电工装备是电力系统中极其重要的部分,随着市场竞争日趋激烈,电工装备的优化设计问题越来越受到学者的广泛关注。通过对电工装备的优化设计,可以减少生产成本,提高运行性能,降低运行损耗,具有明显的经济效益。然而现如今优化设计问题日趋复杂,呈现出多变量、多峰值、多约束等特征,传统的有限元分析与全局类优化设计方法结合由于其过程复杂、计算时间长等特点,已经不能满足优化设计快速、高效等要求。因此,在此背景下,研究一种适应性更强的优化设计方法意义重大。针对上述问题,本文研究了一种基于人工智能的新型辅助代理模型——极限学习机,并将其与优化算法结合,形成具有更好性能的优化设计方法。首先,本文研究了极限学习机的基本理论与算法流程,运用极限学习机的预测功能,进行了辅助代理模型的构建。并通过与其他辅助代理模型预测精度的比较,验证了极限学习机良好的拟合和泛化性能。与此同时,为进一步提高极限学习机构建辅助代理模型的精度,研究了自适应克里金采样方法。这种方法通过多重抖动、紧凑搜索和专属空间三个采样步骤的结合,保证了采样的随机性、准确性与多样性。其次,将极限学习机算法与粒子群算法相结合,构建出基于极限学习机的粒子群优化算法（Extreme Learning Machine-Particle Swarm Optimization,ELM-PSO）,本文对其数学模型与算法步骤进行了研究。为了验证ELM-PSO的性能,本文选取了几个不同种类的标准测试函数对其进行试验分析,并通过与其他优化设计算法寻优结果的比较,验证了ELM-PSO良好的寻优能力。在工程试验测试方面,选用超导磁储能系统的设计问题对算法的性能进行进一步的测试。最后,将本文研究的ELM-PSO优化设计方法应用到电工装备的优化设计问题中去。以一台表贴式永磁同步电机为研究对象,通过对其电磁场和温度场的仿真以及二者的耦合,进一步分析电机性能,利用本文所研究的优化设计算法对电机进行优化,得到最优设计方案,实现对永磁同步电机损耗的优化设计,并对其温度场进行分析。另外还运用此优化算法对一台较大功率的内置V型永磁同步电机的转矩脉动进行了优化设计,实现对于该电机运行性能的改善。