CN117195737A - 永磁风力发电机绕组结构及其智能优化方法 - Google Patents
永磁风力发电机绕组结构及其智能优化方法 Download PDFInfo
- Publication number
- CN117195737A CN117195737A CN202311222397.4A CN202311222397A CN117195737A CN 117195737 A CN117195737 A CN 117195737A CN 202311222397 A CN202311222397 A CN 202311222397A CN 117195737 A CN117195737 A CN 117195737A
- Authority
- CN
- China
- Prior art keywords
- model
- stator
- optimization method
- data
- permanent magnet
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000004804 winding Methods 0.000 title claims abstract description 44
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000005457 optimization Methods 0.000 title claims abstract description 39
- 238000012549 training Methods 0.000 claims abstract description 28
- 238000013461 design Methods 0.000 claims abstract description 24
- 238000012806 monitoring device Methods 0.000 claims abstract description 9
- 238000010276 construction Methods 0.000 claims abstract description 6
- 238000000547 structure data Methods 0.000 claims abstract description 5
- 230000006870 function Effects 0.000 claims description 29
- 238000013135 deep learning Methods 0.000 claims description 14
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical group [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 7
- 238000009826 distribution Methods 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 5
- 239000013598 vector Substances 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 4
- 238000012937 correction Methods 0.000 claims description 3
- 238000003062 neural network model Methods 0.000 claims description 3
- 238000003466 welding Methods 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 claims description 2
- 125000004122 cyclic group Chemical group 0.000 claims description 2
- 238000004321 preservation Methods 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 abstract description 5
- 230000008569 process Effects 0.000 description 7
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000007781 pre-processing Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000000306 recurrent effect Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 238000010200 validation analysis Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000017525 heat dissipation Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000004907 flux Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
Landscapes
- Manufacture Of Motors, Generators (AREA)
Abstract
