Применение генетического алгоритма быстрой недоминируемой сортировки для оптимизации параметров синхронного ветрогенератора мощностью 800 кВт
Ключевые слова:
многокритериальная оптимизация, постоянные магниты, синхронный ветрогенератор, поперечный поток, Парето-аппроксимация
Аннотация
Для Арктической зоны России базовым ветрогенератором может быть синхронная электрическая машина с возбуждением от постоянных магнитов мощностью 800 кВт, напряжением 690 В и частотой вращения 150 мин–1. В качестве перспективной предлагается конструкция магнитоэлектрического синхронного генератора с поперечным потоком c односторонним расположением элементов статора. Новое техническое решение позволяет уменьшить осевой габаритный размер практически вдвое и добиться экономии активных материалов. В статье представлена полученная на основе численных исследований расчетная база данных для многокритериальной оптимизации параметров синхронного ветрогенератора, спроектированного на диаметре 950 мм с активной длиной 85 мм и воздушным зазором 2 мм. Целевыми функциями приняты полные потери энергии, масса активных материалов, масса меди и стоимость активных материалов, определяемые высотой магнита и шириной обмотки. Для многокритериальной оптимизации параметров синхронного генератора использован генетический алгоритм быстрой недоминируемой сортировки (NSGA-II). Для каждой пары целевых функций показаны результаты сортировки без доминирования, применения оператора сохранения элиты, расчета расстояния скопления и применения оператора отбора. При выборе высоты магнита 77,5 мм и ширины обмотки 33 мм получены оптимальные параметры: КПД 94,32 %, масса меди 186 кг, масса активных материалов 360 кг, их стоимость 888 тыс. руб.
Литература
1. Renewable Generators Medium Speed Permanent Magnet Generator (MS PMG) [Электрон. ресурс], URL: https://abbengines.nt-rt.ru/images/manuals/gen7.pdf (дата обращения 16.06.2025).
2. Antipov V.N., Grozov A.D., Ivanova A.V. Various Poles Numbers 800 kW Synchronous Wind Generators for Arctic Regions. – Intern. Ural Conf. on Electrical Power Engineering (UralCon), 2023, pp. 55–59, DOI: 10. 1109/UralCon59258.2023.10291130.
3. Антипов В.Н., Грозов А.Д., Иванова А.В. Исследование параметров синхронного ветрогенератора с поперечным потоком для арктического региона. – Электричество, 2024, № 3, с. 59–67.
4. Антипов В.Н., Грозов А.Д., Иванова А.В. Оптимизация параметров крупного синхронного ветрогенератора с поперечным потоком. – Вестник Казанского государственного энергетического университета, 2024, № 2, с. 84–93.
5. Карпенко А.П., Семенихин А.С., Митина Е.В. Популяционные методы аппроксимации множества Парето в задаче многокритериальной оптимизации. Обзор. – Наука и образование: научное издание МГТУ им. Н.Э. Баумана, 2012, № 4, с. 1–36.
6. Грошев С.В. и др. Программная система PARETO RATING для оценки качества Парето-аппроксимации в задаче многокритериальной оптимизации. – Наука и образование: научное издание МГТУ им. Н.Э. Баумана, 2014, № 7, с. 193–214.
7. Konak A., Coit D.W., Smith A.E. Multi-Objective Optimization Using Genetic Algorithms: A Tutorial. – Reliability Engineering and System Safety, 2006, vol. 91, pp. 992–1007, DOI: 10.1016/j.ress.2005. 11.018.
8. Железняк В.Н., Коровкин Н.В. Повышение мощности короткого замыкания ударных генераторов для обеспечения эксплуатационных режимов. – Электричество, 2022, № 11, с. 46–55.
9. Zhang B., Wang A., Doppelbauer M. Multi-Objective Optimization of a Transverse Flux Machine with Claw Pole and Flux-Concentrating Structure. – IEEE Transactions on Magnetics, 2016, vol. 52 (8), DOI 10.1109/TMAG.2016.2554562.
10. Zitzler E., Laumanns M., Thiele L. SPEA2: Improving the Strength Pareto Evolutionary Algorithm. – TIK-Report, 2001, vol. 103, pp. 1–21. DOI: 10.3929/ETHZ-A-004284029.
11. Ah King R.T.F., Deb K., Rughooputh H.C.S. Comparison of NSGA-II and SPEA2 on the Multi-objective Environmental/Economic Dispatch Problem. – University of Mauritius Research Journal, 2010, vol. 16 (1), pp. 485–511. DOI: 10.4314/UMRJ.V16I1.
