本发明属于电机参数优化设计领域，更具体地，涉及一种基于几何相似性迁移学习的电机优化方法、系统及介质。
背景技术：
1、电机作为能源转换的关键装备之一，在大多数电能的生成和消耗过程中发挥着重要作用。提升电机性能已成为现代工业不可或缺的发展方向。长期以来，电机设计优化多基于有限元软件实现对于电机性能的数值分析，但电机优化需要成千上万次的调用相关模型，基于有限元的优化无疑造成了巨量计算资源的消耗，难以满足当下对于电机准确快速设计的需求。随着对于电机电磁解析计算模型的不断深入研究，磁路网络模型、保角变换模型、精确子域模型等电机解析模型被提出用于替代有限元模型进行优化，然而在处理非规则边界模型以及铁磁材料饱和非线性问题时，上述解析方法都存在一定局限性。
2、随着机器学习技术的不断发展，基于数据驱动的代理辅助优化方法被引入到电机优化方法中，因其效率高、鲁棒性强，适用性广等优点，成为了电机优化研究和应用的热点。cn117639609a公开了一种永磁电机的代理辅助优化设计方法及系统，基于机器学习方法，利用有限元模型生成的优化参数组合作为输入，以对应的优化目标值作为输出，进行模型训练，生成代理模型完成电机优化参数的选择。cn114329809a公开了一种电励磁双凸极磁阻电机的优化建模方法和系统，利用综合敏感度指标对电机本体的结构参数进行缩减，极大地缩减了参数建模样本空间，有效缩小样本所需数据，提高了代理辅助模型建模的速度。cn117639609a公开了一种基于解析-代理辅助双驱动策略的电机优化方法及系统，该方法利用解析粗模型优化变量全局空间有可能存在帕累托解的区域，进而利用有限元样本建立局部高精度代理辅助完成优化设计。然而，上述方法所最终建立代理辅助模型都是基于计算成本高昂有限元样本，导致了优化效率的降低；并且对于低灵敏度参数选择固定值不对其进行优化，对于电机潜在性能仍然有一定程度的浪费。因此，需要提出一种能够有效减少有限元样本使用，并且可以应对电机多参数强非线性的高维优化问题的代理辅助优化设计方法及系统。
技术实现思路
1、针对现有技术的缺陷和改进需求，本发明提供了一种基于几何相似性迁移学习的电机优化方法、系统及介质，其目的在于在保证优化结果精度的前提下，减少优化过程中有限元样本的使用量，从而降低计算成本，提高优化效率。
2、为实现上述目的，按照本发明的一个方面，提供了一种基于几何相似性迁移学习的电机优化方法，包括：s1，以虚拟电机与待优化原型电机之间具备几何相似性为目标，构建虚拟电机，为所述虚拟电机建立虚拟电机解析模型；s2，利用所述虚拟电机解析模型生成若干虚拟电机解析样本，根据所述虚拟电机解析样本进行参数灵敏度分析，以将待优化变量划分为高灵敏度参数和低灵敏度参数；s3，利用第一代理辅助模型对高灵敏度参数进行优化，所述第一代理辅助模型基于电机有限元样本训练得到；s4，利用迁移学习代理辅助模型对低灵敏度参数进行优化，所述迁移学习代理辅助模型基于所述虚拟电机解析样本和原型电机有限元样本训练得到；s5，利用有限元法判断优化后的高灵敏度参数和低灵敏度参数所对应电机的性能参数的精度是否达到设定值；s6，若未达到，重复执行所述s1-s5，直至优化后电机的性能参数的精度达到设定值。
3、更进一步地，所述s1中的几何相似性包括以下三种相似性中的一个或多个：平行齿和平行槽的相似性、表贴式转子和内置一式转子的相似性、内置v型转子和内置u型转子的相似性。
4、更进一步地，所述s1中建立的虚拟电机解析模型满足以下条件：所述虚拟电机解析模型对待优化变量的计算结果相对于虚拟电机有限元模型对待优化变量的计算结果的误差不高于误差阈值；所述虚拟电机解析模型下以及待优化原型电机下，响应结果随待优化变量的变化规律保持一致。
5、更进一步地，所述虚拟电机解析模型为等效磁路模型、保角变换模型、精确子域模型或谐波解析模型。
6、更进一步地，所述s2具体包括：利用所述虚拟电机解析模型生成若干虚拟电机解析样本，所述虚拟电机解析样本包括为所述待优化变量设计的优化解及相应的电机性能参数；对于各所述优化解，根据相应的电机性能参数计算其对应的皮尔逊相关系数；将高于相似度阈值的皮尔逊相关系数对应的待优化变量划分为高灵敏度参数，将其余待优化变量划分为低灵敏度参数。
