电气优化设计大作业
建筑电气工程优化方案设计
建筑电气工程优化方案设计一、综述建筑电气工程是一个涉及配电系统、照明系统、弱电系统等诸多方面的综合工程，它对建筑的功能性、舒适性和安全性起着至关重要的作用。
在建筑电气设计方面，如何合理规划布置系统、提高能源利用效率、降低运行成本，一直是设计师面临的挑战。
本文将针对建筑电气工程的优化方案进行设计和讨论。
二、能源利用1. 区分用电需求建筑电气系统主要包括照明、空调、电梯等多个子系统，不同的子系统对能源的需求也不同。
在优化设计中，首先需要对各个子系统的用电特点进行分析，区分用电需求，以便有针对性地进行设计和控制。
2. 采用节能设备在建筑电气设计中，选用节能设备是提高能源利用效率的重要途径。
例如，LED照明、变频空调、低功耗电梯等，都是目前常见的节能设备，它们能够有效降低建筑的能耗，减少能源浪费。
3. 优化系统配置在建筑电气系统的配置中，应该对各个子系统进行优化搭配，减少重复冗余的电气设备，避免过度配置造成的能源浪费。
同时，在不同的建筑功能区域，可以采用分区域控制，根据各区域的不同用电需求，对用电进行有针对性的控制，进一步提高能源利用效率。
三、系统建设1. 优化布线规划建筑电气系统的布线规划是优化设计的关键环节，在布线规划中应该考虑线路长度、导线截面、线路负载等因素，合理布置线路，减少功耗损耗和线路杂散效应，提高系统的稳定性和可靠性。
此外，还应该根据建筑功能区域的布局和用电需求，合理划分电缆线路，避免电路交叉干扰，提高线路的抗干扰能力。
2. 弱电系统集成弱电系统是建筑电气系统中的一个重要组成部分，包括通信、安防监控、消防联动、智能家居等多个子系统，对弱电系统进行集成设计，能够有效提高系统的整体性能和可用性。
在集成设计中，应该充分考虑各个子系统的功能需求，做好功能集成和接口对接，减少系统冗余，提高系统效率。
3. 安全防护措施在建筑电气系统建设中，安全防护是至关重要的一环。
应该在系统设计中充分考虑电气设备的安全可靠性，采用合适的电气设备、配置有效的保护装置，以确保系统的安全稳定运行。
大工14秋《工程电气》大作业题目及要求
大工14秋《工程电气》大作业题目及要
求
1. 题目要求
本次工程电气课程的大作业要求如下：
1. 选择一个真实的工程电气案例或问题作为研究对象。
2. 对所选案例或问题进行调研和分析，了解相关背景知识和相关方案。
3. 提出解决方案或设计，并进行详细的论述和说明。
4. 结合理论和实践，对方案或设计进行评价和优化。
5. 撰写一份完整的技术报告，包括清晰的目录和结构。
2. 文档要求
本次大作业的文档要求如下：
1. 文档总字数不少于800字。
2. 使用合适的各级标题和段落，使文档结构清晰和易读。
3. 文档中应包含相关的引用和参考文献，确保内容的可信度和可查证性。
4. 语言简练清晰，避免内容的冗余和重复。
3. 提示和建议
完成本次大作业时，请注意以下提示和建议：
1. 选择一个感兴趣且有实际意义的案例或问题，以提高自己的研究热情和动力。
2. 充分调研和分析所选案例或问题，深入理解其背景和相关知识。
3. 提出解决方案或设计时，要考虑实际可行性和可实现性。
4. 对方案或设计进行评价和优化时，充分利用课程研究的相关理论和工具。
5. 在撰写技术报告时，要注意信息的逻辑性和连贯性，确保表达清晰明了。
希望你能够通过本次大作业，巩固和运用你在工程电气课程中所学到的知识和技能。
祝你成功！。
优化设计大作业
优化设计大作业作业：1. 用薄钢板制造一体积5m 3，长度不小于4m ，无上盖的货箱，要求钢板耗量最小。
确定货箱的长x 1、宽x 2和高x 3。
试列出问题的数学模型。
解：由题意可列出问题数学模型 )22(m i n 323121x x x x x x z ++= s.t. 5321=x x x 41≥x 0,32>x x2.将下面的线性规划问题表示为标准型并用单纯形法求解max f=x 1+2x 2+x 3s ．t ．2x 1+x 2-x 3≤2 -2x 1+x 2-5x 3≥-6 4x 1+x 2+x 3≤6 x i ≥0 i=1，2，3 解：先化为标准形mi3212x x x f ---=s.t. 224321=+-+x x x x 6525321-=--+-x x x x 646321=+++x x x x 0≥i x 6,5,4,3,2,1=i 用单纯形法求解：从表中读出最优解：01=x ，42=x ，23=x ，0654===x x x 。