12. Bao G.Q., Shil J.H., Jiang J.Z. Efficiency Optimization of Transverse Flux Permanent Magnet Machine Using Genetic Algo-rithm. – 8th Int. Conf. on Electrical Machines and Systems, 2005, DOI:10.1109/ICEMS.2005.202551.
13. Huan W., Zhang Y., Li L. Survey on Multi-Objective Evolutionary Algorithms. – IOP Conf. Series, 2019, vol. 1288, DOI:10.1088/1742-6596/1288/1/012057.
14. Deb K. et al. A Fast and Elitist Multi-Objective Genetic Algorithm: NSGA-II. – IEEE Transactions on Evolutionary Computation, 2002, vol. 6 (2), pp. 182–197, DOI: 10.1109/4235.996017.
15. Saeidi S. A Multi-objective Mathematical Model for Job Scheduling on Parallel Machines Using NSGA-II. – Information Technology and Computer Science, 2016, vol. 8 (8), pp. 43–49, DOI: 10.5815/ijitcs.2016.08.05.
16. Jose S., Vijayalakshmi C. Optimization of Multi-Objective Problem Using Evolutionary Algorithms. – International Journal of Scientific & Technology Research, 2020, vol. 9 (4), pp. 1726–1728.
17. Jensen M.T. Reducing the Run-Time Complexity of Multiobjective EAs: The NSGA-II and Other Algorithms. – IEEE Transactions on Evolutionary Computation, 2003, vol. 7 (5), pp. 503–515, DOI: 10.1109/TEVC.2003.817234.
18. Ajamloo A.M., Ghaheri A., Nasiri-Zarandi R. Design and Optimization of a New TFPM Generator with Improved Torque Profile. – Int. Power System Conf., 2019, pp. 106–112, DOI: 10.1109/PSC49016.2019.9081559.
19. Babaei A.R.; Setayandeh M.R. A New Approach for Robust Design Optimization Based on the Concepts of Fuzzy Logic and Preference Function. – Journal of Aerospace Technology and Management, 2018, vol. 10, DOI: 10.5028/jatm.v10.934.
---
Работа выполнена в рамках Госзадания Филиала НИЦ «Курчатовский институт» – ПИЯФ – ИХС (регистрационный номер темы 1023032900322-9-1.4.3).
#
1. Renewable Generators Medium Speed Permanent Magnet Generator (MS PMG) [Electron. resource], URL: https://abbengines.nt-rt.ru/images/manuals/gen7.pdf (Access on 16.06.2025).
2. Antipov V.N., Grozov A.D., Ivanova A.V. Various Poles Numbers 800 kW Synchronous Wind Generators for Arctic Regions. – Intern. Ural Conf. on Electrical Power Engineering (UralCon), 2023, pp. 55–59, DOI: 10. 1109/UralCon59258.2023.10291130.
3. Antipov V.N., Grozov A.D., Ivanova A.V. Elektrichestvo – in Russ. (Electricity), 2024, No. 3, pp. 59–67.
4. Antipov V.N., Grozov A.D., Ivanova A.V. Vestnik Kazanskogo gosudarstvennogo energeticheskogo universiteta – in Russ. (Bulletin of Kazan State Power Engineering University), 2024, No. 2, pp. 84–93.
5. Karpenko A.P., Semenihin A.S., Mitina E.V. Nauka i obra-zovanie: nauchnoe izdanie MGTU im. N.E. Baumana – in Russ. (Science and Education: Scientific Publication of the Bauman Moscow State Technical University), 2012, No. 4, pp. 1–36.
6. Groshev S.V. et al. Nauka i obrazovanie: nauchnoe izdanie MGTU im. N.E. Baumana – in Russ. (Science and Education: Scientific Publication of the Bauman MSTU), 2014, No. 7, pp. 193–214.
7. Konak A., Coit D.W., Smith A.E. Multi-Objective Optimization Using Genetic Algorithms: A Tutorial. – Reliability Engineering and System Safety, 2006, vol. 91, pp. 992–1007, DOI: 10.1016/j.ress.2005.11.018.
