Model Identification in Electric Drives

Ing. Jakub ŠEVČÍK

Doctoral thesis

Abstract:

Traditional identification methods in electric drives often rely on simple techniques such as ordinary or recursive least squares, which can lead to excessive model averaging and diminished performance in long-horizon predictions. This dissertation seeks to bridge the gap between theoretical advancements in system identification and their practical implementation in the evolving field of electric drives. Although these advanced identification approaches introduce additional complexity, they significantly enhance the stability and accuracy of the identified models, making them more suitable for real-world applications. The dissertation focuses on two specific applications: thermal modeling of semiconductor power modules and flux linkage modeling of synchronous machines. It explores a range of modeling approaches, including auto-regressive black-box models, neural networks, and probabilistic compartment models, while proposing the use of modern learning techniques such as deep learning, the neural ordinary differential equation approach, and the well-established expectation-maximization algorithm. By embedding physical equations into data-driven models, this work improves parameter estimation, resulting in models that are precise, reliable, and interpretable, with the added potential for extrapolation capabilities. These models can also capture individual device characteristics and adapt to unique operational conditions. Designed to be accurate, computationally efficient, and interpretable, the identified models are suitable for real-time control and diagnostics.

Abstract:

Tradiční metody identifikace v oblasti elektrických pohonů často spoléhají na jednoduché techniky, jako je metoda obyčejných nebo rekurzivních nejmenších čtverců, jejichž použití může způsobit nadměrné zprůměrování modelu, a tím vést ke snížení jeho kvality, což je patrné například při predikcích na delším časovém horizontu. Tato disertace se snaží propojit teoreticky pokročilé techniky vyvinuté v oblasti identifikace systémů s jejich možným praktickým využitím v elektrických pohonech. Ačkoliv pokročilé metody identifikace přinášejí dodatečnou výpočetní složitost, jejich použití výrazně zvyšuje stabilitu a přesnost identifikovaných modelů, které se tak stávají vhodnějšími pro praktické aplikace. Tato disertační práce se zaměřuje na dvě konkrétní aplikace: teplotní modelování výkonových polovodičových modulů a modelování magnetického toku v synchronních strojích. Zkoumá různé přístupy k modelování, včetně autoregresivních modelů typu "black-box", neuronových sítí a pravděpodobnostních kompartmentových modelů, a navrhuje využití moderních metod učení, jako je hluboké učení (deep learning), metoda neuronových obyčejných diferenciálních rovnic (Neural ODE) a v oblasti identifikace systémů dobře známý algoritmus Expectation-Maximization. Tato práce dále zkoumá přístupy začleňující fyzikální znalost systému (physics-informed approach) do klasických metod učení modelů z dat. Tento přístup umožňuje přesnější identifikaci parametrů a přináší modely, které jsou spolehlivější, interpretovatelné a mají potenciál extrapolace. Modely identifikované představenými přístupy jsou navíc schopné zachytit individuální vlastnosti zkoumaných zařízení a přizpůsobit se specifickým provozním podmínkám. Díky vyšší přesnosti, výpočetní efektivitě a interpretovatelnosti jsou tyto identifikované modely vhodné pro řízení a diagnostiku elektrických pohonů v reálném čase.

Keywords

kompartmentový model, expectation-Maximization, magnetický tok, identifikace modelu, neuronové ODE, odhad parametrů, výkonový polovodičový modul, stavový prostor, synchronní stroj, identifikace systémů, termální model

Jazyk práce: English

Datum vytvoření / odevzdání či podání práce: 25. 10. 2024

Zverejniť od: 31. 12. 2999

Obhajoba závěrečné práce

• Vedúci: Prof. Ing. Václav Šmídl, Ph.D.

University of West Bohemia

Faculty of Electrical Engineering

Doctoral programme / odbor:
Electrical Engineering and Information Technology / Electrical Engineering and Information Technology