Estimación de parámetros de transformadores eléctricos con referencia al comportamiento de saturación utilizando un optimizador artificial de colibrí.

Scientific Reports volumen 12, número de artículo: 19623 (2022) Citar este artículo

1331 Accesos

2 citas

Detalles de métricas

Este artículo ofrece una herramienta eficiente para definir los parámetros desconocidos de transformadores eléctricos. La metodología propuesta se desarrolla en base al optimizador artificial colibrí (AHO) para generar los mejores valores de los parámetros desconocidos del transformador. En la etapa inicial, la extracción de los parámetros del equivalente eléctrico del transformador se adapta como una función de optimización junto con las restricciones de desigualdad operativa asociadas. En el cual, se decide minimizar la suma de errores absolutos (SAE) entre muchas variables de los datos de placa de los transformadores. Se demuestra que dos casos de prueba de clasificaciones de transformadores de 4 kVA y 15 kVA indican la capacidad del AHO en comparación con otros optimizadores desafiantes recientes. El AHO propuesto logra el valor de SAE más bajo que otros algoritmos de la competencia. En una etapa avanzada de este esfuerzo, se determina la captura del porcentaje de carga para lograr la máxima eficiencia. En una etapa posterior, se realiza el desempeño de los transformadores utilizando los parámetros extraídos recortados por la AHO para investigar el comportamiento principal en la energización de estas unidades de transformadores. Al final, se puede confirmar que el AHO produce los mejores valores de los parámetros del transformador, lo que ayuda mucho a lograr simulaciones precisas de comportamientos de estado estacionario y de irrupción.

Los transformadores de potencia son uno de los equipos más importantes y esenciales en los sistemas de energía. Los transformadores pueden transferir energía desde las plantas de generación a las áreas de distribución a través de líneas de transmisión con una alta eficiencia que alcanza el 99% según sus parámetros y las pérdidas relacionadas1. Se han introducido varias investigaciones para considerar los parámetros del transformador para minimizar sus pérdidas, mejorar su rendimiento y minimizar el costo operativo. Los parámetros desconocidos del transformador no son lineales debido a su dependencia de la frecuencia, lo que hace que la precisión del modelado del transformador sea más compleja2. La estimación de los parámetros del transformador se convirtió en un desafío inmenso y obligatorio para que el diseño óptimo del transformador cumpla con los estándares y especificaciones obligatorios3,4. El rendimiento no lineal del transformador se ha abordado como en 2,5. La determinación de parámetros desconocidos del transformador se ve afectada por el estado de su operación; condiciones estables o transitorias5,6. Estos parámetros pueden estimarse mediante diferentes métodos: los conocidos tests; pruebas sin carga y en cortocircuito7,8, dimensionamiento físico del transformador9, datos del fabricante10 e información variada bajo carga7. Principalmente, los métodos analíticos se han utilizado para una evaluación rápida del tamaño físico del transformador basado en el análisis de elementos finitos (FEA). Recientemente se han aplicado algoritmos de cálculo exploratorios y/o evolutivos no convencionales11. Los algoritmos evolutivos tienen una alta capacidad para resolver los problemas de optimización, ya que pueden lograr el objetivo de forma aleatoria7. Los métodos de optimización se han utilizado para extraer parámetros desconocidos del transformador, así como de otros dispositivos eléctricos como motores eléctricos, pilas de combustible y unidades de almacenamiento, además de conocer los parámetros de funcionamiento eléctrico como sistemas óptimos de gestión del flujo de carga y la distribución12,13,14,15. . La precisión de los algoritmos de optimización se prueba comparando los valores de los parámetros extraídos con los reales16,17,18. Se ha propuesto un modelo de caja gris para estimar los parámetros del transformador y estudiar el comportamiento de sus terminales en frecuencias entre 20 kHz y 1 MHz mediante optimización de enjambre de partículas (PSO). Este método depende de la evaluación de las dimensiones físicas para definir los parámetros de inductancia, capacitancia y pérdida del devanado6. Los datos obtenidos de las pruebas de carga se han utilizado para extraer parámetros de transformadores de potencia monofásicos y trifásicos a través de PSO12 y el algoritmo forense1 se ha aplicado solo para transformadores monofásicos (SPT). Además, el optimizador de moho limoso se ha aplicado a la estimación de parámetros de transformadores monofásicos y trifásicos y se ha comparado con otros optimizadores19. Los parámetros del SPT de 4 kVA se han extraído utilizando los datos obtenidos de las pruebas de carga mediante investigación forense y algoritmos de búsqueda de alimento bacteriano y PSO120 y mediante datos de entrada mediante optimización caótica7. Las pérdidas sin carga se han incluido en la función objetivo (OF) utilizando el optimizador de alimentación de mantarrayas (MRFO) y el caótico MRFO3. Se han propuesto otros optimizadores para evaluar los parámetros de los transformadores y se han realizado pruebas prácticas para confirmarlos como el optimizador coyote para tres y uno solo transformador21, y el optimizador de búsqueda Jellyfish, el algoritmo de búsqueda gravitacional (GSA) y el enfoque de aprendizaje automático para SPT con clasificación de 4 kVA en10,22,23. . Se ha adaptado la optimización evolutiva multiobjetivo para evaluar los parámetros del transformador, se ha mejorado mediante FEA y se ha verificado comparando los resultados con las medidas y el comportamiento reales11. Se ha aplicado la evaluación en línea de los parámetros del transformador utilizando mediciones prácticas, diferentes frecuencias lentas y que involucran la relación de espiras del transformador para obtener resultados rápidos y ahorrar la necesidad de instrumentos de alta frecuencia24. Se ha introducido un algoritmo sencillo de caja negra a través de un método de optimización con la ayuda de funciones de transferencia estimadas mediante relaciones de voltaje medidas para extraer parámetros de transformadores de distribución a una frecuencia entre 1 kHz y 1 MHz y en el dominio del tiempo25.

