问题的核心特征相符，因此拟采用全连接反馈人工神经网络模型分别进行的人工神经网络构建；
[0035]
步骤4.2、分别对绕组交流电阻系数与变压器漏感全连接反馈人工神经网络模型进行初始化；以应用于计算绕组交流电阻校正系数νr的人工神经网络为例，描述网络初始化过程，用于计算变压器漏感校正系数的ν
l
人工神经网络初始化过程与其类似；拟定的网络隐含层层数mh＝2，各层神经元个数n
l
分别为输入层n1＝5、隐含层第一层n2＝5、隐含层第二层n3＝5、输出层n4＝1，学习率α＝0.5，正则化系数λ＝0.1；
[0036]
步骤4.3、网络权重矩阵w与偏置矩阵b的初始化采用基于固定方差的参数初始化方法；激活函数选用sigmoid型函数中的tanh函数，其函数表达式为：
[0037][0038]
tanh函数的值域为(-1,1)，其导数敏感区间为(-2,2)；损失函数选用平方损失函数，其函数表达式为：
[0039][0040]
其中，为神经网络模型的函数表达，神经网络模型输出参数θ包含了神经网络权重矩阵w和偏置矩阵b。
[0041]
进一步的作为本发明的优选技术方案，所述步骤5的具体步骤如下：
[0042]
步骤5.1、从训练集中随机选取样本前馈计算神经网络每一层的净输入z
(l)
和激活值a
(l)
，直到最后一层：
[0043]z(l)
＝w
(l)a(l-1)
+b
(l)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(6)
[0044]a(l)
＝f(z
(l)
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(7)
[0045]
步骤5.2、计算网络总误差e：
[0046][0047]
步骤5.3、反向传播计算每一层的误差δ
(l)
，并更新网络参数w
(l)
、b
(l)
：
[0048][0049][0050]w(l)
←w(l)-α(δ
(l)
(a
(l-1)
)
t
+λw
(l)
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(11)
[0051]b(l)
←b(l)-αδ
(l)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(12)
[0052]
步骤5.4、将测试集中的样本自变量代入参数更新后的人工神经网络模型，计算网络模型输出与对应的测试集样本因变量目标值之间的错误率σ，循环步骤5.1-5.3，直到网络模型在测试集上所有样本的平均错误率不再下降为止；
[0053]
步骤5.5、由于网络的初始化过程中存在一定的随机性，如原始网络通过参数训练，在测试集上所有样本的平均错误率不到理想的效果即采用训练参数调整、网络参数初始化与其他超参数优化方法对网络进行优化后，并重新进行网络参数训练，直到达到预期的目标。
[0054]
进一步的作为本发明的优选技术方案，所述步骤6的具体步骤如下：
[0055]
步骤6.1、通过人工神经网络的训练与优化，分别获得神经网络模型，可准确的实现经处理后的变压器参数向量x与绕组交流电阻校正系数νr以及变压器漏感校正系数的ν
l
之间的非线性映射关系；根据步骤3中变压器参数的处理过程，结合变压器交流电阻与漏感解析计算模型，形成大功率高频变压器短路参数智能代理模型；
[0056]
步骤6.2、将该变压器短路参数智能代理应用于大功率高频变压器优化设计过程中的绕组损耗与漏感计算，实现基于自由参数扫描法的大功率高频变压器优化设计算法的改进。
[0057]
本发明所述的一种大功率高频变压器智能优化设计方法，采用以上技术方案与现有技术相比，具有以下技术效果：
[0058]
