مدل سازی و کاهش تلفات هیسترزیس و جریانهای فوکو در هسته ترانسفورماتور با استفاده از مدل ترکیبی تحلیلی و یادگیری تقویتی

ترانسفورماتورها به عنوان یکی از اجزای اصلی شبکه های قدرت بخش قابل توجهی از تلفات انرژی را به واسطه پدیده های هیسترزیس و جریان های فوکو در هسته خود تجربه می کنند. در این مقاله رویکرد ترکیبی برای مدل سازی و کاهش تلفات مغناطیسی ارائه می شود که تلفیقی از مدل تحلیلی کلاسیک و روش یادگیری تقویتی (Reinforcement learning) است. ابتدا روابط ریاضی تلفات فوکو و هیسترزیس با استفاده از مدل اشتایمتز و تقریب های استاندارد هسته فرومغناطیسی استخراج شده اند سپس یک عامل یادگیری تقویتی با تعریف محیط و تابع پاداش مبتنی بر کاهش تلفات کل هسته طراحی گردید تا پارامترهای طراحی هسته از جمله چگالی شار، ضخامت ورقه و جنس ماده را به نحوی بهینه کند که مجموع تلفات حداقل شود. نتایج شبیه سازی نشان می دهد مدل ترکیبی پیشنهادی قادر است نسبت به روش های تحلیلی معمول در محدوده های مختلف فرکانس کاری، کاهش چشمگیری در تلفات کل تا حدود ۱۵-۲۰ درصد ایجاد نماید. این روش می تواند مبنای موثری برای طراحی هوشمند ترانسفورماتورهای نسل جدید با بازده بالاتر باشد.

کلیدواژه ها:

ترانسفورماتور ، قدرت ، تلفات هیسترزیس ، تلفات جریان های فوکو ، مدل سازی تحلیلی ، یادگیری تقویتی