Se han utilizado medidas experimentales de las características no lineales de la corriente de irrupción para calcular los parámetros del transformador con la ayuda de pruebas sin carga con la ayuda de funciones lógicas y pruebas de carga a través de PMU in26.

Cada uno de los optimizadores metaheurísticos tiene ventajas y algunas dificultades para resolver todos los problemas. Aunque el algoritmo genético (GA) puede resolver problemas multifacéticos, tiene algunos inconvenientes, ya que tiene una convergencia temprana y su precisión depende de muchos términos seleccionados27. PSO supera la lenta convergencia, pero tiene el obstáculo de los óptimos locales para problemas de gran escala y afecta comparativamente sus parámetros de control28. El optimizador de colonias de hormigas logró resolver problemas dinámicos, pero aún falta mucho tiempo para la convergencia y las investigaciones complicadas29,30. La colonia de abejas artificiales logró lograr estabilidad entre la exploración y la explotación, pero no logró resolver el problema de convergencia temprana en las últimas iteraciones y, a veces, la inexactitud31. La búsqueda cuco introdujo un mejor rendimiento que PSO y GA para los problemas de optimización sofisticados32, pero tiene una convergencia y una capacidad de búsqueda local insatisfactorias33,34.

El objetivo principal de este trabajo es identificar con precisión los parámetros desconocidos óptimos de SPT a través de un nuevo optimizador metaheurístico prometedor y estudiar su rendimiento en condiciones de estado estacionario y de irrupción. Se ha adaptado el optimizador de colibrí artificial (AHO)35 para representar e investigar el SPT. La OMA simula las habilidades y el comportamiento de los colibríes en la búsqueda de alimento. Supera a otros optimizadores metaheurísticos al alcanzar objetivos con mayor precisión utilizando menores parámetros de control. Tiene una propiedad única en su experiencia ambientalista específica35. Zhaoa y otros. han evaluado con éxito el AHO aplicando tres pruebas: cincuenta funciones matemáticas con características complejas, las funciones de referencia IEEE CEC 2014 y diez problemas de diseño de ingeniería que demostraron la eficacia del algoritmo35.

En este trabajo se aplica el AHO a SPT de 15 kVA7 y 4 kVA1, se ha estudiado y comparado su desempeño con otros optimizadores y trabajos reconocidos. Para mayor confirmación, el transformador de 4 kVA se simuló utilizando MATLAB/Simulink, se realizó un estudio exhaustivo en condiciones de estado estacionario y de irrupción y se comparó con el comportamiento bien conocido calculado. Además, se utilizó el algoritmo de búsqueda interior (ISA) para investigar los mismos dos casos y se realizó una comparación exhaustiva entre el optimizador AHO propuesto y otros optimizadores conocidos. Los resultados demuestran la precisión de AHO y su superioridad entre otros optimizadores.

El documento contiene siete partes: la Parte 1 declara la Introducción, en la Parte 2, se presenta el modelo matemático SPT. El problema de optimización del transformador se expresa y adapta en la Parte 3. En la Parte 4, se expresan y resumen los procedimientos del AHO. La aplicación y evaluación del algoritmo propuesto para representar SPT y extraer sus parámetros desconocidos se prueba en la Parte 5. Además, en la Parte 6 se examina el rendimiento del algoritmo propuesto en estado estacionario y en condiciones de irrupción. Finalmente, los resultados notables y Las conclusiones de esta búsqueda se destacan en la Parte 7.

El circuito equivalente de SPT referido al lado primario se muestra en la Fig. 1. El modelado contiene seis parámetros variables (\({R}_{11}\), \({R}_{21}\), \( {X}_{11}\), \({X}_{21}\), \({R}_{m1}\), \({X}_{m1}\)) que se describen como sigue:

Circuito de modelado de transformadores.

Las resistencias del devanado primario y secundario, la reactancia primaria y secundaria, la resistencia del núcleo y la reactancia de magnetización, todas ellas referidas al lado primario, respectivamente36,37 como se muestra en la Fig. 1.

La impedancia de los devanados primarios \(\left({Z}_{11}\right)\), la impedancia de los devanados secundarios \(\left({Z}_{21}\right)\) y la impedancia de magnetización \(\left( {Z}_{m1}\right)\) se puede calcular a partir de los siguientes (1) a (3):

Si el transformador está cargado por impedancia \(\left({Z}_{L21}\right)\), con voltaje de suministro de entrada \(\left({V}_{11}\right),\) el transformador equivalente impedancia referida al lado primario \(\left({Z}_{eq1}\right)\), la corriente primaria \(\left({I}_{11}\right)\), corriente de carga \(\ left({I}_{21}\right)\), el voltaje de salida de carga \(\left({V}_{21}\right)\) y la regulación de voltaje (ε) se pueden formular mediante (4) a ( 8):

Además, se dan la potencia de entrada \(\left({P}_{in}\right)\), la potencia de salida \(\left({P}_{out}\right)\) y la eficiencia correspondiente η. por (9) a (11).

La corriente de entrada se puede generar debido al cambio del voltaje de magnetización del transformador. Puede ser inducido si el transformador se energiza sin carga. La magnitud de la corriente de irrupción puede considerarse como una corriente de falla alta38,39. El modelado de la corriente de irrupción es obligatorio para comprender el rendimiento del transformador en la operación de energización, como lo introdujeron Vanti et al.40 y se expresó de la siguiente manera (12) y (13).

donde \({R}_{11}\) , \({L}_{11}\) y \({R}_{m1}\) son la resistencia en serie, la inductancia en serie y la resistencia a pérdidas del núcleo, respectivamente. \({m}_{1}\) y \({m}_{2}\) son constantes que definieron la curva de magnetización del transformador \(.\)

Al considerar una fuente sinusoidal como \(V\left(t\right)={V}_{m}\mathrm{sin}(\omega t+\theta )\), la corriente correspondiente se puede formular en pasos de tiempo como en ( 14).

