您好、欢迎来到现金彩票网!
当前位置:21点 > 自适应变异 >

一种铁磁材料磁滞特性仿真中的JA模型参数优化自适应遗传算法

发布时间:2019-06-10 14:41 来源:未知 编辑:admin

  该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于武汉大学,未经武汉大学许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】

  本发明属于电气工程技术领域,具体涉及一种铁磁材料磁滞特性仿真中的JA模型参数优化自适应遗传算法。

  变压器绕组的直流电流在铁心磁路中产生直流磁化强度,由于变压器铁心的磁滞特性,直流磁化强度与交流磁化强度相互影响,造成交流磁化强度发生变化,产生直流偏磁现象。铁心的磁滞特性研究是变压器直流偏磁研究的关键所在。由于目前磁学的理论发展尚不完备,对磁滞现象的解释模型并不多,JA模型是应用较为广泛的一种种。JA模型运用磁畴壁的概念将磁畴磁化过程分解成具有摩擦效应不可逆分量Mirr和弹性可逆分量Mrev,利用修改的朗之万函数描述磁化强度M与磁场强度H之间的关系,并最终获得磁感应强度B与H之间的关系。JA模型可以较好地描述磁滞现象,但是其模型较为复杂,依靠5个参数的不同取值来区别不同材料具有的不同磁滞特性。在JA模型应用中,模型中包含的5参数的精确取值是关键所在,而且较为困难。对此,国内外学者提出了多种优化算法,但存在两个方面的问题,一是对优化效果的度量方式不恰当,二是这些算法多是针对硬磁材料和超磁致伸缩材料的,少有针对变压器硅钢片这样的软磁材料的。

  在已知某种铁磁材料磁滞回线条件下,必须确定适合的JA模型的参数,使仿真计算得到的磁滞回线与已知磁滞回线吻合。JA模型参数的求取问题实际上是一个5维空间内的非线性优化问题,本发明提出一种JA模型参数优化自适应遗传算法来解决此问题。

  本发明要解决的技术问题是,针对同铁磁材料的不同磁滞回线,提供一种适用于确定对应的JA模型参数的优化自适应遗传算法。

  本发明的技术解决方案是,在JA模型参数优化过程中,将一组JA模型参数作为个体,个体包含有5个基因座,分别对应JA模型的五个参数,多组JA模型参数构成种群。个体适应能力由对应的仿真所得磁滞回线与已知磁滞回线的吻合程度决定。对种群进行适当的遗传操作,直至得到较优的一组参数。

  一种铁磁材料磁滞特性仿真中的JA模型参数优化自适应遗传算法,其特征在于,包括以下步骤:

  步骤1、以磁滞回线上等距的N个点作为回线的“特征点”,通过计算仿真磁滞回线与已知磁滞回线间对应特征点距离之和来描述吻合程度,并作为吻合程度的评价函数;

  步骤2、采用实数表示JA模型的各个参数;考虑到计算机通过产生0~1之间的随机数来创建初始种群的各个个体,并且为便于交叉和变异算子的设计,对各参数的编码范围均设定为0~1,即采用归一化实数编码方法;

  步骤3、采用比例选择作为选择策略,具体执行过程为:计算处群体中所有个体的适应值总和作为轮盘大小;以每个个体的适应值f(Xi)作为该个体在轮盘上占据区域的大小,这样第m个个体在轮盘上占据的区域为用计算机产生一个随机数δ,若δ×F落在区间内,则第m个个体被选中参与对下一代的遗传;

  步骤5、针对JA模型参数优化特点,提出了一种变异幅度自适应的非均匀变异算子;

  步骤6、对个体数量为P的种群,每一代进行遗传操作前,先将最优个体Ibest保存起来;然后通过选择、交叉和变异操作,得到P-2个个体;再将保存下来的最优个体Ibest和随机产生的一个新个体Inew加入,这样构成个体数量为P的新一代种群;

  步骤7、对随机产生的个体计算适应值f(Xi),若适应值低于设定阈值Δf,则放弃此个体,再随机产生一个个体,直至生成P个适应值都大于Δf的个体组成初始种群。

  在上述的一种铁磁材料磁滞特性仿真中的JA模型参数优化自适应遗传算法,所述步骤4具体包括以下子步骤:

  步骤2.1、通过选择得到两个亲代个体后,计算机产生一个随机数RI,若小于个体交叉概率阈值ΔRI,则对这两个个体按下式作算术交叉操作;否则进入下一步;

