CP Coelt 2018 2 15

UNIVERSIDADE TECNOLÓGICA FEDERAL DO PARANÁ
DAELE - DEPARTAMENTO DE ENGENHARIA ELÉTRICA

ENGENHARIA ELÉTRICA
IGOR VINICIUS FORNAZIERI FERRI
ESTIMAÇÃO DOS PARÂMETROS ELÉTRICOS DE UM MOTOR

DE INDUÇÃO TRIFÁSICO UTILIZANDO SUAS CURVAS DE
DESEMPENHO
TRABALHO DE CONCLUSÃO DE CURSO
CORNÉLIO PROCÓPIO
2018
IGOR VINICIUS FORNAZIERI FERRI
ESTIMAÇÃO DOS PARÂMETROS ELÉTRICOS DE UM MOTOR

DE INDUÇÃO TRIFÁSICO UTILIZANDO SUAS CURVAS DE
DESEMPENHO
Trabalho de Conclusão de Curso de graduação apresentado

à disciplina EL10A - Trabalho de Conclusão de Curso 2,
do curso de Engenharia Elétrica da Universidade Federal do
Paraná - UTFPR, como requisito parcial para a obtenção do
tı́tulo de Bacharel.
Orientador: Prof. Dr. Marcelo Favoretto Castoldi
Coorientador: Prof. Dr. Alessandro Goedtel
CORNÉLIO PROCÓPIO
2018
Universidade Tecnológica Federal do Paraná
Campus Cornélio Procópio
Departamento Acadêmico de Elétrica
Curso de Engenharia Elétrica
FOLHA DE APROVAÇÃO
Igor Vinicius Fornazieri Ferri
Estimação dos parâmetros elétricos de um motor de indução trifásico utilizando suas curvas de
desempenho
Trabalho de conclusão de curso apresentado às 15:00hs do dia

29/11/2018 como requisito parcial para a obtenção do título de
Engenheiro Eletricista no programa de Graduação em Engenharia
Elétrica da Universidade Tecnológica Federal do Paraná. O
candidato foi arguido pela Banca Avaliadora composta pelos
professores abaixo assinados. Após deliberação, a Banca
Avaliadora considerou o trabalho aprovado.
______________________________________________
Prof(a). Dr(a). Marcelo Favoretto Castoldi - Presidente (Orientador)
______________________________________________
Prof(a). Dr(a). Alessandro Goedtel - (Coorientador)
______________________________________________
Prof(a). Dr(a). Francisco de Assis Scannavino Junior - (Membro)
______________________________________________
Prof(a). Dr(a). Danilo Sipoli Sanches - (Membro)
A folha de aprovação assinada encontra-se na coordenação do curso.

