Total harmonic distortion analysis of inverter fed induction motor drive using neuro fuzzy type-1 and neuro fuzzy type-2 controllers

Abstract

Introduction. When the working point of the indirect vector control is constant, the conventional speed and current controllers operate effectively. The operating point, however, is always shifting. In a closed-system situation, the inverter measured reference voltages show higher harmonics. As a result, the provided pulse is uneven and contains more harmonics, which enables the inverter to create an output voltage that is higher. Aim. A space vector modulation (SVM) technique is presented in this paper for type-2 neuro fuzzy systems. The inverter’s performance is compared to that of a neuro fuzzy type-1 system, a neuro fuzzy type-2 system, and classical SVM using MATLAB simulation and experimental validation. Methodology. It trains the input-output data pattern using a hybrid-learning algorithm that combines back-propagation and least squares techniques. Input and output data for the proposed technique include information on the rotation angle and change of rotation angle as input and output of produced duty ratios. A neuro fuzzy-controlled induction motor drive’s dynamic and steady-state performance is compared to that of the conventional SVM when using neuro fuzzy type-2 SVM the induction motor, performance metrics for current, torque, and speed are compared to those of neuro fuzzy type-1 and conventional SVM. Practical value. The performance of an induction motor created by simulation results are examined using the experimental validation of a dSPACE DS-1104. For various switching frequencies, the total harmonic distortion of line-line voltage using neuro fuzzy type-2, neuro fuzzy type-1, and conventional based SVMs are provided. The 3 hp induction motor in the lab is taken into consideration in the experimental validations. References 22, tables 3, figures 15.

Коли робоча точка непрямого векторного управління стала, традиційні регулятори швидкості та струму працюють ефективно. Проте робоча точка постійно змінюється. У ситуації закритої системи виміряна інвертором опорна напруга показує вищі гармоніки. В результаті імпульс, що подається, нерівномірний і містить більше гармонік, що дозволяє інвертору створювати більш високу вихідну напругу. Мета. У цій статті представлена методика просторової векторної модуляції (SVM) для нейронечітких систем типу 2. Продуктивність інвертора порівнюється з продуктивністю нейронечіткої системи типу 1, нейронечіткої системи типу 2 та класичної SVM з використанням моделювання MATLAB та експериментальної перевірки. Методологія. Навчається шаблон даних введення-виводу, використовуючи алгоритм гібридного навчання, який поєднує у собі методи зворотного поширення помилки та методу найменших квадратів. Вхідні та вихідні дані для запропонованої методики включають інформацію про кут повороту і зміну кута повороту як отримані вхідні і вихідні коефіцієнти заповнення. Динамічні характеристики приводу асинхронного двигуна з нейронечітким управлінням порівнюються з характеристиками звичайного SVM. При використанні нейронечіткого SVM типу 2 асинхронний двигун, показники продуктивності по струму обертаючого моменту і швидкості порівнюються з показниками приводу асинхронного двигуна з нейронечітким управлінням типу 1 та традиційного SVM. Практична цінність. Продуктивність асинхронного двигуна, створеного за результатами моделювання, досліджується з використанням експериментальної перевірки dSPACE DS-1104. Для різних частот перемикання розраховуються загальні гармонічні спотворення лінійної напруги з використанням нейронечіткого управління типу 2, нейронечіткого управління типу 1 і традиційного SVM. Асинхронний двигун потужністю 3 л.с. у лабораторії враховується під час експериментальних перевірок. Бібл. 22, табл. 3, рис. 15.