8. Zheleznyak V.N., Korovkin N.V. Elektrichestvo – in Russ. (Electricity), 2022, No. 11, pp. 46–55.
9. Zhang B., Wang A., Doppelbauer M. Multi-Objective Optimization of a Transverse Flux Machine with Claw Pole and Flux-Concentrating Structure. – IEEE Transactions on Magnetics, 2016, vol. 52 (8), DOI 10.1109/TMAG.2016.2554562.
10. Zitzler E., Laumanns M., Thiele L. SPEA2: Improving the Strength Pareto Evolutionary Algorithm. – TIK-Report, 2001, vol. 103, pp. 1–21. DOI: 10.3929/ETHZ-A-004284029.
11. Ah King R.T.F., Deb K., Rughooputh H.C.S. Comparison of NSGA-II and SPEA2 on the Multi-objective Environmental/Economic Dispatch Problem. – University of Mauritius Research Journal, 2010, vol. 16 (1), pp. 485–511. DOI: 10.4314/UMRJ.V16I1.
12. Bao G.Q., Shil J.H., Jiang J.Z. Efficiency Optimization of Transverse Flux Permanent Magnet Machine Using Genetic Algorithm. – 8th Int. Conf. on Electrical Machines and Systems, 2005, DOI:10.1109/ICEMS.2005.202551.
13. Huan W., Zhang Y., Li L. Survey on Multi-Objective Evolutionary Algorithms. – IOP Conf. Series, 2019, vol. 1288, DOI:10.1088/ 1742-6596/1288/1/012057.
14. Deb K. et al. A Fast and Elitist Multi-Objective Genetic Algorithm: NSGA-II. – IEEE Transactions on Evolutionary Com-putation, 2002, vol. 6 (2), pp. 182–197, DOI: 10.1109/4235.996017.
15. Saeidi S. A Multi-objective Mathematical Model for Job Scheduling on Parallel Machines Using NSGA-II. – Information Technology and Computer Science, 2016, vol. 8 (8), pp. 43–49, DOI: 10.5815/ijitcs.2016.08.05.
16. Jose S., Vijayalakshmi C. Optimization of Multi-Objective Problem Using Evolutionary Algorithms. – International Journal of Scientific & Technology Research, 2020, vol. 9 (4), pp. 1726–1728.
17. Jensen M.T. Reducing the Run-Time Complexity of Multiobjective EAs: The NSGA-II and Other Algorithms. – IEEE Transactions on Evolutionary Computation, 2003, vol. 7 (5), pp. 503–515, DOI: 10.1109/TEVC.2003.817234.
18. Ajamloo A.M., Ghaheri A., Nasiri-Zarandi R. Design and Optimization of a New TFPM Generator with Improved Torque Profile. – Int. Power System Conf., 2019, pp. 106–112, DOI: 10.1109/PSC49016.2019.9081559.
19. Babaei A.R.; Setayandeh M.R. A New Approach for Robust Design Optimization Based on the Concepts of Fuzzy Logic and Preference Function. – Journal of Aerospace Technology and Management, 2018, vol. 10, DOI: 10.5028/jatm.v10.934
---
The work was carried out within the framework of the State Assignment of the St. Petersburg Institute of Nuclear Physics – Institute of Silicate Chemistry, a Branch of RRC Kurchatov Institute (topic registration number is 1023032900322-9-1.4.3)
2. Antipov V.N., Grozov A.D., Ivanova A.V. Various Poles Numbers 800 kW Synchronous Wind Generators for Arctic Regions. – Intern. Ural Conf. on Electrical Power Engineering (UralCon), 2023, pp. 55–59, DOI: 10. 1109/UralCon59258.2023.10291130.
3. Антипов В.Н., Грозов А.Д., Иванова А.В. Исследование параметров синхронного ветрогенератора с поперечным потоком для арктического региона. – Электричество, 2024, № 3, с. 59–67.
4. Антипов В.Н., Грозов А.Д., Иванова А.В. Оптимизация параметров крупного синхронного ветрогенератора с поперечным потоком. – Вестник Казанского государственного энергетического университета, 2024, № 2, с. 84–93.
5. Карпенко А.П., Семенихин А.С., Митина Е.В. Популяционные методы аппроксимации множества Парето в задаче многокритериальной оптимизации. Обзор. – Наука и образование: научное издание МГТУ им. Н.Э. Баумана, 2012, № 4, с. 1–36.
6. Грошев С.В. и др. Программная система PARETO RATING для оценки качества Парето-аппроксимации в задаче многокритериальной оптимизации. – Наука и образование: научное издание МГТУ им. Н.Э. Баумана, 2014, № 7, с. 193–214.
