1.一种模块化轴向磁通永磁同步风力发电机的优化设计方法，所述模块化轴向磁通永磁同步风力发电机，包括：定子和转子，定子包括定子铁芯和定子绕组，转子包括转子永磁体和转子铁芯；定子、转子均采用模块化设计，定子铁芯模块和转子铁芯模块均为梯形模块，转子铁芯模块上粘贴有永磁体；其特征在于，包括以下步骤：步骤1，根据所述模块化轴向磁通永磁同步风力发电机的性能要求，选取平均转矩密度Ta、转矩脉动Tri为优化目标；选取所述模块化轴向磁通永磁同步风力发电机的三个结构参数为待优化设计变量，所述三个结构参数为：定子槽深度hs、转子永磁体厚度hc、转子永磁体极弧系数αp，则所述待优化设计变量的向量x可表示为：x=[x1, x2, x3]=[ hs, hc, αp]；

步骤2，确定所述模块化轴向磁通永磁同步风力发电机各待优化设计变量的约束条件，即：                                            （1）其中，hsl、hsu分别为定子槽深度的下界和上界；hcl、hcu分别为转子永磁体厚度的下界和上界；αpl、αpu分别为转子永磁体极弧系数的下界和上界；

步骤3，进行拉丁超立方采样LHS实验，建立所需样本空间：

31）将每个待优化设计变量在其自身约束条件的上下界之间均分为M个子区间，然后在每个子区间中随机选择一个点；

32）对每个待优化设计变量的所有子区间选择的点进行随机组合，得到总共M个样本数据组(hsm, hcm, αpm)，即M个设计变量组合，其中m=1, 2, 3, …, M；hsm、hcm、αpm分别为第m个样本数据组中的定子槽深度hs、转子永磁体厚度hc、转子永磁体极弧系数αp；

33）通过有限元仿真得到每个样本数据组的优化目标的实际值Ta, m和Tri, m；其中，Ta, m、Tri, m分别为第m个样本数据组的平均转矩密度Ta,的实际值、转矩脉动Tri的实际值；

步骤4，建立深度神经网络DNN代理模型，所述深度神经网络DNN含有输入层、隐含层和输出层；其输入层有三个神经元，即三个待优化设计变量；其输出层有两个神经元，分别是两个优化目标（Ta、Tri）的预测值；隐含层的层数为3；

第一隐含层的第s个神经元的输入Hs、输出HOs分别为：                                        （2）               （3）

式中，wis是所述输入层的第i个神经元xi与所述第一隐含层的第s个神经元之间的连接(1)权值，as为所述第一隐含层的第s个神经元的阈值，s＝1, 2, …  , N ；f1(·)为所述第一隐含层的激励函数，为ReLU函数（修正线性单元函数），有：f1(x)=max(x, 0)；

第二隐含层的第j个神经元的输入Hj、输出HOj分别为：                                       （4）           （5）

式中，wsj是所述第一隐含层的第s个神经元与所述第二隐含层的第j个神经元之间的连(2)接权值，aj为所述第二隐含层的第j个神经元的阈值，j＝1, 2, …  , N ；f2(·)为所述第二隐含层的激励函数，为ReLU函数（修正线性单元函数）；

第三隐含层的第u个神经元的输入Hu、输出HOu分别为：                                       （6）           （7）

式中，wju是所述第二隐含层的第j个神经元与所述第三隐含层的第u个神经元之间的连(3)接权值，au为所述第三隐含层的第u个神经元的阈值，u＝1, 2, …  , N ；f3(·)为所述第三隐含层的激励函数，为ReLU函数（修正线性单元函数）；

所述输出层的第l个神经元的输入为：

                                             （8）所述输出层的第l个神经元的输出即优化目标的预测值 为：               （9）

式中，wul是所述第三隐含层的第u个神经元与所述输出层的第l个神经元之间的连接权重系数，bl为所述输出层的第l个神经元的阈值，l＝1, 2；fo(·)为所述输出层的激励函数，为ReLU函数（修正线性单元函数）； ， ；其中， 、 分别为第m个样本数据组的优化目标的预测值，即：平均转矩密度Ta的预测值、转矩脉动Tri的预测值；

步骤5，采用贝叶斯优化算法，对所述DNN代理模型的超参数进行调优，获得最优超参数；

步骤6，基于步骤5得到的最优超参数，对DNN代理模型进行训练；

步骤7，基于步骤6得到的最优DNN代理模型，采用NSGA‑II优化算法对所述模块化轴向磁通永磁同步风力发电机的待优化设计变量进行优化，确定所述模块化轴向磁通永磁同步风力发电机的待优化设计变量的最优组合，以使所述模块化轴向磁通永磁同步风力发电机获得最优性能。

