以无刷双馈风力发电机(BDFG)为研究对象,建立BDFG的优化设计模型,提出相应的优化目标、优化变量和约束条件。针对粒子群优化(PSO)算法易出现早熟收敛及陷入局部最优的现象,提出一种全参数振荡粒子群优化(OAPS-PSO)算法。在此基础上,采用...以无刷双馈风力发电机(BDFG)为研究对象,建立BDFG的优化设计模型,提出相应的优化目标、优化变量和约束条件。针对粒子群优化(PSO)算法易出现早熟收敛及陷入局部最优的现象,提出一种全参数振荡粒子群优化(OAPS-PSO)算法。在此基础上,采用OAPS-PSO算法对一台5 k W的BDFG样机进行优化设计,分别以有效材料成本最低和平均效率最高为优化目标,得出两套BDFG优化方案。结果表明,通过优化可使样机的有效材料成本下降6.9%或平均效率提高3.3%,说明该文提出的OAPS-PSO算法可有效应用于BDFG的优化设计。展开更多
研究自然冷却的无槽管状永磁直线电机(tubular permanent magnet linear actuator,TPMLA)的机械气隙长度,通过约束和引导热量的流通路径来使永磁体的温度达到最低。通常无槽绕组产生的热量必须首先通过周围的空气进行传导,其散热条件比...研究自然冷却的无槽管状永磁直线电机(tubular permanent magnet linear actuator,TPMLA)的机械气隙长度,通过约束和引导热量的流通路径来使永磁体的温度达到最低。通常无槽绕组产生的热量必须首先通过周围的空气进行传导,其散热条件比有槽电机更加恶劣。虽然较小的机械气隙可以增强气隙磁密,但是绕组产生的大部分热量将会传到永磁体上,导致永磁体温升,并减小其剩磁,使永磁体有失磁风险。因此,合理的机械气隙长度对于无槽管状永磁直线电机极其重要。建立电机的电磁和热模型,并将结果与有限元方法进行比较。制作3台不同机械气隙的样机,并进行实验。结果表明,机械气隙对限制和引导热流具有重要的作用,通过增加机械气隙长度来降低永磁体温度的方法取得了良好的效果。展开更多
孪生支持向量机(twin support vector machine,TWSVM)是在支持向量机的基础上产生的机器学习算法,具有训练速度快、分类性能优越等优点。但是孪生支持向量机无法很好地处理参数选择问题,不合适的参数会降低分类能力。人工鱼群算法(artif...孪生支持向量机(twin support vector machine,TWSVM)是在支持向量机的基础上产生的机器学习算法,具有训练速度快、分类性能优越等优点。但是孪生支持向量机无法很好地处理参数选择问题,不合适的参数会降低分类能力。人工鱼群算法(artificial fish swarm algorithm,AFSA)是一种群智能优化算法,具有较强的全局寻优能力和并行处理能力。本文将孪生支持向量机与人工鱼群算法结合,来解决孪生支持向量机的参数选择问题。首先将孪生支持向量机的参数作为人工鱼的位置信息,同时将分类准确率作为目标函数,然后通过人工鱼的觅食、聚群、追尾和随机行为来更新位置和最优解,最后迭代结束时得到最优参数和最优分类准确率。该算法在训练过程中自动确定孪生支持向量机的参数,避免了参数选择的盲目性,提高了孪生支持向量机的分类性能。展开更多
文摘以无刷双馈风力发电机(BDFG)为研究对象,建立BDFG的优化设计模型,提出相应的优化目标、优化变量和约束条件。针对粒子群优化(PSO)算法易出现早熟收敛及陷入局部最优的现象,提出一种全参数振荡粒子群优化(OAPS-PSO)算法。在此基础上,采用OAPS-PSO算法对一台5 k W的BDFG样机进行优化设计,分别以有效材料成本最低和平均效率最高为优化目标,得出两套BDFG优化方案。结果表明,通过优化可使样机的有效材料成本下降6.9%或平均效率提高3.3%,说明该文提出的OAPS-PSO算法可有效应用于BDFG的优化设计。
文摘研究自然冷却的无槽管状永磁直线电机(tubular permanent magnet linear actuator,TPMLA)的机械气隙长度,通过约束和引导热量的流通路径来使永磁体的温度达到最低。通常无槽绕组产生的热量必须首先通过周围的空气进行传导,其散热条件比有槽电机更加恶劣。虽然较小的机械气隙可以增强气隙磁密,但是绕组产生的大部分热量将会传到永磁体上,导致永磁体温升,并减小其剩磁,使永磁体有失磁风险。因此,合理的机械气隙长度对于无槽管状永磁直线电机极其重要。建立电机的电磁和热模型,并将结果与有限元方法进行比较。制作3台不同机械气隙的样机,并进行实验。结果表明,机械气隙对限制和引导热流具有重要的作用,通过增加机械气隙长度来降低永磁体温度的方法取得了良好的效果。
文摘孪生支持向量机(twin support vector machine,TWSVM)是在支持向量机的基础上产生的机器学习算法,具有训练速度快、分类性能优越等优点。但是孪生支持向量机无法很好地处理参数选择问题,不合适的参数会降低分类能力。人工鱼群算法(artificial fish swarm algorithm,AFSA)是一种群智能优化算法,具有较强的全局寻优能力和并行处理能力。本文将孪生支持向量机与人工鱼群算法结合,来解决孪生支持向量机的参数选择问题。首先将孪生支持向量机的参数作为人工鱼的位置信息,同时将分类准确率作为目标函数,然后通过人工鱼的觅食、聚群、追尾和随机行为来更新位置和最优解,最后迭代结束时得到最优参数和最优分类准确率。该算法在训练过程中自动确定孪生支持向量机的参数,避免了参数选择的盲目性,提高了孪生支持向量机的分类性能。