本发明提出了永磁风力发电机绕组结构及其智能优化方法,1)定子结构数据监测装置部署;2)数据采集以及预处理;3)模型设计与训练;4)改进多层感知机算法模型网络构建;本申请通过改进的多层感知机算法模型网络,去更好的计算出合适的定子凹槽比列。此外本次申请中首次提出使用凹槽与电环之间的表面积比例做为两个算法之间的权重,并利用贝叶斯超参数调优优化计算结果的准确性和效率,最终并采用比例公式完成定子结构优化工作。
Description
技术领域
本发明涉及绕组结构及优化设计领域,具体为永磁风力发电机绕组结构及其智能优化方法。
背景技术
永磁风力发电机具有效率高、结构简单、维护少、可靠性高、环保等优点。与传统的风力发电机相比,永磁风力发电机的效率更高,同时其结构更为简单,维护费用更低。
其中绕组结构设计是为了实现磁场定向控制,需要设计合适的绕组结构,使得发电机的定子和转子能够产生相应的磁场,是其不可或缺的一部分,为此申请人提出一种永磁风力发电机绕组结构及其智能优化方法。
发明内容
为解决上述技术问题,本发明提出了永磁风力发电机绕组结构及其智能优化方法,对绕组结构进行优化设计,并且通过使用生成器和判别器两个神经网络模型来生成和评估新型定子结构的发电效率性能与原款电子的比值。生成器负责生成新型定子结构的设计参数,而判别器则用于评估这些参数的质量,从而能够生成多种不同的新型定子结构设计参数,并能够准确评估其发电效率性能与原款电子的比值。
为实现上述目的,本发明采取的技术方案是:
永磁风力发电机绕组结构,包括绕组铁心,端环和线圈,所述绕组铁心为环状内壁等距离设置有线槽,所述线圈由一对直线边和2个并头端组成,所述线圈嵌在线槽内,所述端环设置在绕组铁心一侧,一侧的并头端端部引线通过焊接方式与端环相连。
本发明永磁风力发电机绕组结构智能优化方法,包括以下步骤:
1)定子结构数据监测装置部署;
通过将定子结果数据监测装置部署到各机房,并通过建立网络管理***,监控监测装置的状态和数据传输;
2)数据采集以及预处理;
通过建立云端存储***,接收并存储机房中各个定子装置的参数数据流,进而生成凹槽数据,原始电机设计参数、绕组密度、矩形槽参数和电机效率序列,并通过循环神经网络模型对序列数据进行深度学习,同时利用了损失函数进行简单调优;
3)模型设计与训练;
获取各机房的定子装置序列数据后,采用多层感知机网络对数据进行模型训练;
其中步骤3)模型设计与训练包含以下子步骤:
确定网络的层数、节点数以及激活函数等超参数;
设计隐藏层;
损失函数和优化算法选择;
模型训练;
模型保存和加载;
4)改进多层感知机算法模型网络构建;
通过改进的多层感知机算法模型网络,计算出合适的定子凹槽比列。
作为本发明进一步改进,所述步骤2)中损失函数公式表示为:
其中,损失函数公式表示为:
其中,|Wi|是权重矩阵中的元素,是损失函数中的自变量之一,用于计算L2正则化项;n是序列的长度;yt为时间步t对应的目标输出值或预测值;yt'为时间步t对应的目标输出值或预测值的梯度;λ是正则化系数,它控制了模型的复杂度和过拟合的程度,用以提高定子结构的稳定性;m权重矩阵的大小或维度,表示了模型中权重向量的数量,合理的控制来提高定子结构的效率。
作为本发明进一步改进,所述步骤4)中贝叶斯超参数调优公式表示为:
其中,贝叶斯超参数调优公式表示如下:
f(x)=Eq(l(x)) (2)
其中,f(x)为目标函数,用以评估模型的性能;l(x)则为损失函数,用于衡量定子凹槽与结构优劣关系判别模型预测结果与真实结果之间的差异;Eq后验分布,表示在给定超参数x的情况下,模型预测结果y的概率分布。
作为本发明进一步改进,所述步骤4)中比列公式表示为:
其中,比列公式表示为:
其中,N表示为定子线圈绕组的匝数,μ为修正因子,SO为凹槽的表面积,SD则为电机的表面积,r表示定子凹槽或电环的半径。
本申请具有以下效益:
本申请提供的一种基于深度学习算法的新型定子结构优化方法,通过优化定子铁芯结构,本发明能够减少磁通的漏磁,降低铁芯的涡流损耗。这有助于提高电机的效率和性能。
本申请提供的一种基于深度学习算法的新型定子结构优化方法,通过递归神经网络预测凹槽结构可能会形成的热点,并引入惩罚对抗式计算法则来解决这个问题。该方法可以快速生成多种不同的新型定子结构设计参数,并通过判别器评估其质量。这使得工程师能够根据实际需求灵活选择和调整凹槽宽度和深度等参数,以实现最优的电机设计。
本申请提供的一种基于深度学习算法的新型定子结构优化方法,凹槽结构在传统电机设计中通常会导致散热困难。然而,本发明通过多层感知机网络预测凹槽结构可能会形成的热点。这样,新型定子结构能够在凹槽内提供更好的物理保护,减少外部环境对绕组的损害,并改善散热性能。
本申请提供的一种基于深度学习算法的新型定子结构优化方法,首次提出使用凹槽与电环之间的表面积比例做为两个算法之间的权重,并利用贝叶斯超参数调优优化计算结果的准确性和效率。通过优化定子结构,本发明可以减少热点形成的可能性,从而降低电机故障的风险。此外,递归神经网络的训练过程也能够提高设计的鲁棒性,使其更适应各种工况和使用条件。
附图说明
图1为本发明永磁风力发电机绕组结构立体图一;
图2为本发明永磁风力发电机绕组结构立体图二;
图3为本发明永磁风力发电机绕组结构侧视图;
图4为本发明永磁风力发电机绕组结构线圈示意图;
图5为本发明基于深度学习算法的新型永磁风力发电机绕组结构智能优化方法***流程图;
图6为本发明基于深度学习算法的新型永磁风力发电机绕组结构智能优化方法模型训练流程图;
图7为本发明基于深度学习算法的新型永磁风力发电机绕组结构智能优化方法算法优化架构图。
部件名称:
1.端环;2.线圈;3.线槽;4.并头端。
具体实施方式
下面结合附图与具体实施方式对本发明作进一步详细描述:
