Inovativní optimalizace návrhu transformátorů v kombinaci s výpočtem ztrát pomocí strojového učení

Abstract

Tato dizertační práce představuje plně automatizovanou metodiku pro optimalizaci návrhu transformátorů, zpřesněnou změřenými daty, která umožňuje splnění přísných požadavků na účinnost, například podle směrnice EkoDesign Evropské unie, s důrazem na minimalizaci nákladů na materiál. Postup využívá optimalizaci metodou simulovaného žíhání s využitím známých analytických výpočetních modelů a systematicky hledá návrhy, které splňují technické požadavky a zároveň jsou hospodárné. Výpočet ztrát naprázdno je proveden pomocí náhradního modelu založeného na regresi Gaussovskými procesy, což snižuje bezpečnostní rezervy a umožňuje úsporu materiálu ve všech částech transformátoru. Současné výpočetní postupy v průmyslové praxi stále často spoléhají na empirické vzorce, zjednodušené modely a zkušenosti návrhářů, což zdůrazňuje potřebu automatizovaného optimalizačního přístupu. Navržená metodika zohledňuje jak deterministické, tak stochastické faktory ovlivňující ztráty naprázdno a poskytuje základ pro spolehlivou optimalizaci založenou na změřených datech. Simulované žíhání efektivně prohledává komplexní nelineární prostor s ohledem na konstrukční omezení, zatímco regrese Gaussovskými procesy zvyšuje přesnost výpočtu bez navýšení výpočetní náročnosti. Nově představený postup byl ověřen na několika typech transformátorů (50 kVA, 630 kVA a 1 600 kVA) a výsledky potvrzují rychlé nalezení návrhu splňujícího všechny požadavky při minimalizaci nákladů, nezávisle na intuici návrháře. Náhradní modelování pomocí regrese Gaussovskými procesy, založené na 4 503 transformátorech zahrnutých v 322 návrzích, umožňuje přesnější výpočet ztrát včetně odhadu nejistoty a překonává tak alternativní metody strojového učení. Obecně práce vytváří praktickou, ověřitelnou a přizpůsobitelnou metodiku pro automatizovaný návrh transformátorů, která kombinuje klasické analytické výpočty, robustní optimalizaci a pokročilé náhradní modelování, při minimalizaci nákladů a zajištění vysoké účinnosti. Připravuje tak půdu pro další integraci optimalizace a strojového učení do průmyslového inženýrství.

This doctoral thesis presents a fully automated, data-driven methodology for optimizing transformer design to meet stringent efficiency standards, such as the EcoDesign requirements of the European Union, while controlling material costs. The approach integrates simulated annealing optimization with conventional analytical calculation models, systematically generating technically compliant and cost-effective designs. Gaussian process regression is employed as a surrogate model to accurately predict no-load losses, improve design margins, and reduce material use in all transformer components. A review of industrial design practices highlighted the continued reliance on empirical corrections, simplified models, and designer expertise, underscoring the need for automated, optimization-driven workflows. The methodology accounts for both deterministic and stochastic factors that influence no-load losses, providing a foundation for reliable data-driven optimization. Simulated annealing efficiently navigates complex, non-linear, and constrained design spaces, while Gaussian process regression reduces computational effort and enhances predictive accuracy. The workflow was validated on multiple transformer ratings (50 kVA, 630 kVA, 1,600 kVA), demonstrating the rapid generation of feasible and cost-effective designs with reduced dependence on the designer's intuition. Surrogate modeling using Gaussian process regression on 4,503 transformers in 322 designs enabled accurate prediction of losses, including uncertainty quantification, outperforming alternative machine learning methods. In general, the thesis establishes a practical, repeatable, and scalable framework for automated transformer design, combining classical analytical techniques, robust optimization, and advanced surrogate modeling, supporting high-efficiency, cost-effective transformers and paving the way for future integration of optimization and machine learning in industrial engineering.