Donde \(\Delta \tau ={{t}_{j}-t}_{j-1}\) es el paso de tiempo, \(\rho =({R}_{m1}+{R}_ {11} )/{L}_{11}\), \(\gamma ={R}_{m1}/{L}_{11}\), \(\varphi =arctg(\frac{\omega }{\rho })\), y \(h\left({t}_{j-1}\right)\) se calcula mediante (15).

El cálculo del flujo se formula mediante la fórmula que se muestra en (16).

Dónde

El objetivo clave del modelado de transformadores es encontrar el circuito equivalente adecuado para simularlo con precisión para imitar operaciones prácticas. Esto debe hacerse con un nivel de error mínimo entre los puntos del conjunto de datos experimental y calculado. El OF (\({F}_{obj})\) se define como minimizar la suma de errores absolutos (SAE) entre los puntos del conjunto de datos estimados y medidos, que se expresa en (17) de la siguiente manera:

donde \({I}_{11act}\), \({I}_{21act}\), \({V}_{21act}\) y \(\eta_{act}\) son los valores reales datos de la corriente primaria, corriente de carga, voltaje de salida de carga y eficiencia del transformador, respectivamente. Las restricciones mínimas/máximas del problema se caracterizan en (18) para los 6 parámetros (\({R}_{11}\), \({R}_{21}\), \({X}_{11} \), \({X}_{21}\), \({R}_{m1}\), \({X}_{m1}\)) para extraerse de forma óptima.

donde,\({R}_{11-min}\) y \({R}_{11-max}\) son los valores mínimo/máximo de \({R}_{11}\), \( {R}_{21-min}\) y \({R}_{21-max}\) son el mínimo/máximo de \({R}_{21}\), \({X}_{ 11-min}\) y \({X}_{11-max}\) son los límites mínimo/máximo de \({X}_{11}\), \({X}_{21-min} \) y \({X}_{21-max}\) son el mínimo/máximo de \({X}_{21}\) , \({R}_{m1-min}\) y \( {R}_{m1-max}\) son los mínimos/máximos de \({R}_{m1}\), y \({X}_{m1-min}\) y \({X}_ {m1-max}\) son los límites mínimo/máximo de \({X}_{m1}\),

AHO es un optimizador original estimulado en base al sorprendente comportamiento de una de las aves más pequeñas del mundo, los “Colibríes”35. Esta ave se alimenta de mosquitos, gorgojos y pulgones. Podría romper sus alas con una alta frecuencia que llega a 80 veces por segundo para seguir y cazar a su presa. Por lo tanto, el colibrí necesita urgentemente abundante energía que se obtiene al chupar grandes cantidades de jarabe de flores y líquido endulzado dentro de las plantas. Se han estudiado y seguido el movimiento, el comportamiento, las habilidades y la capacidad de memorización del colibrí para representar el optimizador sugerido. Las actividades de los colibríes se pueden clasificar en tres formas: búsqueda de alimento, tarea de retención de recursos alimentarios y formas de vuelo de las aves. Se ha propuesto un número determinado para cada recurso alimentario con una categoría de planta específica. La tasa de reabsorción de jarabe del recurso alimenticio está indicada por el valor del OF. Cuanto mayor sea el valor de aptitud física, mayor será la tasa de resucción del jarabe y viceversa. Cada colibrí se asigna a un lugar determinado con un recurso alimentario definido. La ubicación, el jarabe y la tasa de resucción del líquido endulzado se guardan en la mente de las aves y se comparten con el resto de las aves de la población. Además, la ubicación de los recursos alimentarios no utilizados por el ave puede definirse por sí misma y compartirse con los demás miembros de la población. Cada utilización de recursos alimentarios y la última vez que se utilizó para un ave específica se registran en una tabla de búsqueda que se inicia y actualiza. La mayor utilización de los recursos alimentarios se toma como indicador de los mejores recursos que se utilizarán para una alta tasa de resucción de jarabe. El rendimiento de la búsqueda AHO se puede clasificar en tres categorías principales; Búsqueda de alimentos dirigida, búsqueda de alimentos regional y búsqueda de alimentos por reubicación Fig. 2.

Rendimiento de la clasificación de búsqueda de alimentos de la AHO.

La ubicación inicial del colibrí \({LOC}_{i}\) del suministro de alimento “i” se puede estimar aleatoriamente usando (19):

donde \(L\) y \(H\) son límites inferior y superior para un problema multidimensional y \(Ran\) es la matriz aleatoria de valores que se encuentran entre 0 y 1. La tabla de búsqueda de suministro de alimentos se puede inicializar como se indica en 20). Nulo significa que el colibrí se alimenta de su propio suministro de alimentos y cero significa que el k-ésimo colibrí se alimenta de un j-ésimo suministro de alimentos.

El colibrí puede volar en omnidireccional, diagonal y axial para buscar alimento como en la Fig. 3. Las direcciones utilizadas \({dir}_{i}\) para la fuente de alimento \(i\) se pueden registrar en una matriz. y tomado como guía para las aves como se representa en (21).

donde \(i \epsilon m\), \({Rand}_{i}\{1,m\}\) y \(Rand\_trans(p)\) producen un número entero aleatorio de 1 a m y de 1 a k respectivamente pero \(Ran1\) es un número aleatorio de 1 a 0.

Comportamiento de vuelo de los colibríes: (a) lucha axial, (b) vuelo diagonal y (c) vuelo omnidireccional.