本发明提出了基于短路参数代理模型的一种大功率高频变压器智能优化设计方法，该方法具备准确度高、耗费计算资源少的特征。
附图说明
[0059]
图1为本发明的方法流程图；
[0060]
图2为本发明基于短路参数智能代理模型的变压器优化设计改进算法流程结构图。
具体实施方式
[0061]
下面结合附图对本发明做进一步的详细说明。
[0062]
如图1所示，本发明提出了一种大功率高频变压器智能优化设计方法，包括以下步骤：
[0063]
步骤1、基于三维有限元方法对大功率高频变压器样机的短路参数进行计算，并将有限元计算结果与变压器样机短路参数测试结果进行对比分析，以验证三维有限元方法的准确性；
[0064]
步骤2、确定大功率高频变压器各参数的取值范围，并进一步考虑人工神经网络训练与测试所需要的样本数量，确定变压器各参数的取值步长。根据各参数的取值范围与取值步长，构建大功率高频变压器数值模型，通过剖分计算获取各参数条件下的大功率高频变压器短路参数原始数据集；
[0065]
步骤3、对大功率高频变压器短路参数原始数据集，做敏感度分析、无量纲化、归一化、缩放变换处理，形成变压器短路参数数据集，并将其划分为训练集与测试集；
[0066]
步骤4、确定人工神经网络的形式、隐藏层层数、各层神经元的个数、以及神经元之间的连接关系；网络参数初始化包括确定学习率、正则化系数、权重矩阵、偏置矩阵的初始值；网络函数初始化包括确定激活函数、损失函数的形式；
[0067]
步骤5、利用变压器短路参数训练集中的样本数据，采用误差反向传播算法对人工神经网络参数进行训练，通过训练过程中的梯度下降过程，不断更新网络中的权重矩阵与偏置矩阵，直到网络模型在变压器短路参数测试集上的错误率不再下降为止。由于人工神经网络的初始化过程存在一定的随机性，如初始网络训练达不到理想效果(在测试集上所有样本的平均错误率)，则对网络进行优化。网络优化方法主要包括：训练参数调整、网络参数优化、以及其他超参数优化；
[0068]
步骤6、结合经训练与测试后的人工神经网络与变压器短路参数解析模型，形成大功率高频变压器短路参数智能代理模型。设计短路参数智能代理模型与大功率高频变压器优化设计算法的数据接口，将基于人工神经网络的短路参数智能代理模型嵌入到已有的变压器优化设计算法中，实现大功率高频变压器优化设计算法改进。
[0069]
步骤1的具体步骤如下：
[0070]
步骤1.1、根据前期研究中设计并制造的两台大功率高频变压器样机参数，在电磁有限元软件中搭建样机三维数值模型，对样机模型进行剖分求解，进而得到样机短路参数有限元数值解；
[0071]
步骤1.2、对两台大功率高频变压器样机在不同频率运行条件下进行短路实验，将变压器样机副边短路，测量采集原边电压电流波形数据。通过对原边电压电流波形数据做傅里叶技术分解处理，得到样机在不同频率运行条件下的短路参数实验测试值；
[0072]
步骤1.3、将实验测试值与三维有限元数值计算值进行对比误差对比分析，以确保三维有限元数值模型搭建与求解方法的正确性与可靠性。
[0073]
步骤2的具体步骤如下：
[0074]
步骤2.1、查阅并总结已有文献中展示的大功率高频变压器样机参数，以此为依据，确定大功率高频变压器各参数的取值范围，具体包括变压器的两类参数：几何参数与电气参数。几何参数包括：变压器绕组匝数、层数以及相关尺寸参数，铁心窗口宽度、高度，以及各项层间绝缘、匝间绝缘尺寸。电气参数包括：变压器电流频率，以及绕组材料电导率；
[0075]
步骤2.2、考虑用于变压器短路参数智能代理模型的人工神经网络训练与测试所需要的数据样本量，在上述参数范围内，确定变压器各类参数的取值步长。按照变压器各参数的取值范围与步长，分别对各参数进行取值；
[0076]
