结合定子双绕组感应发电机(DWIG)在风力发电场合的运行特点,建立了风力DWIG的优化设计模型,提出了相应的优化目标、优化变量及约束条件。针对粒子群优化算法早熟收敛的问题,提出了一种具有向成功和失败双重学习能力的遗传-粒子群综合算...结合定子双绕组感应发电机(DWIG)在风力发电场合的运行特点,建立了风力DWIG的优化设计模型,提出了相应的优化目标、优化变量及约束条件。针对粒子群优化算法早熟收敛的问题,提出了一种具有向成功和失败双重学习能力的遗传-粒子群综合算法(GPSMA)。在此基础上,分别以转速范围内的控制绕组电流及额定效率为优化目标,利用GPSMA对一台18.5 k W的DWIG进行了优化设计,并对2套优化方案进行了分析。结果表明,优化之后的样机的控制绕组电流最大值下降了62.7%或额定效率提高了0.94%,说明GPSMA有助于DWIG优化设计。展开更多
文摘结合定子双绕组感应发电机(DWIG)在风力发电场合的运行特点,建立了风力DWIG的优化设计模型,提出了相应的优化目标、优化变量及约束条件。针对粒子群优化算法早熟收敛的问题,提出了一种具有向成功和失败双重学习能力的遗传-粒子群综合算法(GPSMA)。在此基础上,分别以转速范围内的控制绕组电流及额定效率为优化目标,利用GPSMA对一台18.5 k W的DWIG进行了优化设计,并对2套优化方案进行了分析。结果表明,优化之后的样机的控制绕组电流最大值下降了62.7%或额定效率提高了0.94%,说明GPSMA有助于DWIG优化设计。