Las habilidades del colibrí le permiten alcanzar su objetivo de suministro de alimentos y nominar uno nuevo y actualizado de las fuentes circundantes disponibles. La búsqueda de alimento dirigida se puede representar como en (22) y (23).

donde \({\mu }_{i}(IT+1)\) es la ubicación actualizada del iésimo suministro de alimentos en la iteración \((IT+1)\), \({LOC}_{i}(IT )\) es la ubicación existente del iésimo suministro de alimentos, y \(g\) es el factor dirigido según la distribución normal \(ND(\mathrm{0,1})\) con el valor medio cero y la desviación estándar uno. La forma general de la ubicación actualizada basada en la función de aptitud se puede reformular como en (24).

La ecuación (24) muestra que la búsqueda de recursos alimentarios de alta calidad puede comenzar con distancias largas, pero el algoritmo intenta recorrer distancias más cortas con un número cada vez mayor de iteraciones. Colibríes se utiliza para transferir a la meta recursos con investigaciones avanzadas que impiden soluciones locales aparentes.

Después de chupar el jarabe y el alimento disponibles en la fuente existente, el colibrí comienza a buscar otras fuentes en el mismo entorno que en (25) y (26).

donde \(h\) es el factor regional basado en la distribución normal \(ND(\mathrm{0,1})\) cuando el valor medio es cero y la desviación estándar es uno.

Cuando la ubicación modificada \(({\text{MLOC}})\) en la región presentada se volvió pobre en recursos alimentarios, el colibrí comienza a trasladarse a otros lugares para buscar el alimento requerido. Además, si el número de iteraciones supera el factor de reubicación, el colibrí ubicado en las posiciones con tasas de visita más bajas será transferido a nuevos recursos alimenticios seleccionados al azar a través del área de búsqueda del pasillo como en (27) y buscará en la tabla. revisado.

donde \({LOC}_{low-rate}\) es la ubicación de la fuente de alimento con la menor tasa de visitas de colibríes.

El número de población y las iteraciones son los dos límites importantes que afectan el proceso de la AHO. Si no se encuentra ningún recurso alimentario de reemplazo, el algoritmo comenzará a buscar nuevamente todos los recursos alimentarios según la tabla de búsqueda.

En malas condiciones, el colibrí puede cambiar su objetivo de recursos alimentarios después de dos veces el número de iteraciones al pasar a la etapa de búsqueda de reubicación según (28).

Los procedimientos completos del AHO35 se resumen como se muestra en la Fig. 4.

Diagrama de flujo de la AHO.

La precisión del optimizador AHO para extraer los parámetros desconocidos de los SPT se evalúa aplicándolo a dos casos de prueba: SPT de 4 kVA y 15 kVA1,7, respectivamente. Para más verificaciones, el optimizador ISA establecido también se aplica a los dos casos y los resultados de AHO e ISA se comparan con otros resultados publicados además de los valores reales de los parámetros de los transformadores. Se utilizan cinco optimizadores para las comparaciones: PSO16, GA16, algoritmo competitivo imperialista (ICA) 10, enfoque de optimización caótica (COA) 10 y GSA10 para el caso de prueba 1. Por otro lado, se pueden realizar comparaciones exhaustivas entre PSO1, investigación forense ( FBI)1, JS21, GA17, ICA10, GSA10, optimización de agujeros negros (BHO)41 y algoritmo de optimización de huracanes (HOA)42 al AHO para el caso de prueba 2.

Para asegurar la estabilización del rendimiento de la AHO, se utilizan 1000 miembros de la población, 1000 iteraciones y 10 pruebas independientes utilizando una CPU Intel(R) Core (TM) i7-4710HQ a 2,5 GHZ y una PC con 8 GB de RAM.

El AHO propuesto se ejecuta y aplica a SPT de 15 kVA según los datos de la placa de identificación: 15 kVA, monofásico, 2400 V/240 V y 50 Hz. Las corrientes y voltajes medidos del transformador a plena carga son: \({I}_{11act}\) = 6.2 A, \({I}_{21act}\) = 6.2 A, \({V}_{21act} \)= 2383,8 V, y ηact = 99,2%7,10.

Las comparaciones entre los parámetros de los transformadores obtenidos mediante diferentes algoritmos, resultados previamente publicados de ICA, GSA y COA en10, y PSO y GA en16 se ordenan en la Tabla 1. El OF representado por (17) se aplica considerando los valores referidos al lado primario de transformador utilizando pruebas estándar de circuito Z y cortocircuito.

La Tabla 2 indica los cuatro términos del OF resultantes de los optimizadores AHO e ISA frente a otros optimizadores reconocidos. Se puede concluir que la suma de errores es muy cercana a cero, donde está en el rango entre casi 6 y 12 para los otros optimizadores. Los resultados demuestran la superioridad del enfoque basado en AHO propuesto para la estimación de parámetros de un SPT. Para una mayor evaluación de los optimizadores aplicados, la convergencia para el caso 1 se muestra en la Fig. 5. El optimizador propuesto produce el valor mínimo de SAE que equivale a 0,033514. por otro lado, el error del optimizador ISA es igual a 0,0335284 lo que asegura un resultado de alta calidad del AHO.

Convergencia de los optimizadores aplicados para el caso de prueba 1.

La capacidad del optimizador AHO propuesto para evaluar los parámetros del SPT también se prueba aplicándolo a 4 kVA, monofásico, 250/125 V, 50 Hz y los parámetros obtenidos se comparan con otros trabajos documentados como se muestra en la Tabla 3. Además, Las corrientes de carga nominal, el voltaje y la eficiencia a plena carga del sistema de prueba se estiman y se comparan con los optimizadores conocidos como en la Tabla 4. Se puede observar que el valor de SAE alcanzado por el AHO (es decir, 1,12e- 5) es el más pequeño entre los demás algoritmos. La Figura 6 muestra las tendencias de convergencia de los métodos AHO e ISA para el SPT probado. Además de eso, se realizan comparaciones exhaustivas entre PSO1, FBI1, ICA10, GSA10, GA17, JS21, BHO41 y HOA42 con el AHO como se indica en las Tablas 3 y 4.