本申请永磁风力发电机绕组结构如图1-4所示,包括绕组铁心,端环1和线圈2,所述绕组铁心为环状内壁等距离设置有线槽3,所述线圈2由一对直线边和2个并头端4组成,所述线圈2嵌在线槽3内,所述端环1设置在绕组铁心一侧,一侧的并头端4端部通过焊接方式与端环1相连。
如图5所示为本申请提供的基于深度学习算法的新型定子结构优化方法***流程图。
步骤S1:定子结构数据监测装置部署。
在本步骤中,将采用计算机设备收集与定子结构和电机性能相关的数据集,包括凹槽数据,原始电机设计参数、绕组密度、矩形槽参数、电机效率等。确保数据集包含足够的样本以代表不同的设计变量组合。使用Python的Pytorch包,开发数据采集软件或接口,从而自动化收集电机设计参数、绕组密度、矩形槽参数和电机性能等信息,并将其存储在数据库或文件中。然后根据所设定的目标和范围,确定所需数据的样本数量和多样性。确保数据集中包含足够的样本,以涵盖不同的设计变量组合和电机性能指标范围。
步骤S2:数据采集以及预处理。
本步骤中建立云端存储***,以接收存储数据检测中各个监测装置的定子结构数据流,以便算法模块后续进行调用。
对云端存储***中各装置的原始序列数据进行处理,以消除环境干扰和异常值。本次申请采用将递归神经网络(RNN),用以进行序列数据处理。在数据预处理步骤中,RNN可以用于对序列数据的建模和优化。以下是整个过程的详细说明:对采集到的数据集进行清洗和准备。包括数据去噪、异常值处理、缺失值处理等步骤,以确保数据的准确性和一致性。本次申请将电机设计参数、绕组密度、矩形槽参数和电机性能指标按序列的形式进行组织,再用连续的电机设计参数作为序列的输入,对应的绕组密度、矩形槽参数和电机性能指标作为序列的输出,以完成序列数据构建。编写普通的RNN模型来对序列数据进行建模和优化,普通的RNN结构有长短期记忆网络(LSTM)和门控循环单元(GRU)。能够通过时间来捕捉序列中的长期依赖关系。然后将输入序列数据进行编码,将其转化为适合RNN模型的输入形式。最后使用TF-IDF技术进行特征提取和编码。将编码后的输入序列输入到RNN模型中,进行模型训练。
根据问题的特点,提取合适的特征。对于定子凹槽的参数,提取其尺寸、形状、位置等特征;对于定子结构的好坏指标,提取其振动频率、噪音水平、效率等特征。
本次申请对于整体定子数据的预处理优化过程,采用L2正则化去优化RNN算法。数据的输入序列简单表示为x1,x2,x3,同理输出序列表示为y1,y2,y3。本次申请中首次提出用L2正则化对定子数据模型的损失函数进行优化。该损失函数提高了模型的计算效率和精度,同时权衡了定子结构凹槽的优劣势。损失函数的计算采用以下公式给定。
其中,|Wi|是权重矩阵中的元素,它是损失函数中的自变量之一,用于计算L2正则化项;n是序列的长度;yt为时间步t对应的目标输出值或预测值;yt'为时间步t对应的目标输出值或预测值的梯度;λ是正则化系数,它控制了模型的复杂度和过拟合的程度,用以提高定子结构的稳定性;m权重矩阵的大小或维度,它表示了模型中权重向量的数量,合理的控制它会提高定子结构的效率。
在表达式中,L2正则化项被添加到了预测误差项之后。这个正则化项是由所有权重元素的平方和构成,并乘以正则化系数λ除以权重矩阵中的元素个数m。L2正则化项的存在鼓励模型的权重保持较小的值,以避免过拟合。通过最小化总损失L,训练过程旨在在减小预测误差的同时,抑制模型的复杂性,从而优化定子结构的性能。
步骤S3:模型设计与训练。
如图6为本申请提供的基于深度学习算法的新型定子结构优化方法模型训练流程图。
定子凹槽参数与结构优劣的关系判别机制模型训练,是基于深度学习算法的新型定子结构优化方法的核心步骤之一。它旨在训练一个能够自动关注关键部分的注意力模型,以提高优化方法的精度和准确性。关系判别机制模型使用深度学习方法,本次申请采用了多层感知机(Multi-Layer Perceptron,MLP)。在训练之前,需要准备好已经预处理的序列数据。下面是模型设计和训练过程。
步骤A1:确定网络的层数、节点数以及激活函数等超参数。
步骤A2:设计隐藏层。
在多层感知机中,本次申请设计了多个隐藏层来增加模型的复杂性和表达能力。每个隐藏层可以包含一定数量的神经元,并使用激活函数sigmoid来引入非线性。
步骤A3:损失函数和优化算法选择。
对于回归问题,选择均方误差(Mean Squared Error,MSE)损失函数来衡量模型预测结果与真实标签之间的差异。同时选择随机梯度下降优化算法来更新模型的权重和偏置,从而达到最小化损失函数的目的。
步骤A4:模型训练。
将数据集划分为训练集、验证集和测试集,比例是70%的训练集用于训练模型,15%的验证集用于调整超参数和进行早停策略,剩余的15%用于测试模型的性能。
初始化模型的权重和偏置参数,使用随机小数或零来初始化它们。
然后迭代执行以下步骤直到达到预定的训练轮数或满足停止条件:
使用训练集对模型进行前向传播,得到模型的预测结果。通过反向传播算法计算每个参数对预测结果的贡献度,并更新参数的值。如果验证集上的性能没有明显改善或者出现异常情况(如梯度消失),则可以提前终止训练以防止过拟合。
在每轮迭代结束后,保存模型的权重和偏置参数以备后续加载和使用。
步骤A5:模型保存和加载。
在训练过程中,定期保存模型的权重和偏置参数,避免每次从头开始训练模型时的计算开销。同时保存的参数文件存储到硬盘或其他持久存储介质中。
在使用已经训练好的模型时,将保存的参数文件加载到新的模型中进行推理即可。
步骤S4:改进多层感知机算法模型网络构建。
如图7所示为本申请实施例提供的基于深度学习算法的新型定子结构优化方法算法优化架构图。
本次申请中,提出一种改进的多层感知机算法模型网络构建对定子凹槽参数与结构优劣进行判定,该网络输入的特征项为定子参数,其尺寸、形状、位置等各类特征数据。同时其输出项也为一个向量值,用该向量去匹配函数关系表,寻找与其最近似的关系曲线。在此过程中为提高准确率,本次申请中使用下述贝叶斯超参数调优。