7. Konak A., Coit D.W., Smith A.E. Multi-Objective Optimization Using Genetic Algorithms: A Tutorial. – Reliability Engineering and System Safety, 2006, vol. 91, pp. 992–1007, DOI: 10.1016/j.ress.2005. 11.018.
8. Железняк В.Н., Коровкин Н.В. Повышение мощности короткого замыкания ударных генераторов для обеспечения эксплуатационных режимов. – Электричество, 2022, № 11, с. 46–55.
9. Zhang B., Wang A., Doppelbauer M. Multi-Objective Optimization of a Transverse Flux Machine with Claw Pole and Flux-Concentrating Structure. – IEEE Transactions on Magnetics, 2016, vol. 52 (8), DOI 10.1109/TMAG.2016.2554562.
10. Zitzler E., Laumanns M., Thiele L. SPEA2: Improving the Strength Pareto Evolutionary Algorithm. – TIK-Report, 2001, vol. 103, pp. 1–21. DOI: 10.3929/ETHZ-A-004284029.
11. Ah King R.T.F., Deb K., Rughooputh H.C.S. Comparison of NSGA-II and SPEA2 on the Multi-objective Environmental/Economic Dispatch Problem. – University of Mauritius Research Journal, 2010, vol. 16 (1), pp. 485–511. DOI: 10.4314/UMRJ.V16I1.
12. Bao G.Q., Shil J.H., Jiang J.Z. Efficiency Optimization of Transverse Flux Permanent Magnet Machine Using Genetic Algo-rithm. – 8th Int. Conf. on Electrical Machines and Systems, 2005, DOI:10.1109/ICEMS.2005.202551.
13. Huan W., Zhang Y., Li L. Survey on Multi-Objective Evolutionary Algorithms. – IOP Conf. Series, 2019, vol. 1288, DOI:10.1088/1742-6596/1288/1/012057.
14. Deb K. et al. A Fast and Elitist Multi-Objective Genetic Algorithm: NSGA-II. – IEEE Transactions on Evolutionary Computation, 2002, vol. 6 (2), pp. 182–197, DOI: 10.1109/4235.996017.
15. Saeidi S. A Multi-objective Mathematical Model for Job Scheduling on Parallel Machines Using NSGA-II. – Information Technology and Computer Science, 2016, vol. 8 (8), pp. 43–49, DOI: 10.5815/ijitcs.2016.08.05.
16. Jose S., Vijayalakshmi C. Optimization of Multi-Objective Problem Using Evolutionary Algorithms. – International Journal of Scientific & Technology Research, 2020, vol. 9 (4), pp. 1726–1728.
17. Jensen M.T. Reducing the Run-Time Complexity of Multiobjective EAs: The NSGA-II and Other Algorithms. – IEEE Transactions on Evolutionary Computation, 2003, vol. 7 (5), pp. 503–515, DOI: 10.1109/TEVC.2003.817234.
18. Ajamloo A.M., Ghaheri A., Nasiri-Zarandi R. Design and Optimization of a New TFPM Generator with Improved Torque Profile. – Int. Power System Conf., 2019, pp. 106–112, DOI: 10.1109/PSC49016.2019.9081559.
19. Babaei A.R.; Setayandeh M.R. A New Approach for Robust Design Optimization Based on the Concepts of Fuzzy Logic and Preference Function. – Journal of Aerospace Technology and Management, 2018, vol. 10, DOI: 10.5028/jatm.v10.934.
---
Работа выполнена в рамках Госзадания Филиала НИЦ «Курчатовский институт» – ПИЯФ – ИХС (регистрационный номер темы 1023032900322-9-1.4.3).
#
1. Renewable Generators Medium Speed Permanent Magnet Generator (MS PMG) [Electron. resource], URL: https://abbengines.nt-rt.ru/images/manuals/gen7.pdf (Access on 16.06.2025).
2. Antipov V.N., Grozov A.D., Ivanova A.V. Various Poles Numbers 800 kW Synchronous Wind Generators for Arctic Regions. – Intern. Ural Conf. on Electrical Power Engineering (UralCon), 2023, pp. 55–59, DOI: 10. 1109/UralCon59258.2023.10291130.