Convergencia de los optimizadores aplicados para el caso 2.

Para obtener más pruebas de la precisión del AHO, el modelo del transformador se simula en MATLAB/Simulink utilizando los parámetros extraídos por algoritmo como en la Fig. 7. La simulación se utiliza para estudiar el rendimiento del transformador del caso 2, comparar los resultados con los valores calculados. rendimiento real y otros artículos reconocidos con optimizadores confiables en condiciones de estado estable y de irrupción. Las Figuras 7a a b muestran los componentes principales de la simulación y los componentes internos, respectivamente, mientras que las Figuras 7c indican los pasos de carga resistiva del simulador de transformador.

Simulación de transformadores.

Se estudia el rendimiento en estado estacionario del transformador del caso 2 con los parámetros estimados por el AHO según lo dispuesto en la Tabla 3 al factor de potencia unitario (UPF) cuando se varía la carga utilizando el simulador mencionado. Los efectos de los cambios de carga en el voltaje de carga del transformador \({V}_{21}\), la corriente, la potencia de entrada/salida, la regulación de voltaje \(\varepsilon\) y la eficiencia η se estudian como se muestra en la Fig. 8.

Rendimiento del transformador con carga variada y UPF producido por Simulink.

Los mismos datos y análisis se realizan utilizando el modelo matemático en la sección "Modelado matemático de transformador monofásico y declaración", considerando la unidad, 0,8 en retraso y 0,8 factores de potencia en adelanto y se muestra en la Fig. 9. El rendimiento del transformador bajo la unidad y 0,8 en retraso Las condiciones de carga de PF se anuncian en las Tablas 5 y 6. Los comportamientos de η, \({V}_{21}\) y ε del transformador del caso 2 utilizando los parámetros extraídos por el AHO y el simulador son resultados calculados mediante el método matemático. modelo y comportamiento reconocido que asegura las capacidades del optimizador. Se puede observar en la Fig. 9a que la eficiencia máxima se logra con aproximadamente un 45% de carga en UPF y 0,8 PF en retraso. Como es bien sabido, el porcentaje de carga del transformador con respecto a la carga total se puede obtener según (29) y la máxima eficiencia se alcanza cuando las pérdidas del cobre \(\left({P}_{cu}\right)\) es igual a pérdidas de hierro \(\left({P}_{ir}\right)\)43.

Análisis del rendimiento del transformador del caso 2 utilizando los parámetros extraídos de AHO.

Al observar más de cerca las Tablas 5 y 6, se puede observar que la relación de carga calculada en UPF y 0,8 PF retrasado casi equivale al 45%, como se observa en la Fig. 9a, lo que demuestra la perfección de los resultados generados por el AHO. Para evitar un artículo extenso, no se muestra la tabla para el PF principal; sin embargo, las tendencias de la gráfica se indican en las figuras 9a a c, al igual que otros casos con diferentes porcentajes de carga. El lector puede notar que los valores de las regulaciones de voltaje tienen un valor positivo para UPF y 0,8 en retraso y un valor negativo bajo carga capacitiva (es decir, 0,8 en adelanto) como se indica en la Fig. 9c.

El mismo rendimiento del transformador mencionado utilizando los parámetros estimados por artículos reconocidos que utilizan optimizadores confiables se compara con el rendimiento utilizando el optimizador propuesto por AHO como se muestra en la Fig. 10. Se puede observar que AHO no solo pudo extraer los parámetros del transformador con el error más bajo pero también conduce a un rendimiento cercano al rendimiento obtenido según las lecturas reales.

Rendimiento del transformador del caso 2 utilizando los parámetros extraídos utilizando diferentes optimizadores.

La corriente de irrupción del transformador del caso 2 se investiga considerando los datos de irrupción del transformador en la Tabla 7, incluidos los parámetros extraídos por el AHO. λ0 es el valor inicial del enlace de flujo. Es bien sabido que el estudio del comportamiento de la corriente de entrada de un transformador eléctrico es esencial para dimensionar adecuadamente los dispositivos de protección para evitar disparos molestos durante la energización.

Los resultados obtenidos para las curvas de corriente, enlace de flujo y magnetización se muestran en las Figs. 11, 12 y 13 y 14 que coinciden con el rendimiento de irrupción esperado.

Simulación de corriente de irrupción.

Enlace de flujo de simulación.

Curva de magnetización de simulación (enlace de flujo y corriente).

Comportamiento actual de irrupción utilizando diferentes optimizadores y uno real.

Además de lo anterior, el comportamiento de la corriente de entrada del transformador de 4 kVA utilizando los resultados de otros optimizadores (por ejemplo, PSO, FBI, JS e ISA) se compara con el AHO y los valores reales, como se muestra en la Fig. 14. Observó que todos ellos están cerca del comportamiento de irrupción real.

Este artículo no contiene ningún estudio con animales realizado por ninguno de los autores.

Se ha utilizado AHO para extraer los parámetros desconocidos del transformador utilizando su modelo equivalente. Los datos reales de la placa del transformador se utilizan únicamente para lograr este objetivo minimizando la suma de errores absolutos (SAE) entre algunas variables seleccionadas. Se han demostrado dos casos de prueba completos con las comparaciones necesarias y validaciones adicionales. Los valores mínimos obtenidos de SAE son 0,033514 y 1,12e-5 para casos de prueba de 15 kVA y 4 kVA, respectivamente. Para asegurar la efectividad de la herramienta propuesta, los parámetros obtenidos se han utilizado para estudiar el comportamiento del transformador y compararlos con el rendimiento conocido. Se ha asignado el porcentaje de carga para conseguir la máxima eficiencia y se han realizado los comportamientos de irrupción de los transformadores. Además de eso, se ha enfatizado el desempeño de las regulaciones de voltaje bajo diversas condiciones de carga en diferentes factores de potencia. Los resultados son muy cercanos a los prácticos y prueban la eficacia de la propuesta. Se puede sugerir ampliar este trabajo actual utilizando el conjunto de datos empíricos y experimentales de transformadores de potencia a gran escala para definir modelos más precisos que incluyan los condensadores parásitos de los circuitos equivalentes.

Los datos que respaldan los hallazgos de este estudio están disponibles del autor correspondiente previa solicitud razonable.

Youssef, H., Kamel, S., Hassan, MH Nueva aplicación de optimizador de investigación forense para la identificación de parámetros de transformadores. En 22 Interno. Medio. Sistema de energía del este. Conf. (MEPCON), (Assiut, Egipto, 2021), doi: https://doi.org/10.1109/MEPCON50283.2021.9686276.

Aguglia, D., Viarouge, P. & Martins, CDA Estimación de máxima verosimilitud en el dominio de frecuencia de los parámetros del modelo de transformador de pulsos de alto voltaje. Traducción IEEE. Aplica. Ind. 49(6), 2552–2561. https://doi.org/10.1109/TIA.2013.2265213 (2013).

Artículo CAS Google Scholar

Ćalasan, MP, Jovanović, A., Rubežić, V., Mujičić, D. & Deriszadeh, A. Notas sobre la estimación de parámetros para transformadores monofásicos. Traducción IEEE. Indiana Aplicación. 56(4), 3710–3718. https://doi.org/10.1109/TIA.2020.2992667 (2020).

Artículo de Google Scholar

Sung, DC Estimación de parámetros para modelado de transformadores. Universidad Tecnológica de Michigan, una tesis de Doctorado en Filosofía, Ingeniería Eléctrica. (2002) https://doi.org/10.37099/mtu.dc.etds/60.

Shintemirov, A., Tang, WH y Wu, QH Identificación de parámetros centrales del transformador mediante análisis de respuesta de frecuencia. Traducción IEEE. Magn. 46(1), 141-149. https://doi.org/10.1109/TMAG.2009.2026423 (2010).

ADS del artículo Google Scholar

Aghmasheh, R., Rashtchi, V. y Rahimpour, E. Modelado de caja gris de devanados de transformadores de potencia basado en geometría de diseño y algoritmo de optimización de enjambre de partículas. Traducción IEEE. Entrega de energía. 33(5), 2384–2393. https://doi.org/10.1109/TPWRD.2018.2808518 (2018).

Artículo de Google Scholar

Ćalasan, M., Mujičić, D., Rubežić, V. & Radulović, M. Estimación de parámetros de circuito equivalente de transformador monofásico mediante el uso de un enfoque de optimización caótica. Energías 12(9), 1697. https://doi.org/10.3390/en12091697 (2019).

Artículo de Google Scholar

Koochaki, A. Enseñanza del cálculo de parámetros de circuito equivalente de transformador utilizando MATLAB/Simulink para cursos universitarios de maquinaria eléctrica. Indio J. Sci. Tecn. 8(17), 1–6. https://doi.org/10.17485/ijst/2015/v8i17/59182 (2015).

Artículo de Google Scholar

Kazemi, R., Jazebi, S., Deswal, D. & León, FD Estimación de parámetros de diseño de transformadores de distribución monofásicos a partir de mediciones terminales. Traducción IEEE. Entrega de energía. 32(4), 2031-2039. https://doi.org/10.1109/TPWRD.2016.2621753 (2017).

Artículo de Google Scholar

Illias, HA, Mou, KJ & Bakar, AHO Estimación de parámetros de transformadores a partir de datos de placa mediante algoritmos de búsqueda gravitacional y competitivo imperialista. Evolución del enjambre. Computadora. 36, 18–26. https://doi.org/10.1016/j.swevo.2017.03.003 (2017).

Artículo de Google Scholar

Adly, AA y Abd-El-Hafiz, SK Una metodología de diseño de transformadores de potencia orientada al rendimiento que utiliza optimización evolutiva multiobjetivo. J. Adv. Res. 6(3), 417–423. https://doi.org/10.1016/j.jare.2014.08.003 (2015).

Artículo PubMed Google Scholar

Bhowmick, D., Manna, M. & Chowdhury, SK Estimación de parámetros de circuito equivalente de transformador y motor de inducción a partir de datos de carga. Traducción IEEE. Aplica. Ind. 54(3), 2784–2791. https://doi.org/10.1109/TIA.2018.2790378 (2018).

Artículo de Google Scholar

El-Sehiemy, RA, Hamida, MA y Mesbahi, T. Identificación de parámetros y estimación del estado de carga para celdas de baterías de polímero de litio utilizando un algoritmo mejorado de optimización de girasol. En t. J. Energía del hidrógeno 45(15), 8833–8842. https://doi.org/10.1016/j.ijhydene.2020.01.067 (2020).

Artículo CAS Google Scholar

Shafik, MB y cols. Topología adecuada para la utilización eficiente de recursos energéticos de redes de distribución activas equipadas con puntos abiertos blandos. Acceso IEEE 7, 99003–99016. https://doi.org/10.1109/ACCESS.2019.2930631 (2017).

Artículo de Google Scholar

Ghoneim, SSM, Kotb, MF, Hasanien, HM, Alharthi, MM & El-Fergany, AA Minimizaciones de costos y mejoras de rendimiento de sistemas de energía utilizando un algoritmo de evolución diferencial de poda esférica que incluye análisis modal. Sostenibilidad 13(14), 8113. https://doi.org/10.3390/su13148113 (2021).

