Compensation of 2 Level Inverter Nonlinearity at Low Current Region Using Deep Learning

학위논문 (석사)-- 서울대학교 대학원 : 공과대학 전기·정보공학부, 2018. 8. 하정익.AC 전동기를 구동하기 위해서 3상 2레벨 전압형 인버터는 보편적으로 사용되어왔다. 하지만 전압형 인버터의 특성상 한 레그의 두 개의 스위치가 동시에 켜질 경우 단락사고로 이어질 수 있다는 단점을 보완하기 위하여 스위치 상태가 변하는 사이에 데드 존을 두게 된다. 하지만 데드존에 의하여 폴 전압의 duty 비율이 달라지게 되어 의도했던 전압 지령과 다른 전압이 인가되게 되며 이는 선형시스템을 가정하고 설계하였던 기존 선형 제어기들의 성능을 악화시키는 주요한 원인이 된다. 선형 제어기의 한 예시인 PI 제어기를 전류 제어기로 사용하는 경우 이러한 비선형성은 전압 외란의 형태로 해석할 수 있으며 이 외란은 시스템 반응성을 떨어트리거나 기본파 주파수 대비 6배 주파수의 전류 리플을 발생시킨다. 기존 데드존에 의한 효과를 해소하기 위한 연구로는 전동기를 한 축에 고정시켜놓고 전류 제어를 수행한 뒤 정상상태에서 각 상 전류에 따라서 전압 지령대비 실제 전압의 오차를 1차원 테이블 형태로 저장하여 보상하는 방안이 있다. 이 방법은 전류의 크기가 큰 경우에는 유효하나 저 전류 영역에서는 제대로 된 보상을 하지 못하여 오히려 제어를 악화시키는 영향이 있다. 이는 실제 보상이 이루어 지는 과도상태에서 정상상태의 테이블을 적용할 경우 샘플링 시점의 전류가 데드존 구간의 평균 전류를 대표하지 못하기 때문인데 이를 위해 1.5 샘플링 주기 뒤의 전류를 예측하는 방안이 필요하다. 기존 연구에서는 전류를 예측하는데 있어서 선형 모델을 사용하였지만 실제 데드존 구간에서의 전류 파형은 초월함수 형태로 증가하거나 감소하기 때문에 선형적인 모델로는 예측할 수 없다는 한계를 지니고 있다. 따라서 본 논문에서는 딥 러닝 기법을 이용하여 샘플링 시점의 정보를이용하여 1.5 샘플링 주기 뒤의 보상 전압을 모의하는 함수를 얻는 방법을 제시하고자 한다. 딥 러닝이란 구조적 자유도를 지닌 인공신경망에 변수 최적화 알고리즘을 적용한 분야이다. 인공신경망이란 비선형 활성화 함수를 포함한 여러 시스템들을 입력 변수의 크기에 따라서 선형 보간하는 형태로 만들어진 시스템이기 때문에 뉴런의 개수가 한정되어있지 않다면 이론적으로 어떤 시 불변 비선형 함수도 모의 가능하다. 하지만 지금까지 인공신경망의 비선형적인 구조의 영향으로 인해 변수들을 각각 직관 혹은 주파수 분석을 통해서 설계하는 것이 불가능하였기에 다양한 분야에 적용되지 못하였다. 하지만 프로세서 연산능력의 발달과 다양한 최적화 알고리즘의 개발로 이를 온∙오프라인으로 찾는 알고리즘을 적용하는 것이 가능해졌다. 본 논문에서는 이러한 인공신경망의 특성을 이용하여 기존의 방법으로 보상의 한계가 있었던 저속 (0.2p.u.), 저전류 (0.01p.u) 구간에서의 인버터 비선형성을 정지 좌표계에서 모의하였고 이는 1kW 표면 부착형 동기 전동기의 동기 좌표계 PI전류제어를 통해 검증되었다.제１장 서 론 1 1.1 연구의 배경 1 1.2 연구의 목적 5 1.3 논문의 구성 6 제２장 전류 제어에서 인버터 비선형성의 영향 8 2.1 SPMSM 구동 시스템 8 2.2 인버터 비선형성 12 2.3 인버터 비선형성이 전류제어 성능에 끼치는 영향 21 2.4 비선형성을 극복하기 위한 기존 연구의 한계 28 제３장 제어분야에서의 딥 러닝 36 3.1 인공신경망 구조 36 3.2 인공신경망 학습 44 제４장 딥러닝을 이용한 인버터 비선형성 보상 56 4.1 인공신경망을 통한 플랜트의 선형화 56 4.2 정지 좌표계 인공신경망 인버터 비선형성 추정기 58 제５장 실험 결과 67 5.1 실험 세트 구성 67 5.2 보상 성능 검증 68 제６장 결론 및 향후 연구 91 참고 문헌 94 부 록 97 ABSTRACT 98Maste