7、更进一步地，所述第一代理辅助模型为：响应面模型、径向基函数模型、克里金模型、支持向量回归模型、人工神经网络模型或随机森林模型；所述迁移学习代理辅助模型为迁移学习支持向量回归模型、迁移学习径向基函数模型或迁移学习人工神经网络模型。
8、更进一步地，所述s3和所述s4中的优化具体包括：利用多目标优化算法对待优化参数进行优化，得到若干个非支配解，所述待优化参数为所述高灵敏度参数和所述低灵敏度参数中的任一种；利用模糊最优最劣方法、约束法、线性规划法、加法加权法或线性加法，从若干个非支配解确定所述待优化参数最终的优化解。
9、更进一步地，训练所述迁移学习代理辅助模型时的优化目标为：
10、
11、满足：
12、
13、
14、
15、
16、
17、
18、
19、其中，为系数矩阵，为偏置矩阵，和用于表征所述迁移学习代理辅助模型对应的回归超平面；和为两个超参数；为上误差带松弛变量，为下误差带松弛变量，为模型误差带的容许误差，为源域系数矩阵，为目标域系数矩阵，为源域数据集和目标域数据集的总大小，为源域数据集大小，为第i个上误差带松弛变量，为第i个下误差带松弛变量，为权重因子，为目标域偏执矩阵，为源域偏执矩阵，为的转置，、分别为第i个源域数据的输入、输出，为核函数，为的转置。
20、按照本发明的另一个方面，提供了一种基于几何相似性迁移学习的电机优化系统，包括：处理器；存储器，其存储有计算机可执行程序，所述程序在被所述处理器执行时，使得所述处理器执行如上所述的基于几何相似性迁移学习的电机优化方法。
21、按照本发明的另一个方面，提供了一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现如上所述的基于几何相似性迁移学习的电机优化方法。
22、总体而言，通过本发明所构思的以上技术方案，能够取得以下有益效果：
23、提供了一种基于几何相似性迁移学习的电机优化方法，通过挖掘电机物理模型之间的几何相似性，构建易于解析化且对优化目标有相似响应趋势的虚拟电机，通过精度相对不高但计算迅速的虚拟电机解析模型开展参数灵敏度分析；
24、进一步地，根据参数灵敏度的高低将待优化参数分层，高灵敏度空间通过完全依赖高精确度的有限元样本建立代理模型并结合多目标优化算法进行参数确定；低灵敏度参数空间则通过大量低精确度的虚拟电机产生的解析数据结合少量高精确度的有限元数据，利用迁移学习技术建立代理辅助模型，并结合多目标优化算法完成最终优化参数的确定；在最终优化结果相近的条件下，该方法能够较大程度减少优化过程中的有限元样本的使用量，从而降低计算成本，提高优化效率；
25、实现了对于代理模型训练集的样本的多源化，使得训练样本集中样本不仅来源于有限元模型，更多则来源于相似电机的解析模型，达成了对于代理模型样本空间计算效率更高的效果。
1.一种基于几何相似性迁移学习的电机优化方法，其特征在于，包括：
2.如权利要求1所述的基于几何相似性迁移学习的电机优化方法，其特征在于，所述s1中的几何相似性包括以下三种相似性中的一个或多个：平行齿和平行槽的相似性、表贴式转子和内置一式转子的相似性、内置v型转子和内置u型转子的相似性。
3.如权利要求1所述的基于几何相似性迁移学习的电机优化方法，其特征在于，所述s1中建立的虚拟电机解析模型满足以下条件：
4.如权利要求1-3任一项所述的基于几何相似性迁移学习的电机优化方法，其特征在于，所述虚拟电机解析模型为等效磁路模型、保角变换模型、精确子域模型或谐波解析模型。
5.如权利要求1所述的基于几何相似性迁移学习的电机优化方法，其特征在于，所述s2具体包括：
6.如权利要求1所述的基于几何相似性迁移学习的电机优化方法，其特征在于，所述第一代理辅助模型为：响应面模型、径向基函数模型、克里金模型、支持向量回归模型、人工神经网络模型或随机森林模型；
7.如权利要求1所述的基于几何相似性迁移学习的电机优化方法，其特征在于，所述s3和所述s4中的优化具体包括：
8.如权利要求1所述的基于几何相似性迁移学习的电机优化方法，其特征在于，训练所述迁移学习代理辅助模型时的优化目标为：
9.一种基于几何相似性迁移学习的电机优化系统，其特征在于，包括：
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现如权利要求1-8中任一项所述的基于几何相似性迁移学习的电机优化方法。