AGRADECIMENTOS
Agradeço primeiramente à Deus, por todas as bênçãos que Ele tem proporcionado à
minha vida.
Agradeço aos meus pais e à minha irmã por todo o apoio, inspiração e carinho, bem
como tudo que fizeram em minha vida, por estarem ao meu lado, nos momentos mais felizes e
também, os mais difı́ceis.
Agradeço ao meu orientador, professor Dr. Marcelo Favoretto Castoldi, pela amizade,
pelos grandes ensinamentos e por estar sempre disposto a me ajudar e auxiliar no meu
desenvolvimento tanto como aluno, quanto como profissional.
Agradeço ao meu co-orientador, professor Dr. Alessandro Goedtel, por aceitar fazer
parte deste trabalho, além dos grandes ensinamentos que me fizeram crescer e encarar a
graduação de uma maneira diferente, após as aulas de Máquinas Elétricas 1.
Agradeço aos responsáveis pelo Laboratório de Eletrônica de Potência, Qualidade de
Energia e Energias Renováveis (LEPQUER) e do Laboratório de Sistemas Inteligentes (LSI) por
disponibilizarem os equipamentos necessários a realização dos ensaios, bem como aos amigos
do LSI, em especial ao Clayton, por todo o apoio durante o perı́odo de ensaios.
Ao Prof. Dr. Francisco de Assis Scannavino Junior e ao Prof. Dr. Danilo Sipoli Sanches
por aceitarem participar da banca deste trabalho.
Agradeço a todos os professores e demais colaboradores da UTFPR - Campus Cornélio
Procópio que de alguma forma me auxiliaram nessa conquista e que fizeram com que eu me
sentisse bem durante esse perı́odo em que lá estive.
Agradeço a todos os amigos que a faculdade me deu, sem a amizade de vocês, seria
uma jornada muito mais complicada, em especial aos amigos do perı́odo de van, da Toca do
Guaxinim, da Rep.produtores e aos demais amigos a vida me deu, em especial ao Renato e
Leônidas.
Por último, gostaria de agradecer ao meu grande amigo, Luiz Gustavo Roncon (em
memória), por ter me dado a oportunidade de ser seu amigo, pela parceria ao longo da faculdade,
em todos os trabalhos, provas e aulas, bem como os momentos fora da faculdade. Infelizmente
você partiu tão cedo, algo que jamais poderemos entender, cabendo a nós apenas aceitar e
aprender a conviver com isso. Mais uma vez, muito obrigado.
”O dicionário é o único lugar onde o sucesso
vem antes do trabalho. O trabalho duro é o
preço que todos devemos pagar pelo sucesso.”
Vince Lombardi.
RESUMO
FERRI, I. V. F.. Estimação dos parâmetros elétricos de um motor de indução trifásico utilizando
suas curvas de desempenho. 2018. 52 f. Trabalho de Conclusão de Curso – Engenharia Elétrica,
Universidade Tecnológica Federal do Paraná. Cornélio Procópio, 2018.
Os motores de indução trifásicos estão presentes nos mais diversos setores da indústria, sendo
responsáveis por aproximadamente 30% do consumo de energia elétrica do Brasil. Para o correto
acionamento e controle do motor e necessário o conhecimento dos valores de seus parâmetros,
porem estes podem não ser diretamente fornecidos pelos fabricantes. O método mais usual para
a obtenção desses valores é através de ensaios, a vazio e o de rotor bloqueado. Estes testes são
normatizados e podem haver discrepâncias entre as normas. A fim de simplificar e automatizar o
processo de estimação dos parâmetros, este trabalho propõe a implementação de um algoritmo
de evolução diferencial para estimar os parâmetros de um motor de indução trifásico, utilizando
dados de catálogos fornecido pelos fabricantes. Para a validação do método foram realizados a
estimação utilizando quatro modelos, combinando duas modelagens matemáticas e duas confi-
gurações de circuito, porém os parâmetros de controle dos algoritmos foram os mesmos para
os quatro cenários. O modelo de circuito e modelagem mais simples, ou seja, desconsiderando
a resistência de perdas no núcleo e as perdas suplementares, foi o que apresentou o melhor
resultado, no caso, o menor fitness dentre os quatro modelo, apresentando erros menores
que 3% em relação as grandezas conhecidas, retiradas por meio das curvas de desempenho
do motor. Em nenhum dos casos, o erro em relação a alguma grandeza foi superior a 5%.
Através da análise dos parâmetros, foi possı́vel verificar o comportamento dos parâmetros e a
distribuição da potência através do circuito equivalente. Este trabalho apresentou também como
esses parâmetros se comportam quando o mesmo está sendo acionado por uma tensão não-
senoidal e também, trabalhando fora das condições nominais, com tensão e frequência reduzida
e então, comparando o que foi obtido computacionalmente com o que foi medido em laboratório.
Palavras-chave: Estimação de parâmetros. Motor de indução trifásico. Evolução Diferencial.

