RISS 학술연구정보서비스

검색
다국어 입력

http://chineseinput.net/에서 pinyin(병음)방식으로 중국어를 변환할 수 있습니다.

변환된 중국어를 복사하여 사용하시면 됩니다.

예시)
  • 中文 을 입력하시려면 zhongwen을 입력하시고 space를누르시면됩니다.
  • 北京 을 입력하시려면 beijing을 입력하시고 space를 누르시면 됩니다.
닫기
    인기검색어 순위 펼치기

    RISS 인기검색어

      듀얼 유도 전동기 구동을 위한 5-레그 인버터의 저연산 모델 예측 제어 기법

      한글로보기

      https://www.riss.kr/link?id=T17411317

      • 0

        상세조회
      • 0

        다운로드
      서지정보 열기
      • 내보내기
      • 내책장담기
      • 공유하기
      • 오류접수

      부가정보

      국문 초록 (Abstract) kakao i 다국어 번역

      본 논문에서는 5-레그 인버터(Five-Leg Inverter, FLI)를 이용하여 두 대의 3상 유도전동기(Induction Motor, IM)를 독립적으로 구동하기 위한 저연산 모델 예측 제어(Low-Complexity Model Predictive Control, L-MPC) 기법을 제안한다. 기존의 MPC 기법 중 전체 전압 벡터 기반 모델 예측 제어(Full-set MPC, Fs-MPC) 기법은 모든 후보 전압 벡터를 고려하여 최소 비용을 갖는 벡터를 선택한다. 그러나 5-레그 인버터 구동 시스템에서는 후보 전압 벡터가 32개 존재하므로 연산 부담이 크며, 제어기의 성능에 따라 제어 주기가 제한될 수 있다. 인접 전압 벡터 기반 모델 예측 제어 (Adjacent Vector MPC, A-MPC) 기법은 연산량의 부담을 줄이기 위해 현재의 스위칭 상태에서 인접한 유효 전압 벡터와 영전압 벡터만을 후보 전압 벡터로 선택하는 방식이다. 하지만 비교하는 후보 전압 벡터 수가 줄어들기 때문에 전류 리플이 커진다는 단점이 있다. 따라서 연산의 복잡도 측면과 전류 리플 측면을 모두 고려하기 위해 L-MPC 기법이 제안되었다. L-MPC 기법은 단 4개의 후보 전압 벡터만을 고려함으로써 전류 리플 성능을 저해하지 않으면서도 연산량을 효과적으로 감소시킨다. L-MPC 기법에서는 두 대의 IM에 우선 순위를 부여하며, 각 제어 주기마다 우선 순위를 교대로 전환한다. 이때, 우선 순위는 최적화 순서를 의미한다. 현재의 제어 주기동안 첫번째 IM이 먼저 최적화 과정이 수행된다고 가정하면, 다음 제어 주기동안은 두번째 IM이 먼저 최적화 과정이 수행된다. 최적화 과정은 우선 순위가 높은 IM이 지령 전압 벡터가 위치한 섹터를 기반으로 2개의 인접한 유효 전압 벡터, IM의 회전방향에 따라 다음 순서의 1개의 유효 전압 벡터와 1개의 영 벡터를 후보 전압 벡터로 선택한다. 그 중 최소 비용을 갖는 전압 벡터를 선택한다. 우선순위가 낮은 IM는 우선순위가 높은 IM에서 선택된 전압 벡터의 공통 레그의 스위칭 상태에 따라 2개의 영전압 벡터 중 자동으로 결정된다. 따라서 L-MPC은 기존 MPC 기법보다 적은 수의 후보 전압 벡터를 고려하여 연산 시간을 단축시킬 수 있으며, 뿐만 아니라 지령 전압 벡터의 계산으로 전류 리플도 감소시킬 수 있다. 제안하는 기법의 타당성은 PSIM 시뮬레이션과 실험을 통해 검증한다.
      번역하기

      본 논문에서는 5-레그 인버터(Five-Leg Inverter, FLI)를 이용하여 두 대의 3상 유도전동기(Induction Motor, IM)를 독립적으로 구동하기 위한 저연산 모델 예측 제어(Low-Complexity Model Predictive Control, L-MPC) ...

