基于粒子群算法的強迫風冷散熱器多目標優化

王 玲 李 俐 朱翔鷗 王守冬 孫 創

基于粒子群算法的強迫風冷散熱器多目標優化

王 玲1李 俐2朱翔鷗1王守冬1孫 創1

（1. 溫州大學電氣與電子工程學院，浙江 溫州 325035； 2. 浙江正泰電器股份有限公司，浙江 溫州 325603）

電力電子系統對強迫風冷散熱器提出了低熱阻、小型化和輕量化的要求，本文在考慮現有散熱器設計方法的不足之后，通過散熱器結構及其等效熱阻網絡構建熱阻、壓降和質量最小的多目標優化模型。針對當前粒子群算法求解多目標模型時存在的局限性，本文采用多種改進策略提高算法的性能。計算和仿真結果顯示，優化后的強迫風冷散熱器的熱阻、壓降、質量均有減小，功率器件表面溫度明顯降低，驗證了多目標優化模型及算法的有效性。

強迫風冷散熱器；多目標優化；粒子群算法（PSO）；改進策略

0 引言

電力電子裝置向高精度、高功率密度、高可靠性方向發展的同時，功率器件的熱失效和熱退化現象也更為突出，更有效的散熱技術成為了研究的重點。強迫風冷散熱器有散熱效果好、結構簡單、工作穩定、成本較低等優點，因而能夠廣泛應用在大功率電力電子裝置的熱設計中，電力電子裝置也對強迫風冷散熱系統提出了低熱阻、小型化、輕量化的要求[1]。

傳統的強迫風冷散熱器設計一般采用控制變量法或者試驗法。文獻[2]利用控制變量法分別分析了基板厚度、翅片數目及翅片厚度對散熱器熱阻的影響，但并未給出散熱器結構參數的優化方法。文獻[3]提出一種強迫風冷散熱系統體積最優的設計方法，雖然結果顯示散熱系統的體積較傳統設計降低了約30%，但散熱系統的熱阻和壓降并未得到優化。文獻[4]采用正交試驗法分別探究了翅片間距、翅片高度和翅片厚度對芯片結溫和散熱器質量的影響，但實驗法研發周期較長、成本較高。文獻[5]將散熱器的散熱性能、體積、壓降作為優化目標，通過線性加權的方法建立了優化模型，但加權方法的缺點是各個優化目標的權重值不易確定。綜上所述，在以散熱器散熱效果為設計目標的同時，還應將散熱器的壓降、質量和體積等指標納入綜合設計范疇。影響散熱器各指標的變量很多，如散熱器的基本尺寸、翅片數量、翅片高度、翅片厚度、風速等，因此散熱器的優化屬于多變量多目標優化[6]。

本文在上述研究的基礎上建立強迫風冷散熱器的多目標優化模型，采用改進的多目標粒子群算法（particle swarm optimization, PSO）完成對散熱器的結構參數在解空間內的全局尋優，獲得包含提升散熱性能、降低系統壓降、減小系統質量在內的三目標綜合優化最優解。最后，以優化后的散熱器結構參數為算例來驗證本文所提模型和優化方法的有效性和實用性。

1 強迫風冷散熱器多目標優化模型

1.1 強迫風冷散熱器熱阻計算方法

圖1為常見的強迫風冷散熱器結構示意圖。功率器件產生的熱量主要通過兩個傳輸途徑散發至周圍環境，一部分熱量通過散熱器的基板、翅片散發，另一部分熱量通過芯片外殼散發。一般來說，通過芯片外殼散發的熱量可忽略不計。

圖1 強迫風冷散熱器結構示意圖

根據強迫風冷散熱系統中熱流傳遞路徑可知，散熱系統總熱阻主要包括器件的結-殼熱阻、殼與散熱器之間的熱阻及散熱器與環境之間的熱阻。圖2為強迫風冷散熱器的等效熱阻網絡示意圖[7-9]。

圖2 強迫風冷散熱器等效熱阻網絡示意圖

強迫風冷散熱系統的熱傳遞遵循熱路歐姆定律，即

散熱器基板傳導熱阻、翅片傳導熱阻和翅片對流熱阻可以表示為

1.2 壓降計算方法

傳統方法通過增大散熱器的外表面積來減小散熱器熱阻，但散熱器的壓降（壓力損失）和質量同時也會增大。壓降增大則會降低散熱器的表面傳熱系數，使散熱器性能降低，同時也需要系統更換更大風壓的風扇，從而導致系統整體質量變大。因此，在保證強迫風冷散熱系統熱阻減小的情況下，應盡量降低或保持系統的壓降。散熱系統壓降計算公式為[11]

1.3 強迫風冷散熱系統優化模型

由式（6）可得散熱器壓降優化模型為

由圖1可得散熱器質量優化模型為

1.4 約束條件

為了保證優化后的散熱器能夠順利安裝在原有安裝柜上，要求優化后的散熱器尺寸不超過原有設計尺寸，即以優化前散熱器的長度、寬度、高度為設計上限。對于功率較大的強迫風冷散熱器，要求平均冷卻風速不低于3m/s。散熱器翅片間距不能小于1mm，否則將影響冷卻空氣的正常流動。為了防止散熱器翅片變形，翅片厚度不能小于1mm。綜上所述，散熱器的參數約束條件為