f(x)=Eq(l(x)) ⑵
其中,f(x)为目标函数,用以评估模型的性能;l(x)则为损失函数,用于衡量定子凹槽与结构优劣关系判别模型预测结果与真实结果之间的差异;Eq后验分布,表示在给定超参数x的情况下,模型预测结果y的概率分布。
在本次申请中,说明了需要使用的两种优化算法。即数据预处理使用了RNN网络模型,数据序列训练则采用了多层超感知机网络模型。为使得不同的算法之间衔接误差更小,使用凹槽与电环之间的表面积比例做为两个算法之间的权重。
其中,比列公式表示如下:
其中,N表示为定子线圈绕组的匝数,μ为修正因子,SO为凹槽的表面积,SD则为电机的表面积,r表示定子凹槽或电环的半径。
以上所述,仅是本发明的较佳实施例而已,并非是对本发明作任何其他形式的限制,而依据本发明的技术实质所作的任何修改或等同变化,仍属于本发明所要求保护的范围。
Claims (5)
1.永磁风力发电机绕组结构,包括绕组铁心,端环(1)和线圈(2),其特征在于:所述绕组铁心为环状内壁等距离设置有线槽(3),所述线圈(2)由一对直线边和2个并头端(4)组成,所述线圈(2)嵌在线槽(3)内,所述端环(1)设置在绕组铁心一侧,一侧的并头端(4)端部通过焊接方式与端环(1)相连。
2.根据权利要求1所述的永磁风力发电机绕组结构智能优化方法,其特征在于:包括以下步骤:
1)定子结构数据监测装置部署;
通过将定子结果数据监测装置部署到各机房,并通过建立网络管理***,监控监测装置的状态和数据传输;
2)数据采集以及预处理;
通过建立云端存储***,接收并存储机房中各个定子装置的参数数据流,进而生成凹槽数据,原始电机设计参数、绕组密度、矩形槽参数和电机效率序列,并通过循环神经网络模型对序列数据进行深度学习,同时利用了损失函数进行简单调优;
3)模型设计与训练;
获取各机房的定子装置序列数据后,采用多层感知机网络对数据进行模型训练;
其中步骤3)模型设计与训练包含以下子步骤:
确定网络的层数、节点数以及激活函数等超参数;
设计隐藏层;
损失函数和优化算法选择;
模型训练;
模型保存和加载;
4)改进多层感知机算法模型网络构建;
通过改进的多层感知机算法模型网络,计算出合适的定子凹槽比列。
3.根据权利要求2所述的永磁风力发电机绕组结构智能优化方法,其特征在于:所述步骤2)中损失函数公式表示为:
其中,损失函数公式表示为:
其中,|Wi|是权重矩阵中的元素,是损失函数中的自变量之一,用于计算L2正则化项;n是序列的长度;yt为时间步t对应的目标输出值或预测值;yt'为时间步t对应的目标输出值或预测值的梯度;λ是正则化系数,它控制了模型的复杂度和过拟合的程度,用以提高定子结构的稳定性;m权重矩阵的大小或维度,表示了模型中权重向量的数量,合理的控制来提高定子结构的效率。
4.根据权利要求2所述的永磁风力发电机绕组结构智能优化方法,其特征在于:所述步骤4)中贝叶斯超参数调优公式表示为:
其中,贝叶斯超参数调优公式表示如下:
f(x)=Eq(l(x)) (2)
其中,f(x)为目标函数,用以评估模型的性能;l(x)则为损失函数,用于衡量定子凹槽与结构优劣关系判别模型预测结果与真实结果之间的差异;Eq后验分布,表示在给定超参数x的情况下,模型预测结果y的概率分布。
5.根据权利要求2所述的永磁风力发电机绕组结构智能优化方法,其特征在于:所述步骤4)中比列公式表示为:
其中,比列公式表示为:
其中,N表示为定子线圈绕组的匝数,μ为修正因子,SO为凹槽的表面积,SD则为电机的表面积,r表示定子凹槽或电环的半径。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311222397.4A CN117195737B (zh) | 2023-09-21 | 2023-09-21 | 永磁风力发电机绕组结构及其智能优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311222397.4A CN117195737B (zh) | 2023-09-21 | 2023-09-21 | 永磁风力发电机绕组结构及其智能优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117195737A true CN117195737A (zh) | 2023-12-08 |
CN117195737B CN117195737B (zh) | 2024-03-22 |
Family
ID=88984862
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311222397.4A Active CN117195737B (zh) | 2023-09-21 | 2023-09-21 | 永磁风力发电机绕组结构及其智能优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117195737B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004128130A (ja) * | 2002-10-01 | 2004-04-22 | Tdk Corp | コイル部品とその製造方法 |
CN106026538A (zh) * | 2016-05-26 | 2016-10-12 | 江苏中车电机有限公司 | 一种大型永磁直驱风力发电机定子线圈整形装置 |