步骤2.3、按照各参数取值，在电磁有限元软件中建立大功率高频变压器三维数值模型，最后采用经上一步验证过的三维有限元求解方法，对变压器三维数值模型进行求解，得到各参数条件下的变压器短路参数数值解。最终，形成大功率高频变压器短路参数数据
集，即绕组交流电阻数据集和变压器漏感数据集其中x
(n)
为第n组变压器参数向量，r
f(n)
为第n组变压器交流电阻三维有限元计算值，l
f(n)
为第n组变压器漏感三维有限元计算值，数据集中共包含n个样本。
[0077]
步骤3的具体步骤如下：
[0078]
步骤3.1、在原始数据集中，将单一变压器参数xi改变(其他参数不变)的数据进行归类，通过变压器绕组交流电阻rf、变压器漏感lf对单一变压器参数xi求偏导的方式，对rf、lf与xi之间的敏感度进行分析。分别剔除数据集中偏导数值较小的变压器参数，即与目标参数rf、lf关联度微弱的变压器参数，以降低原始数据集中变压器参数向量x的维数；
[0079]
步骤3.2、通过敏感度分析，保留与目标参数rf、lf关联度较高的变压器参数，并做无量纲化处理，以进一步降低变压器参数向量x的维数，并提高最终变压器短路参数智能代理模型的泛化能力。变压器包含了几何和电气两类参数。对于同类几何参数，以其中一个几何参数为基准值，如变压器的厚度tr，通过其他几何参数与基准值求比值的方式，得到变压器几何类的无量纲参数。对于电气类参数，可通过绕组集肤深度δ这一物理量(与绕组电导率σw以及绕组电流频率fn相关)，将电气类参数绕组电导率σw、绕组电流频率fn转化为几何参数，再与几何类基准值求比值的方式，进行无量纲化处理；
[0080]
步骤3.3、将经过无量纲化处理的变压器参数进一步做归一化处理，在参数的数据特征转换为相同的尺度的前提下，使得参数取值处于人工神经网络激活函数导数的敏感区间中，以提高后续神经网络参数的训练效率。拟采用标准化方法，将每一个维参数特征都调整为均值为0，方差为1。数据集中样本数量为n，对于每一维参数xi，其均值μi和方差为：
[0081][0082][0083]
将参数减去均值，并除以方差，得到新的归一化参数
[0084][0085]
步骤3.4、变压器短路参数原始数据集中的输出变量rf、lf分别为变压器交流电阻与漏感的三维有限元计算值，通过三维有限元计算值与解析公式计算值求比的方式，对原始数据集中的输出变量做缩放变化处理，即：νr＝rf/ra、ν
l
＝lf/la，其中ra、la分别为变压器绕组交流电阻和漏感的解析公式计算值，νr、ν
l
为变压器绕组交流电阻系数与漏感在三维有限元计算值与解析公式计算值之间的校正系数；
[0086]
步骤3.5、通过上述对变压器短路参数原始数据集中输入变量与输出变量的分析、处理，形成了用于进行人工神经网络参数训练的变压器短路参数数据集将这两个数据集分别划分为训练集将这两个数据集分别划分为训练集与测试集具体划分方式为：采用交叉验证的方式，将数据集原始数据集平均划分为5组不重复的子集，每次选4组子集作为训练集，剩下的一组子集作为验证集，即n1＝0.8n。这样可以进行5
次人工神经网络训练，并得到5个网络模型，将这5个模型在各自验证集上的错误率的平均值作为分类的评价依据，可以有效避免划分训练集和测试集时的随机性对评价结果造成的影响。
[0087]
步骤4的具体步骤如下：
[0088]
步骤4.1、全连接前馈神经网络通过简单非线性函数的多次复合，可以很好地实现不具备时序特性的输入空间和输出空间的复杂映射，其网络模型特性与映射问题的核心特征相符，因此拟采用全连接反馈人工神经网络模型分别进行的人工神经网络构建。
[0089]
步骤4.2、分别对绕组交流电阻系数与变压器漏感全连接反馈人工神经网络模型进行初始化。以应用于计算绕组交流电阻校正系数νr的人工神经网络为例，描述网络初始化过程，用于计算变压器漏感校正系数的ν
l