2.根据权利要求1所述的一种模块化轴向磁通永磁同步风力发电机的优化设计方法，其特征在于，所述步骤5的具体方法是：

51）设计贝叶斯优化的目标函数为：

                     （10）                              （11）式中，TN为所述模块化轴向磁通永磁同步风力发电机的额定转矩；Ta(x)、Tri(x)分别为与设计变量x对应的优化目标平均转矩密度Ta和转矩脉动Tri；

52）定义所述模块化轴向磁通永磁同步风力发电机的贝叶斯优化的超参数矢量：(1) (2) (3)

所述超参数矢量h共有8个参数，定义为：h={η, B, N , N , N , p,  γ , Tdrop}；其(1) (2) (3) 中，η是初始学习率，B是批量大小，即样本数量，N 、N 、N 分别为所述DNN的隐含层的第一层、第二层、第三层的节点数；p为信号丢失概率，γ是学习率，Tdrop为学习率衰减周期；

53）初始化样本集，即初始化超参数空间：

确定各个超参数的取值范围，基于拉丁超立方采样（LHS）实验，将每个超参数在其取值范围内均分为M个子区间，然后在每个子区间中随机选择一个点，得到M维分量，建立8×M的所需超参数初始样本空间；设置最大循环次数T；

54）采用改进的马尔顿5/2 – ARD，Automatic Relevance Determination自动相关测定混合核函数作为高斯过程GP的协方差函数来构建一个高斯过程代理模型：                                （12）式中，f(h)为与h对应的目标值，μ(h)为高斯过程的期望函数，k(hp, hq)为高斯过程的协方差函数，定义为：                     （13）2

式中，hp、hq为两个不同的超参数，p=1, 2, …, 8，q=1, 2, …, 8；σf 是信号方差；r定义为：                                    （14）其中，lm为汉明距离校正项，lm=αδ(hp,m, hq,m)，它适用于离散参数；α是离散参数的缩放因子；δ是与离散参数相关的差异函数；hp,m和hq,m分别表示hp、hq的第m维的分量值；

55）计算期望函数EI(h)：

                （15）

                                         （16）式中， 、 分别是高斯过程代理模型对目标函数的预测均值和预测标准差；f(h+)是当前观测到的最优目标值；t、T分别是当前循环次数和最大循环次数； 是动态探索因子；Φ(Z)、 分别是标准正态分布的累积分布函数和概率密度函数；Z为当前目标值的预测值对于当前最优目标值的改进程度，有：                                        （17）

56）评估高斯过程代理模型性能：计算判定系数 R²、均方根误差 RMSE，其表达式为：                                 （18）                               （19）式中，f(hp)为与hp对应的目标值；

2

57）如果判定系数R>0.9，且均方根误差RMSE<ε，ε为接近于0的正实数，则输出最优超参数，进入步骤6；否则进入步骤58）；

58）判定是否达到最大循环次数，如是，则输出最优超参数，进入步骤6；否则更新样本点h取值，返回步骤54）。

3.根据权利要求1所述的一种模块化轴向磁通永磁同步风力发电机的优化设计方法，其特征在于，所述步骤6的具体方法是：

61）初始化DNN，包括：初始化连接权值wis、wsj、wju、wul和阈值as、aj、au、bl；

62）定义损失函数J为：

 （20）

63）采用Adam优化器更新连接权值和阈值：

A1. 创建Adam优化器对象：DNN代理模型参数，设定初始学习率η；

A2. 数据加载和预处理；

A3. 将损失函数的梯度归零；

A4. 按式（2）式（9）进行前向传播计算，得到所述优化目标的预测值 ，l＝1, 2，即： ~和 ；

A5. 按式（20）计算损失函数J；

A6. 执行反向传播计算损失函数J对连接权值的梯度gt(W)和对阈值的梯度gt(B)：                              （21）式中，W为连接权值向量，定义为：W={wis, wsj, wju, wul}；B为阈值向量，定义为：B={as, aj, au, bl}；

A7. 更新连接权值W和阈值B：

                             （22）                              （23）式中，带有下标t+1、t、t‑1的变量分别代表此变量的下一次循环、当前循环、前一次循环的值；β1、β2为指数衰减率，有β1, β2∈[0,1]；mw,t、 分别是连接权值梯度gt(W)的指数移动平均值及其估计值；vw,t、 分别是连接权值梯度gt(W)的平方的指数移动平均值及其估计值；mb,t、 分别是阈值梯度gt(B) 的指数移动平均值及其估计值；vb,t、 分别是阈值梯度gt(B)的平方的指数移动平均值及其估计值；

A8. 循环次数t是否达到最大循环次数T；如是，则结束，进入步骤7，否则进入步骤A9；

A9. 所述损失函数J是否不再变小；如是，则结束，进入步骤7，否则返回步骤A2。