若把引进的松弛和剩余变量略去，则最优解为Tx )2,4,0(*=，最优值为10*=f3. 试用DFP 变尺度法求解下列无约束优化问题。
min f （X ）=4（x 1-5）2+（x 2-6）2取初始点X=（8，9）T ，梯度精度ε=0.01。
解：取0H I =时，DFP 法的第一步与最速下降法相同⎥⎦⎤⎢⎣⎡=2008G ，⎥⎦⎤⎢⎣⎡--=∆)6(2)5(8)(21x x x f ⎥⎦⎤⎢⎣⎡=98)0(X ⎥⎦⎤⎢⎣⎡=∆624)()0(x f ⎥⎦⎤⎢⎣⎡--=∆-=624)()0()0(x f d ，)0()0()0()1(d x x α+= )0(α可由[]22)0()0()0()63()243(4min )(min ααα-+-=+d x fααd d x df )()0()0(+=[]2)63)(6(2)243)(24(8αα--⨯+--⨯=0解得：13077.0)0(=α ⎥⎦⎤⎢⎣⎡=21538.886452.4)1(x ⎥⎦⎤⎢⎣⎡--=∆43076.410784.1)()1(x f 做二次迭代：⎥⎦⎤⎢⎣⎡--=∆-∆=⎥⎦⎤⎢⎣⎡--=-=56924.1107884.25)((78462.013848.3)0()1(1)0()1(1x f x f x x γδ 1010110111101γγγγγδδδH H H H H rrr r -+= 031711.8011=γδ 86614.63211101==γγγγrr H⎥⎦⎤⎢⎣⎡=61563.046251.246251.285006.911r δδ ⎥⎦⎤⎢⎣⎡==4651.240023.3940023.3940363.630110110γγγγrr H H ⎥⎦⎤⎢⎣⎡-⎥⎦⎤⎢⎣⎡+⎥⎦⎤⎢⎣⎡=46251.240023.3940023.3940363.63086614.632161563.046251.246251.285006.903171.80110011H⎥⎦⎤⎢⎣⎡--=003801.103161.003161.012697.0 ⎥⎦⎤⎢⎣⎡-=∆-=48262.428072.0)()1(1)1(1x f H d )1(1)1()1()2(d x x α+= 由0)()1(11)1(=+ααd d x df 得 49420.01=α ⎥⎦⎤⎢⎣⎡=65)2(X由0)()2(=∆x f ，所以 )2(X 即为最优解 4. 某厂生产甲乙两种口味的饮料，条件如下：因条件所限，甲饮料产量不能超过8百箱。
电气设计优化方案
电气设计优化方案一、背景介绍电气设计在现代工程项目中扮演着至关重要的角色。
良好的电气设计可以提高系统效率，降低能源消耗，并确保设备的安全运行。
本文将探讨电气设计的优化方案，以提高电气系统的性能和可靠性。
二、系统分析在开始设计电气系统之前，我们首先需要对现有的系统进行详细的分析。
通过对系统的功能需求、运行环境和负载要求等方面进行全面了解，以便能够制定出最合适的设计方案。
1. 功能需求分析根据项目的具体需求，确定电气系统所需的功能，例如能源供应、照明、控制等方面。
2. 运行环境分析考虑系统的运行环境，包括温度、湿度、振动等因素。
根据环境条件选择合适的材料和设备，以确保系统在恶劣环境下的稳定性和可靠性。
3. 负载要求分析根据系统的负载需求，计算出电气系统的功率需求、电流要求等参数。
确保系统能够满足负载的需求，并预留一定的余量以应对未来的扩展需求。
三、设计优化方案在系统分析的基础上，我们可以制定出优化的电气设计方案。
下面将介绍几个常见的优化方案。
1. 选用高效设备和材料选择高效的电气设备和材料是提高系统效能的关键。
例如，选用低功率消耗的元器件、高效率的转换器等，可以减少能源损耗，提高系统效率。
2. 合理布局与隔离合理的设备布局和隔离设计有助于减少电磁干扰和故障风险。
通过将易受外界干扰的设备远离敏感设备，使用隔离设备等方法，可以提高系统的可靠性和稳定性。
3. 采用先进的控制技术先进的控制技术可以提高系统的精确性和响应速度。
例如，使用智能控制系统和自适应算法，可以实现对电气设备的精确控制，提高系统的性能和效率。