US20210201155A1 (en) * | 2019-12-30 | 2021-07-01 | Dalian University Of Technology | Intelligent control method for dynamic neural network-based variable cycle engine |
CN113686237A (zh) * | 2021-09-08 | 2021-11-23 | 东南大学 | 一种基于线性霍尔的永磁电机偏心诊断方法及其检测*** |
US20220043950A1 (en) * | 2020-05-27 | 2022-02-10 | Jiangsu University | Parametric equivalent magnetic network modeling method for multi objective optimization of permanent magnet motor |
CN114400838A (zh) * | 2021-12-30 | 2022-04-26 | 南京航空航天大学 | 一种轴向永磁电机直径比初始值设计方法 |
CN114498991A (zh) * | 2021-12-30 | 2022-05-13 | 西安中车永电捷力风能有限公司 | 一种双馈风力发电机的定子绕组联接结构 |
CN114696174A (zh) * | 2020-12-31 | 2022-07-01 | 北京金风科创风电设备有限公司 | 滑环装置、偏航***及风力发电机组 |
CN217486258U (zh) * | 2022-05-23 | 2022-09-23 | 珠海格力电器股份有限公司 | 一种定子结构、电机、压缩机及制冷设备 |
WO2023087581A1 (zh) * | 2021-11-17 | 2023-05-25 | 华中科技大学 | 一种电机齿部磁密比值和最优裂比的确定方法 |
-
2023
- 2023-09-21 CN CN202311222397.4A patent/CN117195737B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004128130A (ja) * | 2002-10-01 | 2004-04-22 | Tdk Corp | コイル部品とその製造方法 |
CN106026538A (zh) * | 2016-05-26 | 2016-10-12 | 江苏中车电机有限公司 | 一种大型永磁直驱风力发电机定子线圈整形装置 |
US20210201155A1 (en) * | 2019-12-30 | 2021-07-01 | Dalian University Of Technology | Intelligent control method for dynamic neural network-based variable cycle engine |
US20220043950A1 (en) * | 2020-05-27 | 2022-02-10 | Jiangsu University | Parametric equivalent magnetic network modeling method for multi objective optimization of permanent magnet motor |
CN114696174A (zh) * | 2020-12-31 | 2022-07-01 | 北京金风科创风电设备有限公司 | 滑环装置、偏航***及风力发电机组 |
CN113686237A (zh) * | 2021-09-08 | 2021-11-23 | 东南大学 | 一种基于线性霍尔的永磁电机偏心诊断方法及其检测*** |
WO2023087581A1 (zh) * | 2021-11-17 | 2023-05-25 | 华中科技大学 | 一种电机齿部磁密比值和最优裂比的确定方法 |
CN114400838A (zh) * | 2021-12-30 | 2022-04-26 | 南京航空航天大学 | 一种轴向永磁电机直径比初始值设计方法 |
CN114498991A (zh) * | 2021-12-30 | 2022-05-13 | 西安中车永电捷力风能有限公司 | 一种双馈风力发电机的定子绕组联接结构 |
CN217486258U (zh) * | 2022-05-23 | 2022-09-23 | 珠海格力电器股份有限公司 | 一种定子结构、电机、压缩机及制冷设备 |
Non-Patent Citations (4)
Title |
---|
SEHO SON ET AL: "A novel physics-informed neural network for modeling electromagnetism of a permanent magnet synchronous motor", ADVANCED ENGINEERING INFORMATICS, 31 August 2023 (2023-08-31), pages 1 - 18 * |
王旭;: "汽轮发电机转子绕组稳定接地故障的检查", 今日科苑, no. 08, 23 April 2008 (2008-04-23), pages 48 * |
王玉彬 等: "功率分配用双定子永磁无刷电机 设计与电磁特性分析", 电工技术学报, 15 October 2010 (2010-10-15), pages 37 - 43 * |
许慧颖;许允之;戚慧;: "基于人工神经网络的永磁同步电动机供电不平衡及缺相故障诊断", 煤矿机电, no. 06, 12 December 2015 (2015-12-12) * |
Also Published As
