최근, 전기자동차의 보급과 신재생 에너지 사용의 확대로 이들의 전력 변환 장치인 절연형 DC-DC 컨버터의 수요가 확대되고 있다. 따라 서, 절연형 DC-DC 컨버터의 핵심 부품인 고주파 ...
최근, 전기자동차의 보급과 신재생 에너지 사용의 확대로 이들의 전력 변환 장치인 절연형 DC-DC 컨버터의 수요가 확대되고 있다. 따라 서, 절연형 DC-DC 컨버터의 핵심 부품인 고주파 변압기의 중요성 역시 그에 따라 증가하고 있다. 이러한 추세는 철도 시스템 분야에서도 진행 되고 있다. 철도차량 추진시스템의 성능 및 효율을 개선하기 위한 반도체변압기 (SST) 기술이 활발하게 연구되고 있으며, 고주파 변압기는 SST의 핵심이다. 그러나 철도차량용 고주파변압기 설계는 손실-부피에 대한 2변수 최적화 뿐만 아니라 단열, 방열 등 고려해야하는 설계 요소 가 더 복잡한 문제를 갖고 있다. 본 연구에서는 고주파변압기 다변수 최적화를 위해 머신러닝과 NSGA-II를 사용한 최적 설계 방법에 대해 제안한다. 기존의 이론적인 수식 모델들은 변압기의 형상이 복잡해짐에 따라 파라미터 계산 오차가 존재하는 문제가 존재한다. 특히 고주파 변압기의 누설 인덕턴스는 복 잡한 형상에서 수식으로 그 값을 계산하기 어렵기 때문에 해당 특성을 설계에 반영하기 어려운 문제가 존재한다. 따라서 본 연구에서는 해당 수식 모델의 한계를 극복하기 위해, 10만개 이상의 변압기 형상에 대해 유한요소해석 결과를 구하고, 이 결과들을 이용해 변압기 파라메터 추 정을 위한 기계학습기반 회귀 모델을 구축하였다. 유한요소해석 결과 기반의 기계학습 회귀 모델이기 때문에, 파라메터 추론에 있어 오차를 최소화할 수 있도록 했다. 또한 여러 설계 목표를 동시에 만족시킬 수 있는 최적화를 수행하기 위해 다변수 최적화 설계에 널리 이용되는 NSGA-II 알고리즘을 이용해 최적 변압기 설계를 찾아 낼 수 있도록 했다. 기계학습의 회귀모델로 추론한 각 파라메터는 높은 상관관계와 충 분히 낮은 추론 오차율을 보여줬으며, 이를 NSGA-II 알고리즘에 삽입해 파라메터 계산에 사용하였다. 추론된 파라메터는 제약조건 만족여부 확 인이나 손실 계산 등 최적화 연산에 사용되었다. NSGA-II 최종 수행 결과 모든 설계조건을 만족하는 부피-손실에 대한 파레토 곡선을 얻었으며, 설계자가 이를 취사선택하여 사용할 수 있다. 해당 설계 절차는 복잡한 형상에 대해 고려가 가능하여 고성능의 고주파 변압기를 설계할 수 있다. 또한 수많은 고려 요소를 NSGA-II 알 고리즘에서 제약조건 설정을 통해 손쉽게 고려할 수 있기 때문에 설계 의 복잡도가 감소한다. 마지막으로 설계자의 숙련도 및 직관이 큰 영향 １５９ 을 끼치는 기존 설계와 다르게 한번 환경이 셋업 되면 목표 파라메터 입력 및 코드 실행만으로 설계가 진행되기 때문에 설계시간 단축이 가 능하며, 설계자의 숙련도에 관계없이 일정한 고성능의 고주파변압기 설계가 가능하다.
