Estimacion de Parametros de un motor de inducción utilizando algoritmos de optimizacion Dado que el modelo de motor de inducción es alta mente no lineal, algoritmo de búsqueda local se podrían quedar atrapados en mínimos locales.
el modelo de motor de inducción ha sido linealizado para permitir la aplicación directa de un algoritmo de identificación de mínimos cuadrados.
El resultado de la estimación de parámetros del algoritmo de búsqueda local depende de el punto de inicio [39] altamente. Por lo tanto, la optimización global algorithm basado en HCP se selecciona para permitir la búsqueda mínimo global para este no lineal y multi-tarea dimensión estimación de parámetros en un cálculo eficiente y precisa
4.2 redes dispersas En una dimensión (
d =
1), un conjunto de puntos de rejilla equidistantes en la junta
interna l : : = [- 0,5, 0,5 ] de Nivel L está dada por o L : = { x i , L = i · h } , i = ± { 0, 1, 2, ..., 2 L
-1}.
(4.1) donde h = 2 - ( L + 1 ) es el tamaño de la malla. El esquema de la rejilla 1-dimensional señala con Nivel L = 0, 1, 2, 3, 4 y 5 se muestran en la figura 4.1. Sobre Sobre la base de los puntos puntos de la cuadrícula 1-dimensionales, la d rejilla dimensional se define como
parámetros del motor de inducción se obtienen generalmente de hoja de datos del fabricante. Cómo- nunca, el fabricante por lo general se describen estos parámetros parámetros bajo de partida o de carga completa condición, en lugar de las condiciones de funcionamiento reales. Es bien conocido que los parámetros están influidos no sólo por el nivel de carga sino también los factores ambientales [10]. Especialmente, la resistencia del estator cambia dramáticamente con la variación de temperatura cuando una inducción el motor funciona a baja velocidad y cargas pesadas [184]. [ 184].
Por lo tanto, la estimación del valor real de la resistencia del estator es el más importante para un funcionamiento estable a velocidad muy baja [52]. Además, también es necesario realizar un seguimiento de la
variación de los parámetros del motor durante las
condiciones normales de funcionamiento. Linealizar motor de inducción
Los sensores no suelen ser preferidos teniendo en cuenta los problemas inherentes tales como la fragilidad, montaje, coste, precisión y fiabilidad
Introduccion
Los motores de inducción son el caballo de batalla más importante de la industria de la energía eléctrica. Son de bajo costo, altamente eficientes, robustos y confiables. El rango de potencia de la inducción Motores es de unos pocos cientos de vatios a megavatios, lo que satisface el requisito De la mayoría de los procesos industriales Los motores de inducción se han utilizado en Aplicaciones de uso general, incluidas máquinas herramienta, elevadores, bombas centrífugas Máquinas, transportadores y prensas, sino también emplazamientos peligrosos y Tales como elevadores de grano, trituradoras y equipos para carbón, petroquímica y Plantas de gas natural. Estrés ambiental, ciclos de trabajo pesado, condiciones de ca rga, instalación y fabricación Las imperfecciones pueden reducir la eficiencia o causar un mal funcionamiento de los motores de inducción, Llevando a los gastos de reparación y pérdidas financieras debido a inesperado tiempo de inactividad. Reduciendo El costo de operación y mantenimiento es uno de los requisitos críticos de la Turing industrias. Si los fallos no están pronosticados de antemano, pueden La pérdida de grandes ingresos, así como plantean amenaza a la fiabilidad y la seguridad de la operación. Condición es un método efectivo que puede captar la iniciación y el crecimiento de Fallas en la etapa inicial Por lo tanto, el monitoreo fiable de la condición y el diagnóstico de fallas Son necesarios para reducir el costo de mantenimiento y aumentar la productividad de la planta. El desarrollo de las técnicas de monitorización de estado del motor y diagnóstico de fallas En una mayor demanda de accionamientos por motor de inducción. En la fase inicial de sólo se aplicaron las protecciones del motor, como sobrecorriente, sobretensión Y fallas de tierra para asegurar un funcionamiento seguro y confiable. Funcionamiento ininterrumpido y disponibilidad del sistema, se han realizado enormes
Dedicado a mejorar la supervisión del estado del motor y técnicas de diagnóstico de fallas . Con el desarrollo de dispositivos electrónicos de potencia, las últimas décadas han visto Un rápido progreso en el control eficiente de la velocidad variando la frecuencia de suministro. Velocidad- Métodos de control sin sensores se han convertido en un importante área de Los sensores no suelen ser prefer idos teniendo en cuenta los problemas inherentes tales como la fragilidad, Montaje, coste, precisión y fiabilidad . Entre los muchos de alto rendimiento induccion(FOC) y control de par directo (DTC) son de particular importancia en los métodos de control de velocidad sin sensor. Para ambos sistemas, El control eficaz del motor de inducción depende del conocimiento exacto del moPara los parámetros. Los parámetros inexactos resultan en una degradación considerable de Estado y transitorio de dicho sistema de control. Linealizar Motor de Induccion Modelo matemático del motor de inducción
