تخمين پارامترهاي موتور القايي با استفاده از بهينه‌سازي چرخه آب

Parameter Estimation of Induction Motors Using Water Cycle Optimization

اين مقاله كاربرد الگوريتم چرخه آب را كه به تازگي معرفي شده است، به منظور تخمين دقيق پارامترهاي موتور القايي از طريق اطلاعات پلاك آن نشان مي‌دهد. با توجه به اين حقيقت كه از موتورهاي القايي به طور گسترده اي در كاربردهاي صنعتي استفاده مي‌گردد، اين پارامترها تاثير قابل ملاحظه اي بر دقت و بازده اين موتورها و در نهايت عملكرد كل سيستم دارند. بنابراين، ضروريست كه الگوريتم‌ها به منظور تخمين پارامترهاي موتور القايي، توسعه داده شوند. مفاهيم اصلي و ايده‌هايي كه زمينه بوجود آمدن روش پيشنهادي گشته اند، از طبيعت و بر اساس مشاهده روند چرخه آب و اينكه چگونه رودخانه‌ها و جويبارها در دنياي واقعي جاري مي‌شوند و به دريا مي‌ريزند الهام گرفته شده اند. توابع هدف، بصورت كمينه كردن مقادير واقعي خطاي نسبي بين گشتاورهاي اندازه‌گيري شده و تخمين زده شده ماشين، در لغزش‌هاي مختلف تعريف شده اند. روش ارائه شده، به دو موتور نمونه مختلف اعمال گشته و نتايج روش پيشنهادي، با ديگر روش‌هاي فرابتكاري كه قبلاً به چاپ رسيده، مقايسه شده اند كه نشان از قابليت و همگرايي سريع روش پيشنهادي دارد.

This paper presents the application of recently introduced water cycle algorithm (WCA) to optimize the parameters of exact and approximate induction motor from the nameplate data. Considering that induction motors are widely used in industrial applications, these parameters have a significant effect on the accuracy and efficiency of the motors and, ultimately, the overall system performance. Therefore, it is essential to develop algorithms for the parameter estimation of the induction motor. The fundamental concepts and ideas which underlie the proposed method is inspired from nature and based on the observation of water cycle process and how rivers and streams ï‌‚ow to the sea in the real world. The objective function is defined as the minimization of the real values of the relative error between the measured and estimated torques of the machine in different slip points. The proposed WCA approach has been applied on two different sample motors. Results of the proposed method have been compared with other previously applied Meta heuristic methods on the problem, which show the feasibility and the fast convergence of the proposed approach.