人工神经网络初始化过程与其类似。拟定的网络隐含层层数mh＝2，各层神经元个数n
l
分别为输入层n1＝5、隐含层第一层n2＝5、隐含层第二层n3＝5、输出层n4＝1，学习率α＝0.5，正则化系数λ＝0.1；
[0090]
步骤4.3、网络权重矩阵w与偏置矩阵b的初始化采用基于固定方差的参数初始化方法，以使得不同神经元之间的区分性更好。激活函数选用sigmoid型函数中的tanh函数，其函数表达式为：
[0091][0092]
tanh函数的值域为(-1,1)，其导数敏感区间为(-2,2)。损失函数选用平方损失函数，其函数表达式为：
[0093][0094]
其中，为神经网络模型的函数表达，神经网络模型输出参数θ包含了神经网络权重矩阵w和偏置矩阵b。
[0095]
步骤5在完成人工神经网络搭建后，利用训练集中的样本数据，拟采用误差反向传播算法，通过参数训练过程中的梯度下降过程，更新网络中的权重矩阵与偏置矩阵，直到网络模型在测试集上的错误率不再下降为止。以应用于计算绕组交流电阻校正系数νr的人工神经网络为例，描述网络参数训练过程，用于计算变压器漏感校正系数的ν
l
人工神经网络参数训练过程与其类似，具体步骤如下：
[0096]
步骤5.1、从训练集中随机选取样本前馈计算神经网络每一层的净输入z
(l)
和激活值a
(l)
，直到最后一层：
[0097]z(l)
＝w
(l)a(l-1)
+b
(l)
ꢀꢀꢀꢀ
(6)
[0098]a(l)
＝f(z
(l)
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(7)
[0099]
步骤5.2、计算网络总误差e：
[0100][0101]
步骤5.3、反向传播计算每一层的误差δ
(l)
，并更新网络参数w
(l)
、b
(l)
：
[0102]
[0103][0104]w(l)
←w(l)-α(δ
(l)
(a
(l-1)
)
t
+λw
(l)
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(11)
[0105]b(l)
←b(l)-αδ
(l)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(12)
[0106]
步骤5.4、将测试集中的样本自变量代入参数更新后的人工神经网络模型，计算网络模型输出与对应的测试集样本因变量目标值之间的错误率σ，循环步骤5.1-5.3，直到网络模型在测试集上所有样本的平均错误率不再下降为止；
[0107]
步骤5.5、由于网络的初始化过程中存在一定的随机性，如原始网络通过参数训练，在测试集上所有样本的平均错误率不到理想的效果采用训练参数调整、网络参数初始化与其他超参数优化方法对网络进行优化后，并重新进行网络参数训练，直到达到预期的目标。
[0108]
步骤6的具体步骤如下：
[0109]
步骤6.1、通过人工神经网络的训练与优化，分别获得神经网络模型，可准确的实现经处理后的变压器参数向量与绕组交流电阻校正系数νr以及变压器漏感校正系数的ν
l
之间的非线性映射关系。根据步骤3中变压器参数的处理过程，结合变压器交流电阻与漏感解析计算模型，形成大功率高频变压器短路参数智能代理模型；
[0110]
步骤6.2、如图2所示，将该变压器短路参数智能代理应用于大功率高频变压器优化设计过程中的绕组损耗与漏感计算，实现基于自由参数扫描法的大功率高频变压器优化设计算法的改进。
[0111]
