IA para jugar bien

En resumen, existe una gran demanda de motores de caballo de batalla de alto rendimiento y valor por dinero. Pero los administradores de las redes eléctricas también exigen que estos motores causen una interrupción limitada.

El Dr. Mbika Muteba de la Universidad de Johannesburgo entrenó una IA para optimizar el diseño de un motor de jaula de ardilla. El estudio se publica en la revista Energies . La IA se aseguró de que el diseño optimizado causara pocas interrupciones en la red eléctrica a la que está conectado al mejorar significativamente el factor de potencia del motor.

En esta investigación, Muteba modeló y diseñó rotores y bobinas capacitivas auxiliares para un motor de jaula de ardilla de 5,5 kW (7,37 caballos de fuerza métricos). Luego construyó los rotores y los probó en el laboratorio. El rendimiento de los motores en el mundo real coincidió estrechamente con el rendimiento previsto.

El primer motor probado no tiene una bobina auxiliar en el estator y no está optimizado por IA. El segundo tiene una bobina auxiliar para mejorar el factor de potencia y tampoco está optimizado por AI. El tercer motor tiene una bobina auxiliar en el estator y también está optimizado por el algoritmo AI. El algoritmo genético lo optimizó para obtener el máximo rendimiento en varias cargas de corriente eléctrica consumida (par por amperio). Muteba verificó los resultados del algoritmo genético con análisis de elementos finitos.

El motor de 5,5 kW optimizado para IA tuvo un factor de potencia excelente en la configuración de laboratorio, que va desde 0,93 medido con una carga del 0 % hasta 0,99 con una carga del 60 % y una carga del 120 %. La eficiencia a plena carga del motor optimizado para IA es del 85,87 %, que está entre el 1 y el 2 % del motor no optimizado. Su eficiencia para cargas inferiores al 30 % también ha mejorado mucho en comparación con los motores no optimizados.

Lo que es más importante, incluso con el excelente factor de potencia, el motor optimizado proporciona más par mientras consume menos corriente. El par por amperio del diseño optimizado con IA fue una mejora de dos dígitos con respecto al motor sin optimización con IA.

El par por amperio del motor optimizado es un 22 % más alto con una carga del 20 %, un 16 % más alto con una carga del 60 % y un 13 % mejor con una carga del 120 %, en comparación con la versión no optimizada.

Por qué los motores de jaula de ardilla pueden hacer que las redes sean inestables

"Los motores de jaula de ardilla generalmente tienen un factor de potencia bajo. Especialmente si están arrancando o funcionando con cargas livianas", dice Muteba. "Pero las compañías eléctricas quieren que todas las cargas que conectas a su red, ya sea el motor de una bomba de piscina o una máquina que tritura mineral en una mina, tengan un buen factor de potencia".

Las redes eléctricas trifásicas proporcionan dos tipos de energía. La primera es la potencia activa que hace girar los motores y hace el trabajo. Las empresas eléctricas facturan a sus clientes por esto en kilovatios o megavatios. Las redes también proporcionan energía reactiva. Los motores de jaula de ardilla consumen energía reactiva en una rejilla para mantener los campos magnéticos en sus rotores. Sin ese campo, un motor de jaula de ardilla no funciona. De todos los tipos de motores eléctricos, los motores de jaula de ardilla son los más hambrientos de potencia reactiva.

Los transformadores que reducen la energía de alto voltaje a voltajes domésticos o industriales también consumen la energía reactiva en una red. "Una carga con un factor de potencia bajo consume mucha más potencia reactiva. Cuando cientos o miles de estas cargas están conectadas a una red, los propietarios de la red tienen que gastar para actualizar la red para proporcionar más potencia reactiva", dice.

Si una red está abrumada por cargas con factores de potencia deficientes, todas las cargas en la red, incluso las que tienen buenos factores de potencia, no pueden obtener suficiente potencia reactiva para operar y la red puede volverse inestable. Esto puede causar grandes daños en minas, fábricas y sistemas de riego en granjas.

Los servicios públicos de energía penalizan fuertemente a los usuarios por cargas con factores de potencia deficientes. Entonces, una red eléctrica nacional puede tener decenas o cientos de miles de motores de jaula de ardilla conectados a ella, como caballos de batalla confiables. Pero el bajo factor de potencia combinado de los motores puede hacer que una red sea impredecible e incluso inestable.

Ahorros significativos

La optimización de IA para el rotor y la bobina capacitiva auxiliar hizo posible mejorar el factor de potencia y el rendimiento y seguir teniendo un motor de ardilla confiable y eficiente para aplicaciones desafiantes, dice Muteba.

El motor optimizado para IA tiene un espacio de aire entre el rotor y el estator, que es más grande que en un motor no optimizado. Bajo altas cargas, altas temperaturas y altas velocidades, el motor optimizado debería funcionar mejor mecánicamente que los motores no optimizados.

"Con estos resultados, vemos que es posible operar motores de inducción de jaula de ardilla sin gastar millones en compensadores reactivos para evitar multas de las empresas de servicios públicos. Tampoco es necesario adoptar bobinas auxiliares de una manera que reduzca la eficiencia o el par por amperio", dijo. agrega.

"El rotor optimizado para IA y la bobina capacitiva auxiliar tienen un excelente factor de potencia en toda la gama de cargas, y aún son más eficientes, con un mayor rendimiento también".

Para una microrred, o red eléctrica de propiedad privada, construir un excelente factor de potencia en cada motor de jaula de ardilla también hace que la red sea mucho más fácil de administrar, dice.

Ventaja de la IA en el diseño

El uso de IA para optimizar el rotor y el diseño de la bobina capacitiva auxiliar puede ahorrar tiempo en comparación con las prácticas de diseño arraigadas, dice Muteba. El algoritmo genético tardó 27 minutos en optimizar el diseño del rotor y la bobina capacitiva auxiliar, en ocho ejecuciones y 60 generaciones de cromosomas procesados.

"Los ingenieros de diseño se enfrentan al desafío de seleccionar el valor óptimo de la longitud del entrehierro y la bobina capacitiva auxiliar. En la mayoría de los casos, utilizan software de diseño que realiza análisis paramétricos y de sensibilidad. Estos procesos suelen ser largos, con capacidades de búsqueda limitadas", dice Muteba.

"Las IA, como los algoritmos de búsqueda óptimos, pueden encontrar el valor óptimo de la longitud del espacio de aire y la bobina capacitiva auxiliar al buscar un espacio de solución grande en cuestión de minutos. La técnica basada en la población, utilizada en esta investigación, un algoritmo genético, es una buena aptos para encontrar los valores óptimos requeridos".