2 改進多目標粒子群算法

2.1 多目標粒子群算法

1995年Kennedy和Eberhart在一次國際學術會議上正式提出了粒子群優化算法（PSO），其基本思想是設計一種無質量的粒子來模擬鳥群，通過鳥群個體之間的協作和信息共享來尋找最優解，每個粒子可視為待優化問題的一個候選解[12]。粒子的兩個屬性分別是速度和位置，速度反映粒子運動的快慢，位置代表粒子運動的方向。粒子通過追蹤迭代過程中的自身歷史最優位置和全局最優位置進行搜索，粒子根據式（11）和式（12）更新自身的速度和位置。

鑒于PSO簡單通用、魯棒性強、效率高、收斂快的優點，研究者嘗試將PSO應用至多目標優化領域，并產生了經典的多目標粒子群優化算法（multi- objective particle swarm optimization, MOPSO）[13]。但經典多目標粒子群算法在求解散熱器模型時仍存在以下問題：

1）最優解的更新和維護策略不夠完善，以致最優解的多樣性和分布性較差。

2）參數的取值不夠靈活，算法搜索速度較慢，搜索結果過于集中。

3）對于邊界的粒子處理不夠靈活，以致算法局部尋優能力較差。

基于以上原因，本文使用改進后的粒子群算法對散熱器多目標優化模型進行求解。

2.2 基于擁擠距離的外部檔案更新策略

多目標粒子群算法會將搜索過程中獲取的全局最優解存于外部檔案中，從而引導算法的進化和收斂。外部檔案容量的大小NP是事先確定的，當外部檔案內的最優解數量達到容量限值NP時，必須對外部檔案進行維護，在保證最優解多樣性的基礎上去除多余粒子。本文采用基于改進擁擠距離排序的外部檔案更新策略[14]，具體方法如下：

1）將外部檔案中所有粒子分別代入不同的目標函數中，根據不同目標函數值大小對所有粒子進行排序。

2）根據排序獲取粒子在每一個目標函數空間上函數值最近的兩個粒子。

3）根據式（13）計算每個粒子的擁擠距離，并根據擁擠距離大小對粒子排序。

4）根據排序去除擁擠距離最小的粒子，當粒子有兩個或多個時，隨機選擇一個去除。

5）對剩余粒子按照步驟1）～步驟4）重新計算擁擠距離，直至外部檔案中最優解數量等于外部檔案預設容量。

2.3 動態參數更新策略

2.4 改進的邊界處理方法

2.5 算法流程

基于改進粒子群算法的強迫風冷散熱器結構參數多目標優化流程如下：

1）初始化粒子群的速度和位置，設置參數。

2）設置初始粒子種群中粒子的當前位置為粒子個體最優位置。

3）計算粒子種群中每個粒子的目標函數值，將粒子群中的非支配解更新到外部檔案。

4）更新粒子自身最優位置，根據擁擠距離選取粒子種群的全局最優位置。

5）更新粒子的位置和速度。

6）計算更新后粒子目標函數值，將粒子群中的非支配解更新到外部檔案。

7）判斷算法是否達到最大迭代次數，若判斷結果為是，從外部檔案集中隨機選取一個解作為散熱器優化設計方案；若判斷結果為否，則返回步驟4）。

3 算例與結果分析

3.1 算例分析

表1 改進多目標粒子群算法參數約束條件

從多目標粒子群算法優化后的最優集中隨機選取3個最優解，根據式（7）～式（9）計算出散熱器原方案及優化方案的熱阻、壓降和質量，具體結果見表2。

表2 散熱器多目標優化前后性能對比

由表2可知，經改進多目標粒子群優化后的散熱器，其熱阻、壓降和質量相對原方案均有減小。以方案3為例，優化后的散熱器熱阻相對原方案減小約24.76%、壓降減少約18.48%、質量減少約14.89%，體積和質量的減少意味著使用更少的散熱器制造材料，進一步節省了成本。以上結果表明，采用多目標粒子群算法對散熱器進行優化設計是有效且可行的。

3.2 仿真分析

為進一步驗證本文所提散熱器優化方法的合理性和準確性，使用Icepak軟件對優化前后的散熱器進行熱仿真分析。采用表2優化方案3所示參數進行散熱器溫度仿真，對散熱系統施加相同功耗的IGBT模塊（IGBT模塊功率損耗為1 000W，最高允許結溫為125℃）作為熱源，環境溫度設為40℃，IGBT模塊在散熱器優化前、后表面溫度分布分別如圖3、圖4所示。由圖3、圖4可知，優化前IGBT模塊熱仿真最高溫度為71.85℃，優化后IGBT模塊熱仿真最高溫度為65.49℃，兩種方案均滿足系統要求，但散熱系統優化后的IGBT模塊最高溫度相比優化前最高溫度降低了6.36℃，表明了本文所提散熱器優化模型和優化方法的有效性和實用性。