El modelado de la máquina de inducción trifásica se basa en las siguientes hipótesis y supuestos [155], El espacio de aire de la máquina ha supuesto espesor constante. Así, los efectos entallar y armónica espacio de generación puede ser ignorada; Las fuerzas magnetomotrices creados por fases del estator y del rotor se extienden en una manera sinusoidal a lo largo del espacio de aire; La asignación de fechas en el estator y el rotor produce variación insignificante en respectiva inducción distancias; El campo magnético no está saturado y tiene una permeabilidad constante; El efecto de la piel, efectos de histéresis y de Foucault no se tienen en cuenta; Los armónicos en voltajes y corrientes se descuidan; La temperatura del motor se mantiene constante resultante en parámetros constantes en elmodelos matemáticos. Estas hipótesis permiten el desarrollo de un modelo matemático práctica con una complejidad limitada. modelo de motor en coordenadas abc
La selección adecuada de una estructura de inducción modelo de motor y su parametrización son críticos ya que influyen tanto en la observabilidad y identificabilidad. La dinámica
modelo matemático de un motor de inducción está generalmente representado en el estacionaria un , b y c marco de referencia en términos de tensión, corriente y enlace de flujo de la siguiente manera
Inducción modelo de motor en αβ coordenadas Las cantidades de tres fases (tensiones y corrientes) se transforman de abc a αβ co ordenadas para reducir la complejidad computacional. Las matrices de transformación de estator y las variables del rotor de abc a αβ se definen de la siguiente manera
HCPA
redes dispersas
En una dimensión (
d =
1), un conjunto de puntos de rejilla equidistantes en la junta
interna l : = [- 0,5, 0,5 ] de Nivel L está dada por
(4.1) donde h = 2 - ( L + 1 ) es el tamaño de la malla. El esquema de la rejilla 1-dimensional señala con Nivel L = 0, 1, 2, 3, 4 y 5 se muestran en la figura 4.1. Sobre la base de los puntos de la cuadrícula 1-dimensionales, la d rejilla dimensional se define como
1.-FUNCION ROSEMBROG.- Esta función está relacionada con la optimización, es una función convexa utilizando como prueba de rendimiento para la optimización de algoritmos, donde el objetivo es encontrar el máximo rendimiento con valores mínimos.
f ( x )=100( x 2− x 1 )2 +(1− x 1)2 Para este ejemplo encontraremos el mínimo valor de x1 y x2 para hacer más óptimo el sistema. La función vosenbrock no esta implementada directamente en MatLab , para implementarlo necesitamos correr el script donde esta implementada el algoritmo >>help vrosenbrock vrosenbrock not found.
Para ello implementamos y corremos el script function z=vrosenbrock(x,y) z=100*(y - x.^2).^2 + (1-x).^2;
Donde z es la función a analizar x2=y , x1=x Entonces lo que definimos es la función a evaluar y lo guardamos como una función llamada vrosenbrock que tiene dos entradas (x,y), en este caso son dos vectores y a la salida nos devuelve un valor Z , esto para diferentes entradas de X y Y, que son ambos vectores de la misma longitud y consecuentemente Z también será un vector de la misma longitud, esto con fines prácticos para el ploteo.
Una vez corrido el programa lo guardamos como vrosenbrock.m extencion .m, es necesario que la función tenga el mismo nombre del script para que MatLab los lea. Ahora implementamos el siguiente script
function createfigure % Create figure figure1 = figure('Position',[1 400 1200 600]); colormap('gray'); axis square; R=0:.002:1; TH=2*pi*(0:.002:1); X=R'*cos(TH); Y=R'*sin(TH); Z=log(1+vrosenbrock(X,Y)); % Create subplot subplot1 = subplot(1,2,1,'Parent',figure1); view([124 34]); grid('on'); hold('all'); % Create surface surf(X,Y,Z,'Parent',subplot1,'LineStyle','none'); % Create contour contour(X,Y,Z, 'Parent',subplot1); % Create subplot subplot2 = subplot(1,2,2,'Parent',figure1); view([234 34]); grid('on'); hold('all'); % Create surface surf(X,Y,Z,'Parent',subplot2,'LineStyle','none'); % Create contour contour(X,Y,Z, 'Parent',subplot2);
Pero no solo es correr el script sino analizarlo en ese sentido, las líneas 5, 6, 7, 8,9, son la estructura principal del programa. R=0:.002:1; TH=2*pi*(0:.002:1); X=R'*cos(TH); Y=R'*sin(TH); Z=log(1+vrosenbrock(X,Y))
Donde R es un vector
TH es un vector de 501 elementos que va desde 0 hasta 2*pi con saltos de .002*pi, o en sexagesimales 0 hasta 360 grados con saltos de 0.1146 grados. Y como estamos trabajando en 3D necesitamos implementar algún tipo de coordenada 3 D y para este caso implementamos las coordenadas polares. X=r.cos(Θ)
Y=r.sen(Θ)
Z=log(1+funcion) propia de la función rosenbrock
Definimos X Definimos Y Y Obtenemos Z Todos son vectores Las demás líneas del código de la función créatefigure.m son para la visulaizacion de la imagen.
