Parameteridentifikation von Asynchronmaschinen

Ausgangslage

Die elektrische Simulation von Asynchronmotoren (wie zum Beispiel im Typhoon HIL Control Center) erfordert die Kenntnis der elektrischen Parameter im Ersatzschaltbild. Da die Motor-Datenblätter diese Angaben nicht direkt enthalten, gibt es verschiedene Berechnungsmethoden, um die Parameter aus den verfügbaren Katalogdaten zu berechnen. Dieser Ansatz kann jedoch nicht verwendet werden, falls nur die Angaben auf dem Typenschild bekannt sind. Genau für diesen Fall wurde hier eine neuartige Methode entwickelt, die durch den Einsatz von maschinellem Lernen die verlässliche Bestimmung der elektrischen Motorparameter ermöglicht

Ziele

• Entwicklung eines Verfahrens zur Parameterschätzung von Asynchronmotoren aus Typenschilddaten
• Einsatz von maschinellem Lernen mit Trainigsdaten aus Katalogen mehrerer Motorhersteller
• Bestimmung des am besten geeigneten Schätzalgorithmus auf der Grundlage einer Kreuzkorrelations-Analyse von Trainings- und Testdaten
  
  

Ergebnisse

Es wurden mehrere auf maschinellem Lernen basierende Regressionsmethoden für die Parameterschätzung von Asynchronmaschinen untersucht und in Python implementiert. Algorithmen des maschinellen Lernens bieten einen klaren Vorteil für das Problem der Parameteridentifikation: Es ist möglich, die Anzahl der bekannten Eingabeparameter frei zu wählen, um die elektrischen Parameter zu berechnen. Dieser Ansatz erlaubt es, aus einer sehr begrenzten Anzahl von bekannten Parametern, wie z.B. die auf dem Typenschild vorhandenen Angaben, die elektrischen Parameter der Asynchronmaschine verlässlich zu bestimmen.

Abbildung 1: Violin-Diagramm der relativen Differenz von vorhergesagten und tatsächlichen Werten in Prozent, für die elektrischen Parameter Rs, Rr, Xs(=Xr) und Xm. Die orange Linie markiert den Median der getesteten Werte, die schwarzen Linien markieren die grössten Differenzen. Zur Berechnung wurde eine nichtlineare Regression mit Laplace Kernelfunktion verwendet. Dies ergab die beste Übereinstimmung von Trainings- und Testdaten.

Abbildung 2: Schematischer Ablauf des auf maschinellem Lernen basierenden Algorithmus zur Parameteridentifikation.

Abbildung 3: Typenschild einer Asynchronmaschine