4. 引入可再生能源考虑引入可再生能源作为电气系统的供电来源，如太阳能、风能等。
这不仅可以减少对传统能源的依赖，降低能源消耗，还有助于减少对环境的影响。
5. 定期维护与更新定期进行设备的维护和更新是确保电气系统长期稳定运行的关键。
通过定期的检查和维护，可以及时发现并解决潜在的问题，保证系统的可靠性和安全性。
优化设计大作业
241HB-286HB，大齿轮42SiMn，调制处
理，硬度为217HB-255HB。要求锥齿轮 传动体积小。
【例2-6】
• 试设计一闭式直齿圆锥齿轮传动。已知：小锥齿 轮悬臂支承，大锥齿轮两端支承，轴交角∑=90°， 小锥齿轮传递扭矩T1=40N·m，转速n1=960r/rnin， 齿数比u=3，精度等级为7级，电动机驱动，工作 机载荷稳定，两班制工作，使用期限为8年。小锥 齿轮选用40Cr，调质处理，硬度为241～286HB， 大锥齿轮选用42SiMn，调质处理，硬度为217～ 255HB。要求所设计的圆锥齿轮传动体积小。
优化设计大作业【范本模板】
《优化设计》上机大作业班级：姓名：学号：日期：这个属于二次规划问题，由f (x )=12x ′Hx +f ′，则H =[2−2−24]，f =[−2−6]，x =[x 1x 2]。
1) 由MATLAB 中编程如下:H=[2 —2;—2 4]; f=［—2；-6］; A=［1 1；—1 2];b=［2；2］； ％A 、b 满足线性不等式A ∙x ≤b lb=[0；0］； %下边界［x ，favl]=quadprog （H,f,A,b,［]，［]，lb)2) MATLAB 计算结果的截图：截图1—13) 计算结果:解得:最优解为x 1=0.8000,x 2=1.2000;最优值min f (x )=−7.2000.1. 求解如下最优化问题 222121212262)(min x x x x x x x f +-+--=subje to 221≤+x x 22-21≤+x x 021≥x x ，2。
某农场拟修建一批半球壳顶的圆筒形谷仓，计划每座谷仓容积为300立方米，圆筒半径不得超过3米，高度不得超过10米。
半球壳顶的建筑造价为每平方米150元，圆筒仓壁的造价为每平方米120元，地坪造价为每平方米50元,求造价最小的谷仓尺寸为多少?1)求解过程，数学模型的分析与建立：2）MATLAB程序的编制:（1）新建fu2_1.m文件function f= fu2_1(x)f=350＊pi＊x(1)^2+240＊pi＊x（1）＊x(2)；（2)新建fu2_2.m文件function [c ceq］=fu2_2(x)c=［］；ceq=（2＊pi*x(1）^3）/3+pi*x（1）^2＊x（2)—300;（3)主程序 fu2_3。
m文件clc，clear，close all[x favl]=fmincon(@fu2_1，［3;3］,[］,［]，[],[],[0；0］,［3；10],＠fu2_2) 3)截图(1）新建fu2_1.m文件截图2—1（2)新建fu2_2.m文件截图2—2（3）主程序fu2_3.m文件截图2—34)MATLAB计算结果的截图：截图2-45)计算结果：解得：最优解为r=3.0000m,ℎ=8.6103m;最优值min f(x)=2.9372×104元(造价最小）.3、已知轴一端作用载荷F=1000N,扭矩T=100Nm，轴长不小于8cm，材料的许用弯曲应力为120MPa，许用扭剪应力为80MPa,许用挠度为0.01cm,密度为7。
电气工程中的电机控制系统的优化设计
电气工程中的电机控制系统的优化设计在当今的电气工程领域，电机控制系统的优化设计具有至关重要的意义。
电机作为将电能转化为机械能的关键设备，广泛应用于工业生产、交通运输、家用电器等众多领域。
而一个高效、稳定、精确的电机控制系统则是确保电机性能充分发挥的核心所在。
电机控制系统的基本组成部分包括电机本体、传感器、控制器和功率驱动器。
电机本体的类型和特性决定了整个系统的基础性能，常见的电机类型有直流电机、交流异步电机和交流同步电机等。
传感器负责采集电机运行中的各种参数，如转速、电流、电压等，为控制器提供反馈信息。
控制器则根据预设的控制策略和传感器反馈的数据，计算出控制信号，以调节电机的运行状态。
功率驱动器将控制器输出的弱电信号放大，驱动电机工作。
在优化电机控制系统的设计时，首先需要考虑的是控制策略的选择。