Artículo de Google Scholar

Bhowmick, D., Manna, M., Chowdhury, SK Estimación de parámetros de circuito equivalente de transformador y motor de inducción utilizando PSO. En IEEE Int. Conf. Power Electron., Impulsa el sistema de energía. (Trivandrum, India, 2016). https://doi.org/10.1109/PEDES.2016.7914531.

Mossad, MI, Mohamed, A. y Abu-Siada, A. Estimación de parámetros de transformadores a partir de datos de placa utilizando técnicas de programación evolutiva. Traducción IEEE. Entrega de energía. 29, 2118-2123. https://doi.org/10.1109/TPWRD.2014.2311153 (2014).

Artículo de Google Scholar

Rahimpour, E., Bigdeli, M. Modelo transitorio simplificado de transformador basado en dimensiones geométricas utilizadas en análisis de redes eléctricas y estudios de detección de fallas. En Actas de la Conferencia Internacional sobre Ingeniería Energética, Energía y Accionamientos Eléctricos (Lisboa, Portugal, 2009). https://doi.org/10.1109/POWERENG.2009.4915148

El-Dabah, MA, Agwa, A., Elattar, E. & Elsayed, SK Optimizador de moldes de limo para la identificación de parámetros de transformadores con validación experimental. Intel. Auto. Computación blanda. 28(3), 639–651. https://doi.org/10.32604/iasc.2021.016464 (2021).

Artículo de Google Scholar

Padma, S. & Subramanian, S. Estimación de parámetros de un transformador de núcleo monofásico mediante un algoritmo de búsqueda de bacterias. Ing. 2, 917–925. https://doi.org/10.4236/eng.2010.211115 (2010).

Artículo de Google Scholar

Abdelwanis, MI, Abaza, A., El-Shiemy, RA, Ibrahim, MN y Rezk, H. Estimación de parámetros de transformadores de potencia eléctrica utilizando el algoritmo de optimización coyote con verificación experimental. Acceso IEEE 8, 50036–50044. https://doi.org/10.1109/ACCESS.2020.2978398 (2020).

Artículo de Google Scholar

Youssef, H., Kamel, S., Hassan, MH Estimación de parámetros de un transformador monofásico utilizando un algoritmo optimizador de búsqueda de medusas. En Int. Conf. en Auto./XXIV Congr. Asociación Chilena Control Automático (ICA-ACCA), (Valparaíso, Chile, 2021) https://doi.org/10.1109/ICAACCA51523.2021.9465279.

Karmakar, S., Subhasmita, SS, Firdous, G., Mohanty, S., Mohapatra TK Enfoque de aprendizaje automático para la estimación de parámetros internos de un transformador monofásico. En la Conferencia Internacional. Tecnología emergente. (INCET), (Belgaum, India, 2020). https://doi.org/10.1109/INCET49848.2020.9154161.

Zhang, Z., Kang, N., Mousavi, MJ Estimación de parámetros de transformadores en tiempo real mediante mediciones de terminales. En Asamblea General de IEEE Power & Energy Society, (Denver, CO, EE. UU., 2015). https://doi.org/10.1109/PESGM.2015.7285958

Papadopoulos, TA, Chrysochos, AI, Nousdilis, AI & Papagiannis, GK Modelado de caja negra basado en mediciones simplificadas de transformadores de distribución utilizando funciones de transferencia. eléctrico. Sistema de energía. Res. 121, 77–88. https://doi.org/10.1016/j.epsr.2014.12.003 (2015).

Artículo de Google Scholar

Bogarra, SM, Font, A., Candela, I. & Pedra, J. Estimación de parámetros de un transformador con saturación mediante mediciones de irrupción. eléctrico. Sistema de energía. Res. 79, 417–425. https://doi.org/10.1016/j.epsr.2008.08.009 (2009).

Artículo de Google Scholar

Thilagar, SH & Rao, GS Estimación de parámetros de un transformador de tres devanados utilizando un algoritmo genético. Ing. Aplica. Arte. Intel. 15(5), 429–437. https://doi.org/10.1016/S0952-1976(02)00087-8 (2002).

Artículo de Google Scholar

Gogna, A. & Tayal, A. Metaheurísticas: una revisión y aplicación. J. Exp. Teor. Artif. Intel. 25(4), 503–526. https://doi.org/10.1080/0952813X.2013.782347 (2013).

Artículo de Google Scholar

Zhang, Y., Wang, S. & Ji, G. Un estudio completo sobre el algoritmo de optimización de enjambres de partículas y sus aplicaciones. Matemáticas. Problema. Ing. 2015, 9312556. https://doi.org/10.1155/2015/931256 (2015).

Artículo MathSciNet Google Scholar

Ab Wahob, MN, Nefti-Meziani, S. y Atyabi, A. Una revisión exhaustiva de los algoritmos de optimización de enjambres. MÁS UNO 10(5), e0122827. https://doi.org/10.1371/journal.pone.0122827 (2015).

Artículo CAS Google Scholar

Yan, G. & Li, C. Un algoritmo eficaz de optimización de colonias de abejas artificiales basado en una búsqueda caótica y una aplicación para el ajuste del control PID. J. Computación. inf. Sistema. 7(9), 3309–3316 (2011).

Google Académico

Yang, XS y Deb, S. Optimización de ingeniería mediante búsqueda de cuco. En t. J. Matemáticas. Modelo. Número. Óptimo. 1(4), 330–343. https://doi.org/10.1504/IJMMNO.2010.035430 (2010).

Artículo MATEMÁTICAS Google Scholar

El-Fergany, AA & Abdelaziz, AY Asignaciones de condensadores en redes de distribución radial mediante algoritmo de búsqueda de cuco. Transmisión general IET. Distribuir. 8(2), 223–232. https://doi.org/10.1049/iet-gtd.2013.0290 (2014).

