Doctoral Thesis

Innovative Transformer Design Optimization Combined with Machine Learning Loss Estimation

Final Thesis 22.2 MB Summary of Thesis 22.2 MB

Author of thesis: Ing. Miroslav Mrajca, Ph.D.

Acad. year: 2025/2026

Supervisor: doc. Ing. Jan Bárta, Ph.D.

Reviewers: doc. Ing. Petr Bernat, Ph.D., doc. Ing. Karel Hruška, Ph.D.

Abstract:

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.

Keywords:

Gaussian process regression, no-load losses, transformer core losses, machine learning, surrogate modeling, simulated annealing, transformer design optimization, automation of manual calculations, manufacture cost minimization, EcoDesign

Date of defence

18.12.2025

Result of the defence

Defended (thesis was successfully defended)

znamkaPznamka

Process of defence

Obhajoba proběhla prezenční formou. V rámci obhajoby doktorand seznámil komisi s výsledky své disertační práce, včetně vlastních přínosů. Po skončení prezentace doktoranda jeho školitel seznámil přítomné se svým hodnocením celého průběhu studia. Následovala prezentace oponentních posudků a diskuse k dotazům a připomínkám oponentů. Poté ve veřejné diskusi vystoupili s dotazy/připomínkami k disertační práci prof. Toman, prof. Aubrecht, doc. Hruška, Knebl. Písemný záznam dotazů je přílohou protokolu. Všechny dotazy oponentů i v rámci veřejné diskuse byly doktorandem správně vypořádány. Doktorand prokázal tvůrčí schopnosti v dané oblasti výzkumu a práce splňuje požadavky standardně kladené na dizertační práce v daném oboru. V neveřejné diskusi a po tajném hlasování komise konstatovala, že doktorand splnil podmínky par. 47 odst. 4 Zákona o vysokých školách č. 111/98 a lze jí tedy udělit titul doktor - Ph.D.

Language of thesis

English

Faculty

Fakulta elektrotechniky a komunikačních technologií

Department

Department of Power Electrical and Electronic Engineering

Study programme

Power Systems and Power Electronics (DPC-SEE)

Composition of Committee

prof. RNDr. Vladimír Aubrecht, CSc. (předseda)
doc. Ing. Ondřej Vítek, Ph.D. (člen)
prof. Ing. Petr Toman, Ph.D. (člen)
Ing. Ladislav Knebl, Ph.D. (člen)
doc. Ing. Karel Hruška, Ph.D. (člen)
doc. Ing. Petr Bernat, Ph.D. (člen)

Supervisor’s report
doc. Ing. Jan Bárta, Ph.D.

Disertační práce Ing. Miroslava Mrajcy se zabývá velmi aktuální problematikou optimalizace návrhu distribučních transformátorů při splnění přísných požadavků na účinnost podle evropské legislativy (Ecodesign) a současné minimalizaci materiálových nákladů. Hlavní přínos práce spočívá ve vytvoření plně automatizovaného návrhového postupu založeného na metodě simulovaného žíhání, který nahrazuje tradiční iterativní práci konstruktéra a umožňuje systematické prohledávání složitého, nelineárního a diskrétního návrhového prostoru při respektování technických a výrobních omezení. Druhou klíčovou oblastí je použití regrese Gaussovskými procesy pro tvorbu náhradního modelu ztrát naprázdno, vycházejícího z rozsáhlého souboru naměřených dat na reálně vyráběných transformátorech, což podstatně zpřesňuje odhad dodatečných ztrát a umožňuje lépe využít materiál ve všech částech transformátoru.

Cesta k finálnímu tématu a zaměření disertační práce byla úzce spojena s aktuálními potřebami průmyslové praxe v oblasti návrhu transformátorů. Ing. Mrajca během studia po celou dobu spolupracoval se společností Elpro-Energo, kde paralelně s doktorským studiem také aktivně pracoval, což mu umožnilo opřít se o reálná výrobní data a praktické zkušenosti z konstrukce a zkoušek transformátorů. Přestože byl po celou dobu studia zaměstnán v průmyslu, podařilo se mu disertační práci odevzdat ve standardní čtyřleté době, což svědčí o jeho vysokém pracovním nasazení, svědomitosti, systematičnosti a velmi dobré organizaci času.

V průběhu zpracování disertační práce přistupoval Ing. Mrajca k řešeným úkolům systematicky, analyticky a s vědeckou erudicí. Mezi hlavní výsledky a přínosy práce patří zejména komplexní a v praxi ověřený návrhový workflow využívající simulované žíhání, který na několika typových transformátorech (50 kVA, 630 kVA, 1 600 kVA) prokazuje schopnost rychle nacházet realizovatelné návrhy se sníženými náklady na materiál oproti konvenčním ručním výpočtům. Dále je to robustní náhradní model ztrát naprázdno založený na regresi Gaussovskými procesy, vytrénovaný na datech z 4503 transformátorů, který oproti běžně používaným analytickým postupům dosahuje výrazně nižší chyby a současně poskytuje i odhad nejistoty a rozptylu opakovaných měření u stejného typu. Tím práce vhodně propojuje klasické analytické modelování, robustní optimalizaci a metody strojového učení do uceleného rámce, který je přímo využitelný v průmyslové praxi a tvoří kvalitní základ pro další rozvoj návrhu elektroenergetických zařízení.

Výsledky dizertační práce byly přiměřeně publikovány, zejména formou článku v prestižním časopise IEEE Transactions on Industry Applications a příspěvku na významné mezinárodní konferenci ICEM 2024, dále pak v několika konferenčních příspěvcích Student EEICT zaměřených na dílčí aspekty optimalizace a výpočtu ztrát. Tato publikační činnost dokládá schopnost disertanta prezentovat výsledky v mezinárodním kontextu a jejich relevanci pro odbornou komunitu.
V oblasti pedagogického působení se Ing. Mrajca aktivně podílel na výuce v kurzu Elektrické stroje, kde pomáhal se cvičeními a praktickými úlohami, a zároveň se spolupodílel na tvorbě a aktualizaci výukových materiálů pro tento předmět. V obou rolích – vědecké i pedagogické – prokázal, že je schopným vědeckým pracovníkem s velmi dobrým přístupem k řešení technických i pedagogických úkolů.

Na základě výše uvedených skutečností se domnívám, že Ing. Miroslav Mrajca prokázal schopnost samostatné vědecké a tvůrčí práce i potenciál pro další působení ve výzkumu a vývoji. Disertační práci Ing. Miroslava Mrajcy doporučuji k obhajobě před komisí v oboru Silnoproudá elektrotechnika a elektroenergetika na FEKT VUT v Brně.

Reviewer’s report
doc. Ing. Petr Bernat, Ph.D.

viz pdf
File inserted by the reviewer Size
Posudek oponenta [.pdf] 202,38 kB

Reviewer’s report
doc. Ing. Karel Hruška, Ph.D.

viz pdf
File inserted by the reviewer Size
Posudek oponenta [.pdf] 1,02 MB

Responsibility: Mgr. et Mgr. Hana Odstrčilová