常见的控制策略包括开环控制、闭环控制和复合控制等。
开环控制结构简单，但控制精度较低，适用于对控制精度要求不高的场合。
闭环控制通过反馈环节能够实现较高的控制精度和稳定性，但系统相对复杂，成本也较高。
复合控制则结合了开环和闭环控制的优点，以满足不同的应用需求。
对于电机的调速控制，传统的方法如调压调速、串电阻调速等存在着效率低、调速范围窄等缺点。
而现代的变频调速技术则凭借其高效、宽调速范围和良好的动态性能，成为了主流的调速方式。
在变频调速系统中，通过改变电源的频率来调节电机的转速，同时还可以结合矢量控制、直接转矩控制等先进的控制算法，进一步提高调速性能。
在控制器的设计方面，数字控制器逐渐取代了模拟控制器。
数字控制器具有精度高、稳定性好、易于实现复杂控制算法等优点。
常见的数字控制器如单片机、DSP（数字信号处理器）和 FPGA（现场可编程门阵列）等，在选择时需要根据系统的性能要求、成本和开发难度等因素进行综合考虑。
同时，控制器的软件设计也是至关重要的，合理的程序架构和算法实现能够提高系统的运行效率和可靠性。
传感器的精度和响应速度直接影响着控制系统的性能。
优化设计大作业参考答案(优秀作品)
结构优化设计课程大作业学生姓名学号任课教师导师姓名南京航空航天大学2017年 6月目录第一部分基本知识作业1.题3.21 (3)2.题4.73 (4)3.题5.24 (6)4.题8.37 (8)5.题8.51 (10)6.题11.24 (12)第二部分遗传算法1.wood function函数 (14)2.Powell奇异函数 (17)3.Schaffer’s函数 (18)第三部分附件3.21 Solve the rectangular beam problem of exercise 2.17 graphically for the following data.Mpa Mpa KN V m KN M a a 3,8,150,*80====τδ解：将exercize 2.17中求梁横截面积最小值的问题用数学描述如下所示。
Minimize S=bdSubject to ;0,;075.0;06.02≥≤≤d b bd bd用Matlab 作图可得如下所示。
图1:题3.21示意图从图中可以清楚地看到，在可行域内，最小值的所在点为（0.8,0.09375），最小值为0.075.4.73 Minimize f(x,y)=(x-8)2+(y-8)2;Subject to 0,612≥≤≤+y x x y x解：设)()()6()12()8()8(),,,(24423322221122s y u s x u s x u s y x u y x v u y x L +-++-++-++-++-+-=（u 1,u 2,u 3,u 4是拉格朗日乘子，s 1,s 2,s 3,s 4是松弛变量） 由KKT 条件可得：;0,0,0,0)(;02)(;02)(;02)(;02;0;0;0;0;0;06;0;0120)8(20)8(2432144332211242423232222212141321≥≥≥≥====≥=+-≥=+-≥=+-≥=+-+=-+-=∂∂=-++-=∂∂u u u u d s u c s u b s u a s u s s y s s x s s x s s y x u u y yLu u u x x L从其中的（a），（b），（c），（d）四项转换条件以下16种情况依次求解各种情况，并进行比较可得，在case12这种情况可得最优点（6,6），最小值为8；如下图（2）所示。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
电气优化设计作业2、用黄金分割法求目标函数107)(2+-=x x x f 的极小点，初始搜索区间[a ，b]=[1，7]，迭代精度取0.2。