Publication number | Publication date |
---|---|
CN117195737B (zh) | 2024-03-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Lipu et al. | Optimal BP neural network algorithm for state of charge estimation of lithium-ion battery using PSO with PCA feature selection | |
US20210133376A1 (en) | Systems and methods of parameter calibration for dynamic models of electric power systems | |
CN114391150A (zh) | 基于逆向和前向建模机器学习的生成式设计 | |
Tabak | Maiden application of fractional order PID plus second order derivative controller in automatic voltage regulator | |
CN113409166A (zh) | 基于XGBoost模型的用户异常用电行为检测方法及装置 | |
Fan et al. | Surrogate-based promising area search for Lipschitz continuous simulation optimization | |
Burke et al. | A Memetic Algorithm for the Maintenance Scheduling Problem. | |
Berenguel et al. | Modelling the free response of a solar plant for predictive control | |
CN117455208B (zh) | 基于人工智能的注塑品生产调度优化方法及*** | |
CN117195737B (zh) | 永磁风力发电机绕组结构及其智能优化方法 | |
Zhang et al. | An efficient multi-objective bayesian optimization approach for the automated analytical design of switched reluctance machines | |
US20210397973A1 (en) | Storage medium, optimum solution acquisition method, and optimum solution acquisition apparatus | |
Decke et al. | DADO–low-cost query strategies for deep active design optimization | |
CN117932409A (zh) | 基于tcn和生成对抗网络的电力负荷异常检测方法及*** | |
KR20220027155A (ko) | 격자 점들 열거를 위한 디바이스들 및 방법들 | |
CN115935261A (zh) | 基于工业互联网的群体设备非绝对正向反馈方法 | |
Wang et al. | Artificial neural networks for data analysis of magnetic measurements on east | |
Ho et al. | An ant colony algorithm for both robust and global optimizations of inverse problems | |
Yin et al. | Probabilistic sequential multi-objective optimization of convolutional neural networks | |
CN115032544A (zh) | 数据不完备场景下的动力锂电池剩余寿命预测方法 | |
Di Barba et al. | Neural metamodelling of fields: Towards a new deal in computational electromagnetics | |
Salimi et al. | Fuzzy genetic algorithm approach for verification of reachability and detection of deadlock in graph transformation systems | |
US20240030733A1 (en) | Method and apparatus with battery cell charging based on degradation parameter of electrochemical model | |
Ono et al. | Operation Planning Method Using Convolutional Neural Network for Combined Heat and Power System | |
Jawad et al. | Prediction of Frequency Response of Power Grid: An Ensemble Learning Based Approach |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |