Prediktivní řízení asynchronního motoru

Abstract

Elektrické pohony jsou v dnešní době nedílnou součástí výrobního průmyslu. Se vzrůstajícími nároky průmyslových aplikací vzniká tlak na kvalitu a přesnost řídicích procesů elektrických pohonů. Vývoj v oblasti výkonové elektroniky, mikroprocesorových systémů a umělé inteligence umožňuje rozvoj řídicích technik elektrických pohonů. Jednou z větví těchto řídicích strategií jsou techniky prediktivního řízení. Tato práce vychází z principu prediktivní techniky řízení MPC. Myšlenku MPC v praxi reprezentují metody FCS-MPC a CCS-MPC. Metoda FCS-MPC pracuje s variabilní spínací frekvencí na rozdíl od metody CCS-MPC, kde je díky modulátoru použita fixní spínací frekvence. Hlavním záměrem práce je detailně pospat metodu FCS-MPC, přičemž metoda CCS-MPC je zmíněna pouze okrajově. Práce dokumentuje implementaci metody FCS-MPC do prostředí Simulink, kde byl pro testování metody sestaven výkonový model. Hlavní prvky metody FCS-MPC, jako prediktivní model a optimalizace v časovém rámci, jsou zahrnuty v řídicí části. Práce dále popisuje chování metody během řízení asynchronního motoru s kotvou nakrátko. Výsledky jsou vyhodnoceny pomocí simulace průběhů daných veličin. Závěrem je zhodnocení řídicí metody FCS-MPC.

Electric drives are an integral part of today's manufacturing industry. With the increasing demands of industrial applications, there is pressure on the quality and accuracy of the control processes of electric drives. Developments in power electronics, microprocessor systems, and artificial intelligence enable the advancement of control techniques for electric drives. One branch of these control strategies is predictive control techniques. This work is based on the principle of the Model Predictive Control (MPC) technique. In practice, the idea of MPC is represented by the methods FCS-MPC and CCS-MPC. The FCS-MPC method operates with a variable switching frequency, in contrast to the CCS-MPC method, which uses a fixed switching frequency thanks to a modulator. The main aim of this work is to detail the FCS-MPC method, with the CCS-MPC method being mentioned only marginally. The work documents the implementation of the FCS-MPC method into the Simulink environment, where a power model was assembled for testing the method. The main elements of the FCS-MPC method, such as the predictive model and optimization within the time frame, are included in the control part. The work also describes the behavior of the method during the control of a squirrel-cage induction motor. The results are evaluated using simulations of the given quantities. In conclusion, the control method FCS-MPC is evaluated.