تکنولوژي آنگوساف ها هارمونيک ها را در موتورهاي سه فازي قطع مي کند

در میان سر و صداهای مداوم تولید صنعتی یک تهدید نامرئی وجود دارد: آلودگی هارمونیک. این تداخل الکترومغناطیسی نه تنها کارایی تجهیزات را کاهش می دهد بلکه ثبات شبکه را نیز به خطر می اندازد.,ایجاد چالش های عملیاتی متعدد.

در محیط های صنعتی معمولی که در آن موتورها تجهیزات مختلف را حرکت می دهند، تحریف هارمونیک باعث مشکلات متعدد می شود:

• جریان های بیش از حد خط خنثی که بار کابل را افزایش می دهد
• عدم تعادل ولتاژ که بر عملکرد تجهیزات تاثیر می گذارد
• از دست دادن قدرت بالا در پیچ و تاب موتور و هسته
• کاهش فاکتور قدرت افزایش فشار شبکه
• کاهش کل بهره وری که باعث افزایش هزینه های عملیاتی می شود

ANN-GOSAFs (سیستم فیلتر فعال مبتنی بر الگوریتم بهینه سازی شبکه عصبی مصنوعی) نشان دهنده یک پیشرفت در فناوری کاهش هارمونیک است.این رویکرد نوآورانه شبکه های عصبی را با بهینه سازی الهام گرفته از زیست ترکیب می کند تا فیلترهای قدرت فعال هوشمند (APF) را ایجاد کند.

APF ها به طور پویا جریان هارمونیک را از طریق اجزای الکتریکی قدرت جبران می کنند و مزایای بیشتری نسبت به فیلترهای غیرفعال سنتی دارند:

• پاسخ سریع پویا به نوسانات هارمونی
• جبران جریان هارمونیک دقیق
• سازگاری با برنامه های گسترده
• از بین بردن خطرات ارتعاش

اطلاعات سیستم از دو بخش کلیدی سرچشمه می گیرد:

• شبکه های عصبی مصنوعی:امکان پیش بینی دقیق جریان هارمونیک از طریق یادگیری ماشین
• الگوریتم بهینه سازی سوسک:بهبود عملکرد ANN از طریق بهینه سازی پارامتر

موتورهای صنعتی پیشرفت های قابل توجهی را تجربه می کنند:

• کاهش تلفات انرژی در پیچ و جوهرها
• کاهش دماهای عملیاتی که طول عمر تجهیزات را افزایش می دهد
• افزایش ثبات سیستم کنترل
• حداقل آلودگی شبکه

ANN-GOSAFها از راه حل های معمولی بهتر عمل می کنند:

• جبران دقیق در تمام فرکانس های هارمونیک
• زمان پاسخ در سطح میلی ثانیه
• پارامترهای کنترل خود بهینه سازی
• بهبود بهره وری انرژی تا 15-20٪
• طول عمر موتور

سیستم شامل چند تکنولوژی مهم است:

• تئوری قدرت واکنش لحظه ای برای تولید جریان مرجع
• اینورترهای منبع ولتاژ برای تولید جریان تعویض
• کنترل پیشرفته PWM برای دقت شکل موج
• کانسیتورهای DC-link برای تثبیت ولتاژ

تحقیقات در چندین جهت ادامه دارد:

• معماری های پیشرفته شبکه عصبی از جمله یادگیری عمیق
• الگوریتم های بهینه سازی هیبریدی که GOA را با روش های دیگر ترکیب می کنند
• استراتژی های کنترل سازگار با شرایط مختلف بار

این تکنولوژی به طور خاص در موارد زیر موثر است:

• تاسیسات صنعتی جدید که نیاز به کاهش هارمونیک دارند
• بازسازی سیستم های موتور موجود
• بهبود کیفیت برق در مقیاس شبکه