ABSTRACT
FERRI, I. V. F.. Estimation of the electrial parameters of a three-phase induction motor using
its characteristic curves . 2018. 52 f. Trabalho de Conclusão de Curso – Engenharia Elétrica,
Universidade Tecnológica Federal do Paraná. Cornélio Procópio, 2018.
Induction motors are present in a wide range of industrial sectors, being responsible for almost
30% of Brazil’s electricity consumption. For the correct motor’s drive and control it is required
know its parameters values, however, the manufacturers usually do not present directly these
parameters. The most usual method to obtaining these values is through tests, no-load test
and locked rotor test. These tests are standardized but there may be unconformity between the
standards. In order to simplify and automate the parameters estimation, this work proposes the
use of a differential evolution algorithm to estimate the electrical parameters of a three-phase
induction motor, using data provided by the manufacturer’s datasheet. For the validation of
the method, the estimation was made using four models, combining two mathematical models
and two circuit configurations, but the control parameters of the algorithms were the same
for the four scenarios. The simplest circuit and modeling model, excluding core loss resistance
and supplemental losses was the one that presented the best result, in this case, the smallest
fitness of the four models, presenting errors less than 3% in relation to the known electrical
magnitude, obtained through the motor performance curves. In none of the cases, the error for
some magnitude was greater than 5%. Through the analysis of the parameters, it was possible
to verify the behavior of the parameters and the power distribution through the equivalent
circuit. This work also presented how these parameters behave when a non-sinusoidal voltage
is driving it, also, working outside the nominal conditions, with reduced voltage and frequency,
and then comparing what was obtained computationally with what was measured in laboratory.
Keywords: Parameters Estimation. Three-Phase Induction Motor. Differential Evolution.

LISTA DE FIGURAS
Figura 1 – Vista lateral em corte de uma máquina de indução. . . . . . . . . . . . . 18

Figura 2 – Representação por fase do modelo de transformador do motor de indução
trifásico. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
Figura 3 – Circuito equivalente do MIT. . . . . . . . . . . . . . . . . . . . . . . . . . 20
Figura 4 – Circuito equivalente simplificado do MIT. . . . . . . . . . . . . . . . . . . 21
Figura 5 – Curvas de desempenho do motor em função da potência fornecida. . . . . 25
Figura 6 – Curvas de conjugado e corrente do motor em função da velocidade sı́ncrona. 26
Figura 7 – Etapa do processo de mutação. . . . . . . . . . . . . . . . . . . . . . . . 30
Figura 8 – Etapa do processo de cruzamento. . . . . . . . . . . . . . . . . . . . . . . 31
Figura 9 – Fluxograma para exemplificar o funcionamento do DE. . . . . . . . . . . . 32
Figura 10 – Curvas de desempenho do motor escolhido para o trabalho. . . . . . . . . 38
Figura 11 – Tela do equipamento utilizado para a realização das medições e coleta dos
dados do motor acionado por inversor de frequência. . . . . . . . . . . . . 40
Figura 12 – Vista parcial da bancada de ensaios e dos equipamentos utilizados nos ensaios. 41
LISTA DE TABELAS
Tabela 1 – Valores assumidos de perda suplementar em carga nominal. . . . . . . . . 22

Tabela 2 – Folha de dados fornecidos pelo fabricante. . . . . . . . . . . . . . . . . . 23
Tabela 3 – Dados fornecidos pelo fabricante referente ao fator de potência e rendimento. 24
Tabela 4 – Folha de dados fornecidos pelo fabricante para o motor utilizado. . . . . . 37
Tabela 5 – Dados obtidos através das curvas do MIT para o motor de 1cv do LSI. . . 38
Tabela 6 – Parâmetros estimados pelo algoritmo para o primeiro modelo de circuito. . 42
Tabela 7 – Dados das grandezas retornadas pelo algoritmo para o primeiro modelo
adotado. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
Tabela 8 – Parâmetros estimados pelo algoritmo para o segundo modelo de circuito. . 43
Tabela 9 – Dados das grandezas retornadas pelo algoritmo para o segundo modelo
adotado. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
Tabela 10 – Parâmetros estimados pelo algoritmo para o terceiro modelo de circuito. . 44
Tabela 11 – Dados das grandezas retornadas pelo algoritmo para o terceiro modelo
adotado. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
Tabela 12 – Parâmetros estimados pelo algoritmo para o quarto modelo de circuito. . . 45
Tabela 13 – Dados das grandezas retornadas pelo algoritmo para o quarto modelo adotado. 45
Tabela 14 – Comparativo dos parâmetros estimados e o fitness para cada caso. . . . . 46
Tabela 15 – Comparativo dos valores obtidos, tensão e frequência nominal e torque
menor que o nominal. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
Tabela 16 – Comparativo dos valores obtidos, tensão de 184,5V, frequência de 50 Hz e
torque menor que o nominal. . . . . . . . . . . . . . . . . . . . . . . . . 47
Tabela 17 – Comparativo dos valores obtidos, tensão de 149,5V, frequência de 40 Hz e
torque menor que o nominal. . . . . . . . . . . . . . . . . . . . . . . . . 48
LISTA DE ABREVIATURAS E SIGLAS
ABC Colônia Artificial de Abelha - do inglês Artificial Bee Colony
ABNT Associação Brasileira de Normas Técnicas
ACO Otimização por Colônia de Formigas, do inglês Ant Colony Optimization
AE Algoritmos Evolutivos
CA Corrente Alternada
CC Corrente Contı́nua
CIPECA Centro Integrado de Pesquisa em Controle e Automação
DE Evolução Diferencial, do inglês Differential Evolution
EKF Filtro de Kalman Estendido, do inglês Extended Kalman Filter
FO Função Objetivo
GA Algoritmo Genético, do inglês Genetic Algorithm
LEPQER Laboratório de Eletrônica de Potência, Qualidade de Energia e Energias