本发明公开了一种大功率高频变压器智能优化设计方法。首先，采用经校验的三维有限元方法，获取大功率高频变压器短路参数原始数据集。结合变压器短路参数物理特征与人工神经网络方法特征，对短路参数原始数据集进行敏感度分析、无量纲化、归一化、缩放变换处理，形成变压器短路参数数据集，并将其划分为训练集与测试集。其次，搭建变压器短路参数人工神经网络模型，具体包括网络模型形式的选择、网络初始化，利用所获取的变压器短路参数训练集和误差反向传播算法，对初始化后的人工神经网络进行训练与优化。利用变压器短路参数测试集对经过训练和优化的人工神经网络进行准确度校验。再次，将经校验的变压器短路参数人工神经网络模型与短路参数解析计算模型进行结合，形成大功率高频变压器短路参数代理模型。最后，根据变压器短路参数代理模型的构建方式，将其嵌入大功率高频变压器优化设计算法，以实现优化设计方法的智能化改进。
[0112]
以上所述的具体实施方案，对本发明的目的、技术方案和有益效果进行了进一步的详细说明，所应理解的是，以上所述仅为本发明的具体实施方案而已，并非用以限定本发明的范围，任何本领域的技术人员，在不脱离本发明的构思和原则的前提下所做出的等同变化与修改，均应属于本发明保护的范围。

技术特征：
1.一种大功率高频变压器智能优化设计方法，其特征在于，包括以下步骤：步骤1、基于三维有限元方法对大功率高频变压器样机的短路参数进行计算，并将有限元计算结果与变压器样机短路参数测试结果进行对比分析，以验证三维有限元方法的准确性；步骤2、确定大功率高频变压器各参数的取值范围，并进一步考虑人工神经网络训练与测试所需要的样本数量，确定变压器各参数的取值步长；根据各参数的取值范围与取值步长，构建大功率高频变压器数值模型，通过剖分计算获取各参数条件下的大功率高频变压器短路参数原始数据集；步骤3、对大功率高频变压器短路参数原始数据集，做敏感度分析、无量纲化、归一化、缩放变换处理，形成变压器短路参数数据集，并将其划分为训练集与测试集；步骤4、确定人工神经网络的形式、隐藏层层数、各层神经元的个数、以及神经元之间的连接关系；网络参数初始化包括确定学习率、正则化系数、权重矩阵、偏置矩阵的初始值；网络函数初始化包括确定激活函数、损失函数的形式；步骤5、利用变压器短路参数训练集中的样本数据，采用误差反向传播算法对人工神经网络参数进行训练，通过训练过程中的梯度下降过程，不断更新网络中的权重矩阵与偏置矩阵，直到网络模型在变压器短路参数测试集上的错误率不再下降为止；由于人工神经网络的初始化过程存在一定的随机性，当初始网络训练达不到理想效果即在测试集上所有样本的平均错误率则对网络进行优化；网络优化方法主要包括：训练参数调整、网络参数优化；步骤6、结合经训练与测试后的人工神经网络与变压器短路参数解析模型，形成大功率高频变压器短路参数智能代理模型；设计短路参数智能代理模型与大功率高频变压器优化设计算法的数据接口，将基于人工神经网络的短路参数智能代理模型嵌入到已有的变压器优化设计算法中，实现大功率高频变压器优化设计算法改进。2.根据权利要求1所述的一种大功率高频变压器智能优化设计方法，其特征在于，所述步骤1的具体步骤如下：步骤1.1、根据前期研究中设计并制造的两台大功率高频变压器样机参数，在电磁有限元软件中搭建样机三维数值模型，对样机模型进行剖分求解，进而得到样机短路参数有限元数值解；步骤1.2、对两台大功率高频变压器样机在不同频率运行条件下进行短路实验，将变压器样机副边短路，测量采集原边电压电流波形数据；通过对原边电压电流波形数据做傅里叶技术分解处理，得到样机在不同频率运行条件下的短路参数实验测试值；步骤1.3、将实验测试值与三维有限元数值计算值进行对比误差对比分析，以确保三维有限元数值模型搭建与求解方法的正确性与可靠性。3.根据权利要求1所述的一种大功率高频变压器智能优化设计方法，其特征在于，所述步骤2的具体步骤如下：步骤2.1、查阅并总结已有文献中展示的大功率高频变压器样机参数，以此为依据，确定大功率高频变压器各参数的取值范围，具体包括变压器的两类参数：几何参数与电气参数；几何参数包括：变压器绕组匝数、层数以及相关尺寸参数，铁心窗口宽度、高度，以及各项层间绝缘、匝间绝缘尺寸；电气参数包括：变压器电流频率，以及绕组材料电导率；
