Loss Estimator for Electric Motors Driven With Model Predictive Pulse Pattern Control

Abstract

Harmonic content of the supply voltage is an important design consideration for medium-voltage (MV) permanent magnet (PM) motors, because it can lead to increased losses in the motor, potentially causing issues with heating. Use of frequency converters for motor control commonly generates harmonics in the motor’s supply voltage. Calculating harmonic losses during the design stage of a PM motor is often time-consuming and complicated. This thesis investigated an alternative approach for calculating harmonic losses for a MV PM motor supplied with a frequency converter utilising model predictive pulse pattern control (MP3C) as a control algorithm. The objective was to develop a fast and streamlined method for MP3C loss estimation.

The thesis adopted a statistical machine learning (ML)-based approach for MP3C loss estimation. During the thesis, an estimator program was developed that utilises ML models trained using pre-calculated loss data. The estimator program was implemented using Python and LightGBM ML framework. The program generates estimates with a set of multiple ML models in conjunction with an interpolation algorithm. Training data for the ML models was calculated with finite element method (FEM) using a simulated MP3C voltage waveform. The general feasibility of a ML-based loss estimation program was demonstrated in the thesis. The implemented program serves as a functional prototype for further development of this concept. Accuracy of estimations was not evaluated due to limited availability of the training data. The process for calculating the training data was identified as the key area where further development is needed, as the process requires a considerable amount of manual work. Continuing the automation efforts already undertaken in the thesis will likely increase the feasibility of the demonstrated approach.

Sähkömoottorin syöttöjännitteen sisältämä yliaaltosisältö aiheuttaa moottorissa harmonisia häviöitä. Häviöt aiheuttavat moottorissa lämpenemistä, joka saattaa puolestaan johtaa ongelmiin suorituskyvyssä ja toimintavarmuudessa. Taajuusmuuttajan käyttö moottorin ohjaamiseen on yksi yleisistä yliaaltosisällön lähteistä. Harmonisten häviöiden laskeminen on usein oleellinen tieto moottoria suunniteltaessa. Tyypillisesti se on kuitenkin hidasta ja monimutkaista. Tässä diplomityössä tutkittiin vaihtoehtoista menetelmää harmonisten häviöiden arviointiin kestomagneettimoottorille, jota syötetään malliprediktiivisellä pulssijonosäädöllä ohjatulla taajuusmuuttajalla. Tavoitteena oli kehittää nopea ja helppokäyttöinen menetelmä häviöiden arviointiin. Työssä kehitettiin ohjelma häviöiden arvioimiseen. Ohjelman toiminta perustuu koneoppimismalleihin, jotka opetetaan ennalta lasketulla häviöaineistolla. Arvio häviöistä halutussa toimintapisteessä muodostetaan usean koneoppimismallin arvioiden pohjalta interpoloimalla. Opetusaineisto muodostettiin laskemalla harmonisia häviöitä elementtimenetelmällä. Laskuissa hyödynnettiin simuloimalla tuotettua malliprediktiivisen pulssijonosäädön jänniteaaltomuotoa. Työ toteutettiin Python-ohjelmointikielellä hyödyntäen LightGBM-koneoppimiskirjastoa. Työn tuloksena voidaan todeta, että koneoppimismalleihin perustuva häviöiden arvionti vaikuttaa menetelmänä käyttökelpoiselta. Työssä tuotettiin toimiva prototyyppi häviöiden arvointiohjelmasta, jonka tarkkuutta ei kuitenkaan päästy rajallisesta opetusaineistosta johtuen mittaamaan.

Työssä käytetty opetusaineiston keräysmenetelmä osoittautui aikaavieväksi. Joitakin osia aineiston keräysprosessista automatisoitiin työn aikana kehitetyillä apuohjelmilla, mutta aineiston kerääminen vaatii edelleen paljon manuaalista työtä. Aineiston keräysprosessin täysi automatisointi parantaisi työssä esitellyn menetelmän sovellettavuutta.