Renováveis
LSI Laboratório de Sistemas Inteligentes
MIT Motor de Indução Trifásico
PSO Otimização por Enxame de Partı́culas, do inglês Particle Swarm Optimization
RNA Redes Neurais Artificiais

LISTA DE ALGORITMOS
Algoritmo 1 – Estrutura comum a todas classes de algoritmos evolutivos . . . . . . . . 28
Algoritmo 2 – Estrutura inicial do algoritmo. . . . . . . . . . . . . . . . . . . . . . . 35

Algoritmo 3 – Rotina principal do algoritmo. . . . . . . . . . . . . . . . . . . . . . . 36
SUMÁRIO
1 – INTRODUÇÃO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
1.1 OBJETIVOS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
1.1.1 Objetivo Geral . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
1.1.2 Objetivos Especı́ficos . . . . . . . . . . . . . . . . . . . . . . . . . . 15
1.2 JUSTIFICATIVA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
1.3 DISPOSIÇÃO DO TRABALHO . . . . . . . . . . . . . . . . . . . . . . . . 16
2 – MOTOR DE INDUÇÃO TRIFÁSICO . . . . . . . . . . . . . . . . . . . . . . 17

2.1 CIRCUITO EQUIVALENTE DO MIT . . . . . . . . . . . . . . . . . . . . . 18
2.2 CURVAS DE DESEMPENHO . . . . . . . . . . . . . . . . . . . . . . . . . 23
3 – EVOLUÇÃO DIFERENCIAL . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
3.1 INTRODUÇÃO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
3.2 PRINCÍPIO DE FUNCIONAMENTO . . . . . . . . . . . . . . . . . . . . . 27
4 – METODOLOGIA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
4.1 ESTIMAÇÃO DOS PARÂMETROS PELO DE . . . . . . . . . . . . . . . . 33
4.2 VALIDAÇÃO DO ALGORITMO . . . . . . . . . . . . . . . . . . . . . . . . 36
4.2.1 CURVAS DE DESEMPENHO . . . . . . . . . . . . . . . . . . . . . 37
4.2.2 MODELOS UTILIZADOS . . . . . . . . . . . . . . . . . . . . . . . 38
4.2.3 ENSAIOS LABORATORIAIS . . . . . . . . . . . . . . . . . . . . . 39
5 – RESULTADOS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
5.1 ESTIMAÇÃO DOS PARÂMETROS . . . . . . . . . . . . . . . . . . . . . 42
5.1.1 MODELO 1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
5.1.2 MODELO 2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
5.1.3 MODELO 3 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
5.1.4 MODELO 4 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
5.2 ENSAIOS LABORATORIAIS. . . . . . . . . . . . . . . . . . . . . . . . . . 46
6 – CONSIDERAÇÕES FINAIS . . . . . . . . . . . . . . . . . . . . . . . . . . 49
6.1 PERSPECTIVA PARA TRABALHOS FUTUROS . . . . . . . . . . . . . . . 50
6.2 TRABALHOS PUBLICADOS . . . . . . . . . . . . . . . . . . . . . . . . . 50
REFERÊNCIAS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
13
1 INTRODUÇÃO
Segundo o estudo ”Plano Nacional de Eficiência Energética”, realizado pelo Ministério