步骤2.2、考虑用于变压器短路参数智能代理模型的人工神经网络训练与测试所需要的数据样本量，在上述参数范围内，确定变压器各类参数的取值步长；按照变压器各参数的取值范围与步长，分别对各参数进行取值；步骤2.3、按照各参数取值，在电磁有限元软件中建立大功率高频变压器三维数值模型，最后采用经上一步验证过的三维有限元求解方法，对变压器三维数值模型进行求解，得到各参数条件下的变压器短路参数数值解。最终，形成大功率高频变压器短路参数数据集，即绕组交流电阻数据集和变压器漏感数据集其中x
(n)
为第n组变压器参数向量，r
f(n)
为第n组变压器交流电阻三维有限元计算值，l
f(n)
为第n组变压器漏感三维有限元计算值，数据集中共包含n个样本。4.根据权利要求1所述的一种大功率高频变压器智能优化设计方法，其特征在于，所述步骤3的具体步骤如下：步骤3.1、在原始数据集中，将单一变压器参数x
i
改变的数据进行归类，通过变压器绕组交流电阻r
f
、变压器漏感l
f
对单一变压器参数x
i
求偏导的方式，对r
f
、l
f
与x
i
之间的敏感度进行分析；分别剔除数据集中偏导数值较小的变压器参数，即与目标参数r
f
、l
f
关联度微弱的变压器参数，以降低原始数据集中变压器参数向量x的维数；步骤3.2、通过敏感度分析，保留与目标参数r
f
、l
f
关联度较高的变压器参数，并做无量纲化处理，以进一步降低变压器参数向量x的维数，并提高最终变压器短路参数智能代理模型的泛化能力；步骤3.3、将经过无量纲化处理的变压器参数进一步做归一化处理，在参数的数据特征转换为相同的尺度的前提下，使得参数取值处于人工神经网络激活函数导数的敏感区间中，以提高后续神经网络参数的训练效率；拟采用标准化方法，将每一个维参数特征都调整为均值为0，方差为1；数据集中样本数量为n，对于每一维参数x
i
，其均值μ
i
和方差为：为：将参数减去均值，并除以方差，得到新的归一化参数减去均值，并除以方差，得到新的归一化参数步骤3.4、变压器短路参数原始数据集中的输出变量r
f
、l
f
分别为变压器交流电阻与漏感的三维有限元计算值，通过三维有限元计算值与解析公式计算值求比的方式，对原始数据集中的输出变量做缩放变化处理，即：ν
r
＝r
f
/r
a
、ν
l
＝l
f
/l
a
，其中r
a
、l
a
分别为变压器绕组交流电阻和漏感的解析公式计算值，ν
r
、ν
l
为变压器绕组交流电阻系数与漏感在三维有限元计算值与解析公式计算值之间的校正系数；步骤3.5、通过上述对变压器短路参数原始数据集中输入变量与输出变量的分析、处理，形成了用于进行人工神经网络参数训练的变压器短路参数数据集理，形成了用于进行人工神经网络参数训练的变压器短路参数数据集将这两个数据集分别划分为训练集与测试集
具体划分方式为：采用交叉验证的方式，将数据集原始数据集平均划分为5组不重复的子集，每次选4组子集作为训练集，剩下的一组子集作为验证集，即n1＝0.8n；进行5次人工神经网络训练，并得到5个网络模型，将这5个模型在各自验证集上的错误率的平均值作为分类的评价依据。5.根据权利要求1所述的一种大功率高频变压器智能优化设计方法，其特征在于，所述步骤4的具体步骤如下：步骤4.1、全连接前馈神经网络通过简单非线性函数的多次复合，实现不具备时序特性的输入空间和输出空间的复杂映射，其网络模型特性与映射问题的核心特征相符，因此拟采用全连接反馈人工神经网络模型分别进行的人工神经网络构建；步骤4.2、分别对绕组交流电阻系数与变压器漏感全连接反馈人工神经网络模型进行初始化；以应用于计算绕组交流电阻校正系数ν
r