3. Antipov V.N., Grozov A.D., Ivanova A.V. Elektrichestvo – in Russ. (Electricity), 2024, No. 3, pp. 59–67.
4. Antipov V.N., Grozov A.D., Ivanova A.V. Vestnik Kazanskogo gosudarstvennogo energeticheskogo universiteta – in Russ. (Bulletin of Kazan State Power Engineering University), 2024, No. 2, pp. 84–93.
5. Karpenko A.P., Semenihin A.S., Mitina E.V. Nauka i obra-zovanie: nauchnoe izdanie MGTU im. N.E. Baumana – in Russ. (Science and Education: Scientific Publication of the Bauman Moscow State Technical University), 2012, No. 4, pp. 1–36.
6. Groshev S.V. et al. Nauka i obrazovanie: nauchnoe izdanie MGTU im. N.E. Baumana – in Russ. (Science and Education: Scientific Publication of the Bauman MSTU), 2014, No. 7, pp. 193–214.
7. Konak A., Coit D.W., Smith A.E. Multi-Objective Optimization Using Genetic Algorithms: A Tutorial. – Reliability Engineering and System Safety, 2006, vol. 91, pp. 992–1007, DOI: 10.1016/j.ress.2005.11.018.
8. Zheleznyak V.N., Korovkin N.V. Elektrichestvo – in Russ. (Electricity), 2022, No. 11, pp. 46–55.
9. Zhang B., Wang A., Doppelbauer M. Multi-Objective Optimization of a Transverse Flux Machine with Claw Pole and Flux-Concentrating Structure. – IEEE Transactions on Magnetics, 2016, vol. 52 (8), DOI 10.1109/TMAG.2016.2554562.
10. Zitzler E., Laumanns M., Thiele L. SPEA2: Improving the Strength Pareto Evolutionary Algorithm. – TIK-Report, 2001, vol. 103, pp. 1–21. DOI: 10.3929/ETHZ-A-004284029.
11. Ah King R.T.F., Deb K., Rughooputh H.C.S. Comparison of NSGA-II and SPEA2 on the Multi-objective Environmental/Economic Dispatch Problem. – University of Mauritius Research Journal, 2010, vol. 16 (1), pp. 485–511. DOI: 10.4314/UMRJ.V16I1.
12. Bao G.Q., Shil J.H., Jiang J.Z. Efficiency Optimization of Transverse Flux Permanent Magnet Machine Using Genetic Algorithm. – 8th Int. Conf. on Electrical Machines and Systems, 2005, DOI:10.1109/ICEMS.2005.202551.
13. Huan W., Zhang Y., Li L. Survey on Multi-Objective Evolutionary Algorithms. – IOP Conf. Series, 2019, vol. 1288, DOI:10.1088/ 1742-6596/1288/1/012057.
14. Deb K. et al. A Fast and Elitist Multi-Objective Genetic Algorithm: NSGA-II. – IEEE Transactions on Evolutionary Com-putation, 2002, vol. 6 (2), pp. 182–197, DOI: 10.1109/4235.996017.
15. Saeidi S. A Multi-objective Mathematical Model for Job Scheduling on Parallel Machines Using NSGA-II. – Information Technology and Computer Science, 2016, vol. 8 (8), pp. 43–49, DOI: 10.5815/ijitcs.2016.08.05.
16. Jose S., Vijayalakshmi C. Optimization of Multi-Objective Problem Using Evolutionary Algorithms. – International Journal of Scientific & Technology Research, 2020, vol. 9 (4), pp. 1726–1728.
17. Jensen M.T. Reducing the Run-Time Complexity of Multiobjective EAs: The NSGA-II and Other Algorithms. – IEEE Transactions on Evolutionary Computation, 2003, vol. 7 (5), pp. 503–515, DOI: 10.1109/TEVC.2003.817234.
18. Ajamloo A.M., Ghaheri A., Nasiri-Zarandi R. Design and Optimization of a New TFPM Generator with Improved Torque Profile. – Int. Power System Conf., 2019, pp. 106–112, DOI: 10.1109/PSC49016.2019.9081559.
19. Babaei A.R.; Setayandeh M.R. A New Approach for Robust Design Optimization Based on the Concepts of Fuzzy Logic and Preference Function. – Journal of Aerospace Technology and Management, 2018, vol. 10, DOI: 10.5028/jatm.v10.934
---
The work was carried out within the framework of the State Assignment of the St. Petersburg Institute of Nuclear Physics – Institute of Silicate Chemistry, a Branch of RRC Kurchatov Institute (topic registration number is 1023032900322-9-1.4.3)