      본 논문에서는 5-레그 인버터(Five-Leg Inverter, FLI)를 이용하여 두 대의 3상 유도전동기(Induction Motor, IM)를 독립적으로 구동하기 위한 저연산 모델 예측 제어(Low-Complexity Model Predictive Control, L-MPC) 기법을 제안한다. 기존의 MPC 기법 중 전체 전압 벡터 기반 모델 예측 제어(Full-set MPC, Fs-MPC) 기법은 모든 후보 전압 벡터를 고려하여 최소 비용을 갖는 벡터를 선택한다. 그러나 5-레그 인버터 구동 시스템에서는 후보 전압 벡터가 32개 존재하므로 연산 부담이 크며, 제어기의 성능에 따라 제어 주기가 제한될 수 있다. 인접 전압 벡터 기반 모델 예측 제어 (Adjacent Vector MPC, A-MPC) 기법은 연산량의 부담을 줄이기 위해 현재의 스위칭 상태에서 인접한 유효 전압 벡터와 영전압 벡터만을 후보 전압 벡터로 선택하는 방식이다. 하지만 비교하는 후보 전압 벡터 수가 줄어들기 때문에 전류 리플이 커진다는 단점이 있다. 따라서 연산의 복잡도 측면과 전류 리플 측면을 모두 고려하기 위해 L-MPC 기법이 제안되었다. L-MPC 기법은 단 4개의 후보 전압 벡터만을 고려함으로써 전류 리플 성능을 저해하지 않으면서도 연산량을 효과적으로 감소시킨다. L-MPC 기법에서는 두 대의 IM에 우선 순위를 부여하며, 각 제어 주기마다 우선 순위를 교대로 전환한다. 이때, 우선 순위는 최적화 순서를 의미한다. 현재의 제어 주기동안 첫번째 IM이 먼저 최적화 과정이 수행된다고 가정하면, 다음 제어 주기동안은 두번째 IM이 먼저 최적화 과정이 수행된다. 최적화 과정은 우선 순위가 높은 IM이 지령 전압 벡터가 위치한 섹터를 기반으로 2개의 인접한 유효 전압 벡터, IM의 회전방향에 따라 다음 순서의 1개의 유효 전압 벡터와 1개의 영 벡터를 후보 전압 벡터로 선택한다. 그 중 최소 비용을 갖는 전압 벡터를 선택한다. 우선순위가 낮은 IM는 우선순위가 높은 IM에서 선택된 전압 벡터의 공통 레그의 스위칭 상태에 따라 2개의 영전압 벡터 중 자동으로 결정된다. 따라서 L-MPC은 기존 MPC 기법보다 적은 수의 후보 전압 벡터를 고려하여 연산 시간을 단축시킬 수 있으며, 뿐만 아니라 지령 전압 벡터의 계산으로 전류 리플도 감소시킬 수 있다. 제안하는 기법의 타당성은 PSIM 시뮬레이션과 실험을 통해 검증한다.

      더보기

      목차 (Table of Contents)

      • Ⅰ. 서론 1
      • 1.1 연구 배경 및 필요성 1
      • 1.2 연구 목적 및 내용 6
      • 1.3 논문 개요 8
      • Ⅱ. 유도 전동기 9
      • Ⅰ. 서론 1
      • 1.1 연구 배경 및 필요성 1
      • 1.2 연구 목적 및 내용 6
      • 1.3 논문 개요 8
      • Ⅱ. 유도 전동기 9
      • 2.1 유도 전동기의 구조 9
      • 2.2 유도 전동기의 회전원리 10
      • 2.3 유도 전동기의 모델링 11
      • 2.4 유도 전동기의 d-q 축 모델 16
      • Ⅲ. 5-레그 인버터 및 모델 예측 제어 기법 20
      • 3.1 5-레그 인버터 특성 20
      • 3.2 회전자 자속 기준 제어 23
      • 3.3 모델 예측 제어 프로세스 26
      • 3.4 기존 모델 예측 제어 기법의 벡터 선정 방법 33
      • Ⅳ. 제안하는 모델 예측 제어 기법 42
      • 4.1 저연산 모델 예측 제어기법 42
      • Ⅴ. 시뮬레이션 52
      • 5.1 시뮬레이션 환경 52
      • 5.2 시뮬레이션을 통한 제안하는 기법 검증 55
      • Ⅵ. 실험 63
      • 6.1 실험 환경 63
      • 6.2 실험을 통한 제안하는 기법 검증 65
      • Ⅶ. 결론 74
      • 참고문헌 75
      • Abstract 79
      더보기

      분석정보

      View

      상세정보조회

      0

      Usage

      원문다운로드

      0

      대출신청

      0

      복사신청

      0

      EDDS신청

      0

      동일 주제 내 활용도 TOP

      더보기

      주제

      연도별 연구동향

      연도별 활용동향

      연관논문

      연구자 네트워크맵

      공동연구자 (7)

      유사연구자 (20) 활용도상위20명

      이 자료와 함께 이용한 RISS 자료

      나만을 위한 추천자료

      해외이동버튼