مدل‌سازي حالت گذراي حرارتي در ترانسفورماتور چند سيم‌پيچه دوطبقه مبتني بر روش تفاضلات محدود و شبكه‌هاي عصبي مصنوعي

Transient Thermal Modeling of Split-Winding Transformer based on Finite Difference Method and Artificial Neural Networks

ترانسفورماتورهاي چند سيم پيچه به‌ طور عمده‌اي در صنايع ريلي و كارخانه‌هاي فولادسازي مورد استفاده قرار مي‌گيرند. ترانسفورماتورهاي مورد استفاده در اين سيستم‌ها داراي ساختار ويژه‌اي (دوطبقه) بوده و از لحاظ حرارتي و مغناطيسي مشكلات و پيچيدگي‌هايي را به همراه دارند. با توجه به ساختار ويژه ترانسفورماتور چند سيم پيچه دوطبقه، تحليل حالت گذراي حرارتي سيم‌پيچي‌هاي اين ترانسفورماتور از درجه اهميت بسيار بالايي برخوردار است. در اين مقاله ابتدا يك مدل مبتني بر روش تفاضلات محدود جهت مدل‌سازي رياضي رفتار حرارتي سيم‌پيچي‌ها در شرايط گذرا معرفي شده است. با تأييد صحت مدل‌سازي با كمك نتايج تجربي، يك بارگيري نمونه به ترانسفورماتور دو طبقه نوعي اعمال و درجه حرارت سيم‌پيچي‌هاي آن در زمان‌هاي مختلف نمونه‌برداري مي‌شود. در ادامه با ارائه مدل‌هايي مبتني بر شبكه‌هاي عصبي مصنوعي و آموزش آن‌ها با كمك داده‌هاي حرارتي به دست آمده در قسمت اول مقاله، مدل‌هايي ديناميك جهت مطالعه رفتار حرارتي سيم‌پيچي‌هاي ترانسفورماتور چند سيم پيچه دوطبقه پيشنهاد مي‌شود. چنانچه نشان داده شده است، مدل‌هاي ارائه شده بر مبناي شبكه‌هاي عصبي، از دقت بالايي جهت مدل‌سازي حالت گذراي حرارتي در ترانسفورماتور دو طبقه برخوردارند.

Nowadays, multi-winding transformers are widely used in traction systems and steel manufacturer. Multi-winding transformer that is used in these systems has especial geometry (that is usually called as split-winding transformer) and encounters with serious magnetic and thermal difficulties. According to the special geometry of split-winding transformer, studding the transient thermal behavior of their windings is very important. In this paper, a finite difference based method is introduced for mathematical modeling of windings' thermal behavior in transient state. After validating the mathematical model with experimental results, a typical loading is applied to the split-winding transformer and windings' temperatures are sampled in different time periods.Afterwards, by introducing artificial neural networks and training their parameters with thermal data gathered in the first section of the paper, two novel dynamic models have been proposed for windings thermal analysis in the split-winding transformer. As it has been shown, the introduced neural network based thermal models have good precision in transient thermal modeling of split-winding transformer.