Artículo de Google Scholar

Wang, J., Zhou, B. y Zhou, S. Un algoritmo mejorado de optimización de búsqueda de cuco para el problema de estimación de parámetros de sistemas caóticos. Computadora. Intel. Neurociencias. 2016(2), 1–8. https://doi.org/10.1155/2016/2959370 (2016).

Artículo de Google Scholar

Zhao, W., Wang, L. & Mirjalili, S. Algoritmo de colibrí artificial: un nuevo optimizador bioinspirado con sus aplicaciones de ingeniería. Computadora. Métodos de aplicación. Mec. Ing. 388, 114194. https://doi.org/10.1016/j.cma.2021.114194 (2022).

Artículo ADS MathSciNet MATH Google Scholar

Martinez, JA & Mork, BA Modelado de transformadores para transitorios de frecuencia baja y media: una revisión. Traducción IEEE. Entrega de energía. 20(2), 1625-1632. https://doi.org/10.1109/TPWRD.2004.833884 (2005).

Artículo de Google Scholar

Ayasun, S. & Nwankpa, CO Pruebas de transformadores utilizando MATLAB/Simulink y su integración en cursos universitarios de maquinaria eléctrica. Aplicación informática. Ing. Educación 14(2), 142–150. https://doi.org/10.1002/cae.20077 (2006).

Artículo de Google Scholar

Kulkarni SV, Khaparde SA Diseño, tecnología y diagnóstico de ingeniería de transformadores. (CRC Press, Taylor, 2013) ISBN-13: 978–1–4398–5418–1 (libro electrónico).

Karsai K., Kerenyi D., Kiss L. Grandes transformadores de potencia, estudios de ingeniería eléctrica y electrónica. (Elsevier, 1987) ISBN-13: 978–0444995117, ISBN-10: 0444995110.

Sonnemann, WK, Wagner, CL y Rockefeller, GD Fenómenos de irrupción magnetizante en bancos de transformadores. AIEE Trans Parte III 77, 884–892. https://doi.org/10.1109/AIEEPAS.1958.4500053 (1958).

Artículo de Google Scholar

Arenas-Acuña, CA, Rodriguez-Contreras, JA, Montoya, OD & Rivas-Trujillo, E. Optimización de agujeros negros aplicada a la estimación paramétrica en transformadores de distribución considerando medidas de voltaje y corriente. Computadoras 10(10), 124. https://doi.org/10.3390/computers10100124 (2021).

Artículo de Google Scholar

Cortés-Caicedo, B., Montoya, OD & Arias-Londoño, A. Aplicación del algoritmo de optimización de huracanes para estimar parámetros en transformadores monofásicos considerando medidas de voltaje y corriente. Computadoras 11, 55. https://doi.org/10.3390/computers11040055 (2022).

Artículo de Google Scholar

Theraja BL, Theraja AK Un libro de texto de tecnología eléctrica. Chand (2008), ISBN-10: 8121924413, ISBN-13: 978-8121924412.

Descargar referencias

Financiamiento de acceso abierto proporcionado por la Autoridad de Financiamiento de Ciencia, Tecnología e Innovación (STDF) en cooperación con el Banco Egipcio de Conocimiento (EKB).

Departamento de Ingeniería Eléctrica, Facultad de Ingeniería, Universidad de Mansoura, Mansoura, Egipto

Mohamed F. Kotb y Eid A. Gouda

Departamento de Energía Eléctrica y Máquinas, Facultad de Ingeniería, Universidad de Zagazig, Zagazig, 44519, Egipto

Attia A. El-Fergany

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

Todos los autores han participado en (a) concepción y diseño, o análisis e interpretación de los datos; (b) redactar el artículo o revisarlo críticamente en busca de contenido intelectual importante; y (c) aprobación de la versión final.

Correspondencia a Mohamed F. Kotb.

Los autores declaran no tener conflictos de intereses.

Springer Nature se mantiene neutral con respecto a reclamos jurisdiccionales en mapas publicados y afiliaciones institucionales.

Acceso Abierto Este artículo está bajo una Licencia Internacional Creative Commons Attribution 4.0, que permite el uso, compartir, adaptación, distribución y reproducción en cualquier medio o formato, siempre y cuando se dé el crédito apropiado a los autores originales y a la fuente. proporcione un enlace a la licencia Creative Commons e indique si se realizaron cambios. Las imágenes u otro material de terceros en este artículo están incluidos en la licencia Creative Commons del artículo, a menos que se indique lo contrario en una línea de crédito al material. Si el material no está incluido en la licencia Creative Commons del artículo y su uso previsto no está permitido por la normativa legal o excede el uso permitido, deberá obtener permiso directamente del titular de los derechos de autor. Para ver una copia de esta licencia, visite http://creativecommons.org/licenses/by/4.0/.

Reimpresiones y permisos

Kotb, MF, El-Fergany, AA & Gouda, EA Estimación de parámetros de transformadores eléctricos con referencia al comportamiento de saturación utilizando un optimizador artificial de colibrí. Informe científico 12, 19623 (2022). https://doi.org/10.1038/s41598-022-24122-8

Descargar cita

Recibido: 19 de mayo de 2022

Aceptado: 10 de noviembre de 2022

Publicado: 15 de noviembre de 2022

DOI: https://doi.org/10.1038/s41598-022-24122-8

Cualquier persona con la que comparta el siguiente enlace podrá leer este contenido:

Lo sentimos, actualmente no hay un enlace para compartir disponible para este artículo.

Proporcionado por la iniciativa de intercambio de contenidos Springer Nature SharedIt

Computación neuronal y aplicaciones (2023)

Al enviar un comentario, acepta cumplir con nuestros Términos y pautas de la comunidad. Si encuentra algo abusivo o que no cumple con nuestros términos o pautas, márquelo como inapropiado.