Estimação da capacitância do barramento CC em conversor de frequência

Abstract

Capacitores eletrolíticos do barramento de corrente contínua (CC) são uma das principais fontes de falhas em conversores eletrônicos de potência. Métodos tradicionais de monitoração desses capacitores requerem componentes adicionais, que aumentam o custo total do projeto. O presente trabalho utiliza um método alternativo, que usa grandezas já monitoradas por conversores de frequência como dado de entrada para uma rede neural artificial (RNA) para realizar a estimação da capacitância do barramento CC em conversores de frequência trifásicos com retificador a diodos. Para se obter os dados, construiu-se uma bancada de testes com um motor acoplado a um freio de histerese para submeter o conversor a diferentes cargas. Além disso, uma jiga de capacitores foi desenvolvida para variar a capacitância do barramento CC do conversor de frequência. Os experimentos foram realizados em diversas condições de operação. Para o melhor modelo da RNA encontrado, o maior erro absoluto de predição foi de 6,5% e o erro quadrático médio foi de 0,73%, mostrando que o método proposto é capaz de monitorar variações no valor da capacitância do banco de capacitores do barramento CC de conversores de frequência.

Electrolytic capacitors used in the direct current (DC) bus of power electronic converters are one of the main sources of failure in these equipments. Traditional methods of monitoring these capacitors require additional components, which increase the total cost of the project. This work uses an alternative method, which uses quantities already monitored by frequency converters as input data for an artificial neural network (ANN) to estimate the DC bus capacitance in three-phase frequency converters with diode rectifiers. To obtain the data, a test rig was built with a motor coupled to a hysteresis brake to subject the converter to different loads. In addition, a capacitor jig was developed to vary the DC bus capacitance of the frequency converter. The experiments were performed under different operating conditions. For the best ANN model found, the largest absolute prediction error was 6.5% and the mean square error was 0.73%, showing that the proposed method is capable of monitoring variations in the capacitance value of the DC bus capacitor bank of frequency converters.