최근, 전기자동차의 보급과 신재생 에너지 사용의 확대로 이들의 전력 변환 장치인 절연형 DC-DC 컨버터의 수요가 확대되고 있다. 따라 서, 절연형 DC-DC 컨버터의 핵심 부품인 고주파 변압기의 중요성 역시 그에 따라 증가하고 있다. 이러한 추세는 철도 시스템 분야에서도 진행 되고 있다. 철도차량 추진시스템의 성능 및 효율을 개선하기 위한 반도체변압기 (SST) 기술이 활발하게 연구되고 있으며, 고주파 변압기는 SST의 핵심이다. 그러나 철도차량용 고주파변압기 설계는 손실-부피에 대한 2변수 최적화 뿐만 아니라 단열, 방열 등 고려해야하는 설계 요소 가 더 복잡한 문제를 갖고 있다. 본 연구에서는 고주파변압기 다변수 최적화를 위해 머신러닝과 NSGA-II를 사용한 최적 설계 방법에 대해 제안한다. 기존의 이론적인 수식 모델들은 변압기의 형상이 복잡해짐에 따라 파라미터 계산 오차가 존재하는 문제가 존재한다. 특히 고주파 변압기의 누설 인덕턴스는 복 잡한 형상에서 수식으로 그 값을 계산하기 어렵기 때문에 해당 특성을 설계에 반영하기 어려운 문제가 존재한다. 따라서 본 연구에서는 해당 수식 모델의 한계를 극복하기 위해, 10만개 이상의 변압기 형상에 대해 유한요소해석 결과를 구하고, 이 결과들을 이용해 변압기 파라메터 추 정을 위한 기계학습기반 회귀 모델을 구축하였다. 유한요소해석 결과 기반의 기계학습 회귀 모델이기 때문에, 파라메터 추론에 있어 오차를 최소화할 수 있도록 했다. 또한 여러 설계 목표를 동시에 만족시킬 수 있는 최적화를 수행하기 위해 다변수 최적화 설계에 널리 이용되는 NSGA-II 알고리즘을 이용해 최적 변압기 설계를 찾아 낼 수 있도록 했다. 기계학습의 회귀모델로 추론한 각 파라메터는 높은 상관관계와 충 분히 낮은 추론 오차율을 보여줬으며, 이를 NSGA-II 알고리즘에 삽입해 파라메터 계산에 사용하였다. 추론된 파라메터는 제약조건 만족여부 확 인이나 손실 계산 등 최적화 연산에 사용되었다. NSGA-II 최종 수행 결과 모든 설계조건을 만족하는 부피-손실에 대한 파레토 곡선을 얻었으며, 설계자가 이를 취사선택하여 사용할 수 있다. 해당 설계 절차는 복잡한 형상에 대해 고려가 가능하여 고성능의 고주파 변압기를 설계할 수 있다. 또한 수많은 고려 요소를 NSGA-II 알 고리즘에서 제약조건 설정을 통해 손쉽게 고려할 수 있기 때문에 설계 의 복잡도가 감소한다. 마지막으로 설계자의 숙련도 및 직관이 큰 영향 １５９ 을 끼치는 기존 설계와 다르게 한번 환경이 셋업 되면 목표 파라메터 입력 및 코드 실행만으로 설계가 진행되기 때문에 설계시간 단축이 가 능하며, 설계자의 숙련도에 관계없이 일정한 고성능의 고주파변압기 설계가 가능하다.
The demand for isolated DC-DC converters is increasing due to the spread of electric vehicles (EV) and the expansion of renewable energy use. Accordingly, the need for a high-frequency transformer, a key component of an isolated DC-DC converter, is also increasing. This trend is also taking place in...