答：程序如下function xmin=golden(f,a,b,e)k=0; a1 =b-0.618*(b-a); a2 =a+0.618*(b-a);while b-a>ey1=subs(f,a1); y2=subs(f,a2);if y1>y2 a=a1; a1=a2; y1=y2; a2=a+0.618*(b-a);else b=a2; a2=a1; y2=y1; a1=b-0.618*(b-a);endk=k+1;endxmin=(a+b)/2; fmin=subs(f,xmin) fprintf('k=\n'); disp(k);将程序保存后在命令窗口输入以下指令并输入回车：syms x a b a3 e h; a=input('搜索区间的第一点\a='); b=input('搜索区间的第二点\b='); e=input('搜索精度\ne='); disp('需求的优化函数f=f(x)，调用xmin=golden(f,a,b,e)');按照提示将搜索区间、目标函数及迭代精度输入，键入指令xmin=golden(f,a,b,e)')，回车可得结果如下（k 为迭代次数）： fmin=-2.2497，k=8，xmin=3.48343、用牛顿法求10)1(2)1(4)(212221+++-++=x x x x X f 的最优解，设X （0）=[0, 0]T 。
答：程序如下：syms x1 x2;f=4*(x1+1)^2+2*(x2-1)^2+x1+x2+10; v=[x1,x2]; df=jacobian(f,v); df=df.'; G=jacobian(df,v);epson=1e-12;x0=[0,0]'; g1=subs(df,{x1,x2},{x0(1,1),x0(2,1)}); G1=subs(G,{x1,x2},{x0(1,1),x0(2,1)}); k=0;mul_count=0;sum_count=0; mul_count=mul_count+12; sum_count=sum_count+6; while(norm(g1)>epson)p=-G1\g1; x0=x0+p; g1=subs(df,{x1,x2},{x0(1,1),x0(2,1)});G1=subs(G ,{x1,x2},{x0(1,1),x0(2,1)}); k=k+1;mul_count=mul_count+16;sum_count=sum_count+11;end;x0结果为：x0 =( -1.1250，0.7500)4、用拉格朗日乘子法求解以下约束最优化问题：06)( ..60410)(min 121212221=-=+---+=x X h t s x x x x x x X f答：程序如下syms x1 x2 lamaf=x1^2+x2^2-x1*x2-10*x1-4*x2+60+lama*(x1-6); dx1=diff(f,x1); dx2=diff(f,x2); dlama=diff(f,lama); x1x1=solve(dx1,x1); x2x2=solve(dx2,x2); ff=subs(dlama,{x1,x2},{x1x1,x2x2}); lamao=solve(ff); xo=subs(x1x1,lama,lamao) yo=subs(x2x2,lama,lamao) fo=subs(f,{x1,x2,lama},{xo,yo,lamao}) 结果为：x1=6，x2=5,minf(x)=11。
5、用二进制遗传算法求解以下约束整数优化问题：105 63 157 ..)(min 321321≤≤≤≤≤≤++=x x x t s x x x X f答：程序如下：function pop=initpop(popsize,chromlength)pop=round(rand(popsize,chromlength));function pop2=decodebinary(pop)[px,py]=size(pop);for i=1:pypop1(:,i)=2.^(py-i).*pop(:,i);endpop2=sum(pop1,2);function pop2=decodechrom(pop,spoint,length)pop1=pop(:,spoint:spoint+length-1); pop2=decodebinary(pop1);function [eval]=f(sol)numv=size(sol,3); x=sol(1:numv); eval=x1+x2+x3;function [sol,eval]=fitness(sol,options)numv=size(sol,3)-1; x=sol(1:numv); eval=f(x); eval=-eval;bounds=ones(3,1)*[7<=x1<=15,3<=x2<=6,5<=x3<=10]; [p,endPop,bestSols,trace]=ga(bounds,'fitness') function fitvalue=calfitvalue(objvalue)global Cmin; Cmin=0; [px,py]=size(objvalue);for i=1:pxif objvalue(i)+Cmin>0temp=Cmin+objvalue(i);elsetemp=0.0;endfitvalue(i)=temp;endfitvalue=fitvalue';function [newpop]=selection(pop,fitvalue)totalfit=sum(fitvalue); fitvalue=fitvalue/totalfit; fitvalue=cumsum(fitvalue); [px,py]=size(pop); ms=sort(rand(px,1)); fitin=1; newin=1;while newin<=pxif(ms(newin))<fitvalue(fitin)newpop(newin)=pop(fitin); newin=newin+1;else fitin=fitin+1;endendfunction [newpop]=crossover(pop,pc)[px,py]=size(pop); newpop=ones(size(pop));for i=1:2:px-1if(rand<pc) cpoint=round(rand*py); newpop(i,:)=[pop(i,1:cpoint),pop(i+1,cpoint+1:py)];newpop(i+1,:)=[pop(i+1,1:cpoint),pop(i,cpoint+1:py)];else newpop(i,:)=pop(i); newpop(i+1,:)=pop(i+1);endendfunction [newpop]=mutation(pop,pm)[px,py]=size(pop); newpop=ones(size(pop));for i=1:pxif(rand<pm)mpoint=round(rand*py);if mpoint<=0mpoint=1;endnewpop(i)=pop(i);if any(newpop(i,mpoint))==0newpop(i,mpoint)=1;else newpop(i,mpoint)=0;endelse newpop(i)=pop(i);endendfunction [bestindividual,bestfit]=best(pop,fitvalue)[px,py]=size(pop); bestindividual=pop(1,:); bestfit=fitvalue(1);for i=2:pxif fitvalue(i)<bestfitbestindividual=pop(i,:); bestfit=fitvalue(i);endendclearclfpopsize=20; chromlength=10; pc=0.6; pm=0.001; pop=initpop(popsize,chromlength); for i=1:20[objvalue]=calobjvalue(pop);fitvalue=calfitvalue(objvalue);[newpop]=selection(pop,fitvalue);[newpop]=crossover(pop,pc);[newpop]=mutation(pop,pc);[bestindividual,bestfit]=best(pop,fitvalue);y(i)=min(bestfit);n(i)=i;pop5=bestindividual;x(i)=decodechrom(pop5,1,chromlength)*10/1023;pop=newpop;endfplot('10*sin(5*x)+7*cos(4*x)',[0 10])hold onplot(x,y,'r*')hold off[z index]=max(y);x5=x(index)y=z结果如下：min f(x)=15，x1=7，x2=3，x3=5。