的人工神经网络为例，描述网络初始化过程，用于计算变压器漏感校正系数的ν
l
人工神经网络初始化过程与其类似；拟定的网络隐含层层数m
h
＝2，各层神经元个数n
l
分别为输入层n1＝5、隐含层第一层n2＝5、隐含层第二层n3＝5、输出层n4＝1，学习率α＝0.5，正则化系数λ＝0.1；步骤4.3、网络权重矩阵w与偏置矩阵b的初始化采用基于固定方差的参数初始化方法；激活函数选用sigmoid型函数中的tanh函数，其函数表达式为：tanh函数的值域为(-1,1)，其导数敏感区间为(-2,2)；损失函数选用平方损失函数，其函数表达式为：其中，为神经网络模型的函数表达，神经网络模型输出参数θ包含了神经网络权重矩阵w和偏置矩阵b。6.根据权利要求1所述的一种大功率高频变压器智能优化设计方法，其特征在于，所述步骤5的具体步骤如下：步骤5.1、从训练集中随机选取样本前馈计算神经网络每一层的净输入z
(l)
和激活值a
(l)
，直到最后一层：z
(l)
＝w
(l)
a
(l-1)
+b
(l)
ꢀꢀꢀꢀꢀꢀꢀꢀ
(6)a
(l)
＝f(z
(l)
)
ꢀꢀꢀꢀꢀꢀꢀꢀ
(7)步骤5.2、计算网络总误差e：步骤5.3、反向传播计算每一层的误差δ
(l)
，并更新网络参数w
(l)
、b
(l)
：：
w
(l)
←
w
(l)-α(δ
(l)
(a
(l-1)
)
t
+λw
(l)
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(11)b
(l)
←
b
(l)-αδ
(l)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(12)步骤5.4、将测试集中的样本自变量代入参数更新后的人工神经网络模型，计算网络模型输出与对应的测试集样本因变量目标值之间的错误率σ，循环步骤5.1-5.3，直到网络模型在测试集上所有样本的平均错误率不再下降为止；步骤5.5、由于网络的初始化过程中存在一定的随机性，如原始网络通过参数训练，在测试集上所有样本的平均错误率不到理想的效果即采用训练参数调整、网络参数初始化与其他超参数优化方法对网络进行优化后，并重新进行网络参数训练，直到达到预期的目标。7.根据权利要求1所述的一种大功率高频变压器智能优化设计方法，其特征在于，所述步骤6的具体步骤如下：步骤6.1、通过人工神经网络的训练与优化，分别获得神经网络模型，可准确的实现经处理后的变压器参数向量与绕组交流电阻校正系数ν
r
以及变压器漏感校正系数的ν
l
之间的非线性映射关系；根据步骤3中变压器参数的处理过程，结合变压器交流电阻与漏感解析计算模型，形成大功率高频变压器短路参数智能代理模型；步骤6.2、将该变压器短路参数智能代理应用于大功率高频变压器优化设计过程中的绕组损耗与漏感计算，实现基于自由参数扫描法的大功率高频变压器优化设计算法的改进。

技术总结
本发明属于变压器技术领域，具体涉及一种大功率高频变压器智能优化设计方法。采用经校验的三维有限元方法，获取大功率高频变压器短路参数原始数据集。对短路参数原始数据集进行敏感度分析、无量纲化、归一化、缩放变换处理，形成变压器短路参数数据集，将其划分为训练集与测试集。搭建人工神经网络模型，利用变压器短路参数训练集和误差反向传播算法，对人工神经网络进行训练与优化。利用变压器短路参数测试集对人工神经网络进行准确度校验。将网络模型与短路参数解析计算模型进行结合，形成大功率高频变压器短路参数代理模型。根据变压器短路参数代理模型的构建方式，将其嵌入大功率高频变压器优化设计算法，以实现优化设计方法的智能化改进。智能化改进。智能化改进。


技术研发人员：郭云翔 张新松 卢成
受保护的技术使用者：南通大学
技术研发日：2023.05.31
技术公布日：2023/7/22