| Popis: |
La reducción de peso y volumen de los Transformadores de Media Frecuencia (MFTs) con respecto a los Transformadores de Baja Frecuencia (LFTs) permite aprovechar la gran capilaridad de la red de distribución ferroviaria de Media Tensión DC, MVDC, tanto en España como en el resto de Europa, permitiendo la conexión puntual de cargas o sistemas de generación como las energías renovables. Teniendo una muy útil aplicación en la generación de una red amplia de cargadores de vehículos eléctricos distribuidos, sin necesidad de grandes obras debido al bajo peso y volumen que aportan los MFT frente a la conexión con los LFTs tradicionales. Sin embargo, debido a la creciente necesidad de diseñar MFTs y convertidores de potencia con mayor densidad de potencia y un rango más amplio de tensiones de entrada, operando en la frontera del límite tecnológico, un modelo térmico preciso se convierte en un parámetro crucial a la hora del diseño. Además, el MFT es uno de los componentes más críticos en términos de temperatura, ya que al aumentar la frecuencia disminuye exponencialmente el tamaño con respecto al transformador de baja frecuencia tradicional. Por lo tanto, también será crítico reducir, o gestionar adecuadamente, las pérdidas y la distribución de temperatura en el MFT, con el fin de evitar la pérdida de aislamiento entre los strands del hilo de litz debido a las altas temperaturas y también prevenir la deriva térmica del núcleo magnético. Para emular el comportamiento térmico del MFT de una forma muy precisa se pueden utilizar simulaciones por elementos finitos (FEM). El principal problema de las simulaciones FEM es que son muy lentas en comparación con los modelos teóricos y, por tanto, suelen utilizarse en el proceso de validación. Para poder utilizar estas simulaciones FEM en el proceso de diseño sin ralentizarlo, se propone el uso de Redes Neuronales (ANN), que permiten generar un modelo térmico equivalente a partir de un conjunto de datos de simulaciones FEM. En esta tesis se muestra el proceso de generación del conjunto de datos, el entrenamiento de la ANN, así como su uso para una optimización de un diseño de fuerza bruta de un convertidor Dual Active Bridge, DAB, con un rango muy amplio de tensiones de entrada, operando con diferentes modulaciones, que generan pérdidas muy dispares en el núcleo y devanados del MFT. Por tanto, se obtienen diseños de MFT con un comportamiento térmico muy desigual en función del punto de funcionamiento y de la modulación aplicada. El proceso de optimización por fuerza bruta genera 1000 posibles diseños de convertidores con 40x40 posibles combinaciones de tensiones de entrada y salida. Reduciendo el tiempo de generación de casi 1 año (si se utilizan directamente simulaciones FEM) a sólo 2 días, utilizando la ANN entrenada con simulaciones FEM. Dado el uso de dispositivos SiC, las simulaciones FEM se han utilizado en otros pasos del diseño, como la optimización de los busbars. Finalmente, los resultados obtenidos con la ANN se han comparado con resultados experimentales de un DAB trabajando con diferentes modulaciones y en diferentes puntos de operación, obteniéndose en todos los casos errores inferiores a 2,5 ºC en las temperaturas superficiales de un MFT refrigerado por convección forzada. |