de Minas e Energia, cerca de 43,7% de toda energia consumida no Brasil é devida às atividades
industriais, sendo que deste percentual, 68% são consumidos devido a utilização de máquinas
elétricas, com isso, tem-se que aproximadamente 30% de toda a energia elétrica consumida no
Brasil se deve a utilização de máquinas elétricas rotativas (MME, 2011).
Dentro das máquinas elétricas rotativas utilizadas nos processos industriais, destaca-se
o motor de indução trifásico (MIT), este por sua vez, é o motor mais utilizado em sistemas
de acionamentos eletromecânicos, devido principalmente a caracterı́sticas como a sua simples
construção, o que permite uma operação isenta de manutenção, a sua robustez, o seu baixo
custo e a possibilidade de trabalhar em localizações remotas, como por exemplo, locais onde a
poeira e outros materiais abrasivos devam ser considerados (KOSOW, 2005).
O MIT é constantemente aplicado com superdimensionamento, ou seja, trabalham
com um fator de carga - razão entre a carga aplicada e a carga nominal do motor - menor que
75%. Isso faz com que o motor trabalhe com um fator de potência baixo, comprometendo a
eficiência energética da instalação, como por exemplo, uma planta industrial (MARQUESIN
JUNIOR, 2011).
Apesar de ser uma alternativa recente, o acionamento e controle dos motores utilizando
inversores de frequência é amplamente utilizado em processos industriais. Para executar um
projeto eficiente de acionamento e controle do motor é necessário que sejam conhecidos os
seus parâmetros.
Os datasheets podem não apresentar os valores dos parâmetros elétricos e mecânicos
de maneira direta, mas apresentam curvas de desempenho do motor, as quais expressam
seu comportamento em tensão e frequência nominais. No caso de motores alimentados por
inversores de frequência, o motor trabalha com valores de tensão e frequência diferentes do
nominal, logo, não é possı́vel determinar o comportamento do motor operando com o inversor.
Portanto, é necessário algum processo para a estimação dos valores dos parâmetros do
MIT para que então, seja conhecido todo o comportamento do motor. O método mais comum
é a estimação dos parâmetros realizando ensaios no MIT, como por exemplos os testes a vazio,
o de rotor bloqueado e o ensaio em corrente contı́nua.
Os ensaios necessários para a estimação dos parâmetros são normatizados, ou sejam,
dependem da localidade na qual o motor foi projetado e construı́do, com isso, podem haver
discrepâncias entre as normas. No Brasil, os ensaios são regulamentados pela ABNT NBR
5383-1 (2002), sendo que esta define três categorias para motores: Categoria H, N e D. Já a
IEEE Std. 112 (2004) define quatro categorias: Categoria A, B, C e D.
A fim de simplificar e automatizar o processo de estimação dos parâmetros elétricos
e mecânicos do MIT, surgiu-se a possibilidade da utilização de métodos computacionais que
14
utilizam-se de grandezas conhecidas do motor como, por exemplo, tensão e corrente para a
estimação dos parâmetros e, assim substituı́rem a tradicional determinação de parâmetros por
ensaios elétricos. Os métodos computacionais surgiram a fim de se obterem resultados factı́veis
para problemas complexos de otimização. Existem diversos métodos computacionais que, neste
caso, podem ser utilizados para a estimação dos parâmetros desejados, ou serem aplicados na
resolução de diversos problemas de engenharia como, por exemplo, o estimador de estado Filtro
de Kalman Estendido (EKF - do inglês Extended Kalman Filter ), sendo a versão não-linear do
Filtro de Kalman, desenvolvido por Kalman (1960), e meta-heurı́sticas como os Algoritmos
Genéticos (GA - do inglês Genetic Algorithm), inicialmente desenvolvido por Holland (1975).
Com o passar dos anos, surgiram novos métodos de otimização baseado em comportamentos
da natureza, como por exemplo os métodos de Otimização por Colônia de Formigas (ACO
- do inglês Ant Colony Optimization) que foi introduzido Dorigo (1992), a Otimização por
Enxame de Partı́culas (PSO - do inglês Particle Swarm Optimization), inicialmente proposto
por Kennedy e Eberhart (1995), Colônia Artificial de Abelha (ABC - do inglês Artificial Bee
Colony ), entre outros métodos.
Aksoy, Mühürcü e Kizmaz (2010) propuseram um algoritmo online utilizando a técnica
Filtro de Kalman Estendido (EKF) para estimar os parâmetros de um motor de indução trifásico.
A modelagem matemática utilizada no algoritmo foi o modelo dinâmico e, para os dados entrada
do algoritmo, foram utilizados medidas de tensão e corrente do estator e velocidade do rotor.
Sarem et al. (2007) realizou um estudo na qual foram utilizados um algoritmo genético
e um algoritmo genético hı́brido para fazerem a estimação dos parâmetros elétricos de dois
geradores sı́ncronos usando dados obtidos através do Ensaio de Resposta em Frequência com
Rotor Travado (SSFR - do inglês Stand-Still Frequency Response).
Já o estudo de Sankardoss e Geethanjali (2017) estimou os parâmetros de um motor
de corrente contı́nua utilizando diversas técnicas computacionais. Foram utilizados os métodos
de otimização por enxame de partı́culas (PSO), sendo este implementado em três modelos
distintos, o modelo padrão, dinâmico com peso de inércia constante e por fim com peso de
inércia variável. Outra técnica utilizada foi a otimização por colônia de formiga (ACO), e por
último, colônia artificial de abelha (ABC), inicialmente proposto por Karaboga (2005). Os
resultados obtidos pelos meios computacionais foram comparados com os resultados obtidos
experimentalmente.
O algoritmo de evolução diferencial, inicialmente proposto por Storn e Price (1995),
sendo uma boa alternativa para os métodos citados anteriormente, pois é um algoritmo robusto,
de fácil implementação, afinal este necessita de apenas três parâmetros de controle, dificilmente
fica preso em ótimos locais e tende a ter uma convergência mais rápida que os algoritmos
genéticos (CHENG; HWANG, 2001).
15
1.1 OBJETIVOS
A fim de uma melhor explanação, os objetivos deste trabalho serão discutidos de

