بهبود عملكرد محركه هاي القايي با الگوريتم Q-Learning

Using The Q-Learning in order to Improving the Efficiency in Drive of Induction Motors

يادگيري تقويتي روشي است كه در آن عامل با در نظر گرفتن حالت محيط، از بين همه اعمال ممكن ،يكي را انتخاب مي كند و محيط در ازاي انجام آن عمل، يك سيگنال عددي به نام پاداش به عامل باز مي گرداند. هدف عامل اين است كه از طريق سعي و خطا سياستي را بيابد كه با دنبال كردن آن به بيشترين پاداش ممكن برسد. در اين مقاله ، سعي داريم به عامل ياد بدهيم چگونه تلفات موتور القايي را كاهش بدهد. ايده اصلي ،استفاده از الگوريتم Q-Learning براي يافتن بهترين و بهينه ترين عمل در هر حالت از محيط مي باشد. حالت هاي الگوريتم شامل گشتاور الكترومغناطيسي (Te) و سرعت موتور (wr) بوده و عمل ، جريان مغناطيسي imr مي باشد.

Reinforcement learning is a method where an agent considers the environment state, chooses one action among all the possible actions, and the environment returns a Numerical signal as a reward for that action. The agent aims at finding a policy by trial-and-error method to reach the maximum reward. In this paper, we have tried to teach the agent how to reduce the induction motor loss. The main idea is to use Q-Learning algorithm in order to find the best and optimal action in every state of the environment. The algorithm states include electromagnetic torque (Te) and motor speed (wr), and the action is imr magnetic current.