圖3 散熱器優化前IGBT模塊的溫度仿真

圖4 散熱器優化后IGBT模塊的溫度仿真

4 結論

本文根據散熱器等效熱阻網絡，推導建立了熱阻、壓降和質量最小的多目標優化模型，擬定了合理的優化變量，并設計了相應的約束條件。針對經典多目標粒子群算法的缺陷，本文引入了多種改進策略提高了算法的搜索能力，首先算法采用改進擁擠距離的外部檔案更新策略，保證了最優解集的多樣性，同時也使用了動態的參數調整策略、改進的邊界處理方法，使算法擁有了較強的全局搜索和局部搜索能力。通過改進的多目標粒子群算法求解散熱器優化模型最優解集，采用優化后的散熱器結構參數進行熱仿真分析，仿真結果驗證了本文所提散熱器優化方法的有效性和實用性。

[1] 李廣義, 張俊洪, 高鍵鑫. 大功率電力電子器件散熱研究綜述[J]. 兵器裝備工程學報, 2020, 41(11): 8-14.

[2] 趙紅璐, 朱永元, 張銀. 大功率逆變器散熱設計[J]. 電氣技術, 2018, 19(8): 149-156.

[3] 林弘毅, 伍梁, 郭瀟, 等. 高功率密度SiC靜止無功補償器強迫風冷散熱綜合建模及優化設計方法[J]. 電工技術學報, 2021, 36(16): 3446-3456.

[4] 張建新, 牛萍娟, 武志剛, 等. 大功率LED散熱器性能的雙目標優化[J]. 電工技術學報, 2014, 29(4): 136-141, 165.

[5] 李勁松, 楊慶新, 牛萍娟, 等. 基于遺傳算法及MATLAB仿真的大功率LED散熱器優化設計與分析(英文)[J]. 電工技術學報, 2013, 28(增刊2): 213-220.

[6] 施渺, 杜江偉, 余小玲, 等. 平直翅片熱管散熱器的正交數值模擬優化[J]. 電子機械工程, 2020, 36(2): 14-18.

[7] 張健. 電力電子器件及其裝置的散熱結構優化研究[D]. 哈爾濱: 哈爾濱工業大學, 2015.

[8] 姜鑫, 應展烽, 萬萌, 等. 計及環境對流隨機性的功率器件結-環境熱網絡模型[J]. 電工技術學報, 2021, 36(14): 3090-3100.

[9] 任磊, 沈茜, 龔春英. 電力電子電路中功率晶體管結溫在線測量技術研究現狀[J]. 電工技術學報, 2018, 33(8): 1750-1761.

[10] 周濤, 陸曉東, 李媛. 功率半導體器件風冷散熱器熱阻計算[J]. 渤海大學學報(自然科學版), 2011, 32(3): 228-235.

[11] 梁帥奇, 張華潤, 姜輝, 等. 某型強制風冷直流變壓器機柜風道設計與優化[J]. 電力電子技術, 2021, 55(2): 50-53.

[12] EBERHART R, KENNEDY J. A new optimizer using particle swarm theory[C]//MHS95 Sixth International Symposium on Micro Machine & Human Science, Nagoya, Japan, 2002.

[13] COELLO C, PULIDO G T, LECHUGAM S. Handling multiple objectives with particle swarm optimi- zation[J]. IEEE Transactions on Evolutionary Com- putation, 2004, 8(3): 256-279.

[14] 廖宗毅, 萬文略. 基于改進多目標差分進化算法的安全約束動態環境經濟調度[J]. 電氣技術, 2020, 21(8): 22-27.

[15] 田峰, 林榮文, 武迪. 基于改進粒子群算法的伺服系統多參數整定研究[J]. 電氣技術, 2019, 20(9): 26-30.

[16] 王東風, 孟麗, 趙文杰. 基于自適應搜索中心的骨干粒子群算法[J]. 計算機學報, 2016, 39(12): 2652-2667.

Multi-objective optimization of forced air-cooled heatsink based on particle swarm optimization algorithm

WANG Ling1LI Li2ZHU Xiang’ou1WANG Shoudong1SUN Chuang1

(1. School of Electrical and Electronic Engineering, Wenzhou University, Wenzhou, Zhejiang 325035; 2. Zhejiang Chint Electrics Co., Ltd, Wenzhou, Zhejiang 325603)

The power electronic system requires forced air-cooled heatsink which has low thermal resistance, miniaturization and lightweight. In this paper, a multi-objective optimization model with minimum thermal resistance, pressure drop and mass is established based on the radiator structure and its equivalent thermal resistance network after considering the shortcomings of existing radiator design methods. In view of the limitations of the current particle swarm algorithm when solving multi-objective models, this paper adopts a variety of improved strategies to improve the performance of the algorithm. The calculation and simulation results show that the thermal resistance, pressure drop, and mass of the optimized forced air-cooled radiator are all reduced, and the surface temperature of the power device is significantly reduced, which verifies the effectiveness of the multi-objective optimization model and algorithm.

forced air-cooled heatsink; multi-objective optimization; particle swarm optimization (PSO); improved strategy

2021-09-01

2021-09-14

王 玲（1995—），男，重慶巫山縣人，碩士研究生，研究方向為電機與電器。