  步骤2.2、针对个体的5个基因座,对应产生5个随机数(R1~R5),若产生的随机数小于基因交叉概率阈值ΔRg,则对应基因座作算术交叉,否则对应基因座保持不变。

  在上述的一种铁磁材料磁滞特性仿真中的JA模型参数优化自适应遗传算法,所述步骤5具体包括:针对某一个体,产生一个随机数Rm,若Rm小于设定的个体变异阈值ΔRm,则对该个体的5个基因产生5个随机数,若产生的随机数小于基因变异阈值,则再产生随机数rand,并基于当前遗传代数g和最大遗传代数gm对该基因A作非均匀变异:

  按上式对基因A变异后产生的新基因值A以A为中心振动,振动的幅度随当前遗传代数g变化,在算法早期,一般振动幅度大,便于增强全局搜索能力,在算法后期个体大多较优,适应值较大,此时振动幅度减小,便于在较优解附近搜索更优解。

  本发明的技术核心是在JA模型参数优化过程中,将一组JA模型参数作为个体,个体包含有5个基因座,分别对应JA模型的五个参数,多组JA模型参数构成种群。个体适应能力由对应的仿真所得磁滞回线与已知磁滞回线的吻合程度决定。对种群进行适当的遗传操作,直至得到较优的一组参数。

  本发明的有益效果是:(1)、对仿真磁滞回线的参数优化有明显效果(2)、对实际硅钢片磁滞回线参数优化得到的最优个体对应的磁滞回线与原始磁滞回线非常接近,优化效果明显。

  1、评价函数:在JA模型参数的优化中,一组参数的优劣决定于这组参数对应的磁滞回线与已知磁滞回线的“吻合”程度,为在计算中利用“吻合”程度,需要对其进行量化。两组磁滞回线“吻合”越好,意味着它们之间“距离”越小,基于此,本发明提出以磁滞回线上等距的N个点作为回线的“特征点”,通过计算仿真磁滞回线与已知磁滞回线间对应特征点距离之和来描述吻合程度,并作为吻合程度的评价函数。

  2、编码方法:JA模型的5个参数各自变化范围都很大,并且各参数之间差别非常大,而且往往一个参数的较小变化就会引起磁滞回线形状的剧烈变化,故对各参数的精度很高,鉴于此,本发明研究采用实数表示JA模型的各个参数。考虑到计算机通过产生0~1之间的随机数来创建初始种群的各个个体,并且为便于交叉和变异算子的设计,对各参数的编码范围均设定为0~1,即采用归一化实数编码方法。

  3、选择策略:本发明的选择策略为比例选择,具体执行过程为:计算处群体中所有个体的适应值总和作为轮盘大小;以每个个体的适应值f(Xi)作为该个体在轮盘上占据区域的大小,这样第m个个体在轮盘上占据的区域为用计算机产生一个随机数δ,若δ×F落在区间内,则第m个个体被选中参与对下一代的遗传。

  4、交叉算子:本发明采用算术交叉与多点交叉相结合的交叉算子,具体执行策略如下:

  (1)通过选择得到两个亲代个体后,计算机产生一个随机数RI,若小于个体交叉概率阈值ΔRI,则对这两个个体按下式作算术交叉操作;否则进入下一步;

  (2)针对个体的5个基因座,对应产生5个随机数(R1~R5),若产生的随机数小于基因交叉概率阈值ΔRg,则对应基因座作算术交叉,否则对应基因座保持不变。

  5、变异算子:本发明针对JA模型参数优化特点,提出了一种变异幅度自适应的非均匀变异算子,实现方法如下:

  针对某一个体,产生一个随机数Rm,若Rm小于设定的个体变异阈值ΔRm,则对该个体的5个基因产生5个随机数,若产生的随机数小于基因变异阈值,则再产生随机数rand,并基于当前遗传代数g和最大遗传代数gm对该基因A作非均匀变异:

  按上式对基因A变异后产生的新基因值A以A为中心振动,振动的幅度随当前遗传代数g变化,在算法早期,一般振动幅度大,便于增强全局搜索能力,在算法后期个体大多较优,适应值较大,此时振动幅度减小,便于在较优解附近搜索更优解。

http://hitomisiri.com/zishiyingbianyi/67.html
锟斤拷锟斤拷锟斤拷QQ微锟斤拷锟斤拷锟斤拷锟斤拷锟斤拷锟斤拷微锟斤拷
关于我们|联系我们|版权声明|网站地图|
Copyright © 2002-2019 现金彩票 版权所有