Identifikace modelu elektrotechnických aplikací

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.