ارزيابي عملكرد الگوريتم هاي فراابتكاري در تخمين پارامترهاي ساختاري موتور القايي قفسه سنجابي

Performance Assessment of Meta-Heuristic Optimization Algorithms in Estimation of Structural Parameters of Squirrel Cage Induction Moto

با توجه به اهميت فراوان موتورهاي القايي در صنعت، نگهداري و محافظت از آن ها امري ضروري و حياتي مي باشد. يكي از راه هاي نگهداري از چنين موتورهايي بررسي مداوم سلامت آنها مي باشد كه از طريق مونيتورينگ مداوم مقادير پارامترهاي ساختاري آن ميسر مي شود. بروز كوچكترين مشكلي در موتور القايي قفسه سنجابي تاثير قابل توجهي بر مقادير پارامترهاي ساختاري آن مانند مقاومت هاي استاتور و روتور، اندوكتانس هاي استاتور و روتور و اندوكتانس متقابل مي گذارد، از طرف ديگر، تخمين درست و دقيق پارامترهاي ساختاري، كمك شايان توجهي به كنترل وضعيت موتور نيز خواهد كرد. در اين مقاله براي تخمين پارامترهاي ساختاري موتور القايي از رويكرد شناسايي جعبه خاكستري استفاده شده است. با استفاده از داده هاي استخراج شده از موتور كه عبارتند از مقادير موثر جريان استاتور و ضريب توان و با كاربرد الگوريتم هاي فراابتكاري كه عبارتند از بهينه سازي جمعيت ذرات، بهبود يافته بهينه سازي جمعيت ذرات، جستجوي گرانشي، بهبود يافته جستجوي گرانشي، جستجوي هارموني و تبريد شبيه سازي شده، مدلي از موتور القايي قفسه سنجابي مورد مطالعه تخمين زده شده است. نتايج بدست آمده نشان مي دهند، الگوريتم هاي فراابتكاري مي توانند گزينه مناسبي براي تخمين پارامترهاي موتور القايي باشند. ارزيابي ها نشان مي دهند، مي توان با مصلاحه اي بين سرعت، دقت و قابليت اطمينان با توجه به نياز كاربر در بين الگوريتم هاي فراابتكاري بهترين گزينه را انتخاب كرد.

Induction motors are so important in industry، so their protection and maintenance seem a vital issue. Continuous control of structural parameter of such motors is the way that can protect them. Appearance of a small problem in motor can change the value of structural parameter of squirrel cage induction motor، such as; resistances of stator and rotor، inductances of stator and rotor and mutual inductance. Therefore، precise estimation of these structural parameters with acceptable reliability can help to control condition of motor. In this paper، in order to estimate the structural parameters of under studied induction motor، gray box identification procedure has been used، such that using extracted data from motor (namely; values of root mean square of stator current and power factor) and meta-heuristic algorithms، which are Particle Swarm Optimization (PSO)، Improved version of Particle Swarm Optimization (IPSO)، Gravitational Search Algorithm (GSA)، Improved version of Gravitational Search Algorithm (IGSA)، Harmony Search (HS) and Simulated Annealing (SA)، a model of under studied induction motor is identified. Obtained results show that meta-heuristic optimization algorithms can be a good chose for estimating the parameters of induction motor. Assessments show that implementing tradeoff between speed، accuracy and reliability based on the user’s requirement best meta-heuristic algorithm can be selected.