Aquí hay dos puntos de vista de la función de Rosenbrock en el disco unitario. El eje vertical es log escala; en otras palabras, la gráfica muestra log(1+f(x)) Las curvas de nivel se encuentran debajo de la superficie diagrama .
Donde el objetivo es encontrar para que valores en mínima la función , entonces podemos decir que optimizamos la función.
Existen muchas más funciones en Optimización Toolbox fsolve .-Es una función que soluciona y resuelve problemas un problema especificado F(x)=0 , para un valor de X ejemplo function F = root2d (x)
F (1) = exp (-exp (- (x (1) + x (2)))) - x (2) * (1 + x (1) ^ 2); F (2) = x (1) * cos (x (2)) + x (2) * sin (x (1)) - 0,5;
fun = @root2d; x0 = [0,0]; x = fsolve(fun,x0)
Resultado: x= 0
0.5671
Fminunc.- Es una función que resuelve problemas de dos dimensiones donde la entrada esta constituida por [x,fval] = fminunc(@fun,x0); donde @fun es la función a evaluar , x0 es el valor inicial ,la función evalua y resuelve el problema dando a la salida un valor de x que es la solución y fval es el valor de x evaluado en la función o visto de otra manera un valor y.
Fminunc Hessian Esta función está basada en la doble derivación y está asociada a los multiplicadores de Lagrange.
Ctrbf [Abar,Bbar,Cbar,T,k] = ctrbf(A,B,C) ctrbf(A,B,C,tol) Obsvf [Abar,Bbar,Cbar,T,k] = obsvf(A,B,C) obsvf(A,B,C,tol)
Definimos la función rosenbrock function f = rosenbrock(x) f = 100*(x(2) - x(1)^2)^2 + (1 - x(1))^2;
Definimos la function function [c, ceq] = unitdisk(x) c = x(1)^2 + x(2)^2 - 1; ceq = [ ]; Inplementamos en el
optimtool:
Como podemos ver en las iteraciones de la tabla coverge en la iteración 19 , ara un valor mini de la función rosembrock en la función unitydisk
Max
Line search Directional First-order
Iter F-count
f(x) constraint steplength derivative optimality Procedure
0
3
1
1
9
0.953127
2
16
0.808446
3
21
4
-1 -0.9375
0.125
-2
-0.8601
0.0625
-2.41
12.4
0.462347
-0.836
0.25
-12.5
5.15
24
0.340677
-0.7969
1
-4.07
0.811
5
27
0.300877
-0.7193
1
-0.912
3.72
6
30
0.261949
-0.6783
1
-1.07
3.02
7
33
0.164971
-0.4972
1
-0.908
2.29
8
36
0.110766
-0.3427
1
-0.833
2
9
40
0.0750939
0.5
-0.5
2.41
-0.284
3.19
-0.1592 -0.007618
1
12.5
10
43
0.0580974
11
47
0.048247
-0.003788
0.5
12
51
0.0464333
-0.00189
0.5
13
55
0.0459218 -0.0009443
0.5
-0.679
0.362
14
59
0.0457652 -0.0004719
0.5
-0.4
0.181
15
63
0.0457117 -0.0002359
0.5
-0.261
0.0905 Hessian modified
16
67
0.0456912 -0.0001179
0.5
-0.191
0.0453 Hessian modified
-2.96 -1.23
1.41 0.725
17
71
0.0456825 -5.897e-005
0.5
-0.156
0.0226 Hessian modified
18
75
0.0456785 -2.948e-005
0.5
-0.139
0.0113 Hessian modified
19
79 0.0456766 -1.474e-005
0.5
-0.13
0.00566 Hessian modified
Active inequalities (to within options.TolCon = 1e-006): lower
upper
ineqlin ineqnonlin 1