The demand for isolated DC-DC converters is increasing due to the spread of electric vehicles (EV) and the expansion of renewable energy use. Accordingly, the need for a high-frequency transformer, a key component of an isolated DC-DC converter, is also increasing. This trend is also taking place in the field of railway locomotive systems. Solid state transformer (SST) technology to improve the performance and efficiency of railway locomotive propulsion systems is being actively researched, and high-frequency transformer is the core of SST. Highfrequency transformer design for railway locomotive systems has more complex design elements that must be considered for volume-loss optimization and insulation and thermal design. This thesis investigates an optimization design methodology using machine learning and NSGA-II for optimized high-frequency transformer design. For machine learning, Finite-element analysis (FEA) simulation was used to obtain high-frequency transformer parameter data. Conventional high-frequency transformer optimization design methods used analytical models for parameter calculation. However, this analytical model has a significant error when the shape of the high-frequency transformer becomes complicated. In particular, the leakage inductance of the high-frequency transformer is difficult to calculate with an analytical model. So, it is difficult and cumbersome to apply it in the design. This thesis obtained magnetizing inductance, leakage inductance, and copper loss of shell-type transformer models in various shapes using FEA simulation. Then, using the data obtained from the FEA simulation, a machine learning regression model was created to minimize the parameter calculation error in complex shapes. In addition, the NSGA-II algorithm, which is widely used in multi-variable optimization design, is used to find the optimal transformer shape to perform optimization that can satisfy multiple design elements at the same time. Each parameter inferred by the machine learning regression model showed a high correlation and sufficiently low inference error rate, used for parameter calculation in the NSGA-II algorithm. The inferred parameters are used to calculate transformer loss for optimization design or check whether constraints are satisfied. Through the optimization design using NSGA-II, a Pareto front curve for volume and loss that satisfies all design conditions was obtained. The designer can select and use the designs according to the situation. The methodology can be designed for more complex shapes to achieve higherperformance high-frequency transformer design. In addition, the complexity of the design is reduced because numerous consideration factors can be easily considered through constraint setting in the NSGA-II. Finally, unlike the conventional design methodology, which has a significant influence on the skill and intuition of the designer, once the environment is set up, the design proceeds only by inputting target parameters and executing the code so that the design time can be reduced. Therefore, it is possible to design a high-frequency transformer with constantly high performance regardless of the designer's skill level.
The demand for isolated DC-DC converters is increasing due to the spread of electric vehicles (EV) and the expansion of renewable energy use. Accordingly, the need for a high-frequency transformer, a key component of an isolated DC-DC converter, is also increasing. This trend is also taking place in the field of railway locomotive systems. Solid state transformer (SST) technology to improve the performance and efficiency of railway locomotive propulsion systems is being actively researched, and high-frequency transformer is the core of SST. Highfrequency transformer design for railway locomotive systems has more complex design elements that must be considered for volume-loss optimization and insulation and thermal design. This thesis investigates an optimization design methodology using machine learning and NSGA-II for optimized high-frequency transformer design. For machine learning, Finite-element analysis (FEA) simulation was used to obtain high-frequency transformer parameter data. Conventional high-frequency transformer optimization design methods used analytical models for parameter calculation. However, this analytical model has a significant error when the shape of the high-frequency transformer becomes complicated. In particular, the leakage inductance of the high-frequency transformer is difficult to calculate with an analytical model. So, it is difficult and cumbersome to apply it in the design. This thesis obtained magnetizing inductance, leakage inductance, and copper loss of shell-type transformer models in various shapes using FEA simulation. Then, using the data obtained from the FEA simulation, a machine learning regression model was created to minimize the parameter calculation error in complex shapes. In addition, the NSGA-II algorithm, which is widely used in multi-variable optimization design, is used to find the optimal transformer shape to perform optimization that can satisfy multiple design elements at the same time. Each parameter inferred by the machine learning regression model showed a high correlation and sufficiently low inference error rate, used for parameter calculation in the NSGA-II algorithm. The inferred parameters are used to calculate transformer loss for optimization design or check whether constraints are satisfied. Through the optimization design using NSGA-II, a Pareto front curve for volume and loss that satisfies all design conditions was obtained. The designer can select and use the designs according to the situation. The methodology can be designed for more complex shapes to achieve higherperformance high-frequency transformer design. In addition, the complexity of the design is reduced because numerous consideration factors can be easily considered through constraint setting in the NSGA-II. Finally, unlike the conventional design methodology, which has a significant influence on the skill and intuition of the designer, once the environment is set up, the design proceeds only by inputting target parameters and executing the code so that the design time can be reduced. Therefore, it is possible to design a high-frequency transformer with constantly high performance regardless of the designer's skill level.
주제어
#High-frequency Transformer Optimization Machine learning Regression model Finite Element Analysis
학위논문 정보
저자
노은총
학위수여기관
서울시립대학교 일반대학원
학위구분
국내석사
학과
전자전기컴퓨터공학과 전력전자
지도교수
이승환
발행연도
2022
총페이지
xii, 161 p.
키워드
High-frequency Transformer Optimization Machine learning Regression model Finite Element Analysis
AI-Helper
※ AI-Helper는 부적절한 답변을 할 수 있습니다.