maneira geral e especı́fica.
1.1.1 Objetivo Geral
Desenvolver um algoritmo baseado em evolução diferencial, que seja eficiente e robusto,

capaz de estimar os parâmetros elétricos do circuito equivalente do motor de indução trifásico -
resistências de estator e de rotor e as indutâncias de dispersão de estator e de rotor e indutância
de magnetização - tendo como entrada os dados de operação obtidos através das curvas de
desempenho fornecidas pelo fabricante.
1.1.2 Objetivos Especı́ficos
• Desenvolver uma fundamentação teórica sobre o motor de indução trifásico, algorit-

mos evolutivos, destacando-se o de evolução diferencial e a modelagem em regime
permanente da máquina.
• Implementar um algoritmo de evolução diferencial para a estimação dos parâmetros

elétricos do circuito equivalente da máquina, utilizando quatro modelos distintos
de circuito e modelagem da máquina.
• Realizar ensaios em laboratório para a medida de dados com o motor operando em

diversas condições de operação.
• Comparar os resultados obtidos pelo por meio das curvas de desempenho e por
meio dos ensaios.
• Analisar o comportamento dos parâmetros elétricos de acordo com a modelagem e

o circuito equivalente adotado.
1.2 JUSTIFICATIVA
Os controladores aplicados a um determinado motor irá depender inicialmente da

estratégia de controle adotada, com isso, o cálculo para a determinação dos controladores
utilizam-se dos parâmetros elétricos do circuito equivalente do motor de indução - resistências
de estator, de rotor e perdas no núcleo, indutâncias de dispersão de rotor e estator e indutância
de magnetização. Uma vez que esses parâmetros nem sempre são fornecidos diretamente
pelo fabricante, é necessário um método eficiente para a estimação desses, para que então, o
16
projeto do acionamento e controle do motor seja feito de maneira correta (GOEDTEL, 2007;
JACOBINA; LIMA, 2002).
O algoritmo de evolução diferencial será implementado portanto, para realizar de
maneira confiável, a estimação desses parâmetros, utilizando-se de dados obtidos por meio
das curvas de desempenho do motor, que são fornecidas pelos fabricantes. Para o algoritmo
serão fornecidos três pontos de operação com os seus valores de corrente, rendimento, fator
de potência e escorregamento. Esses dados serão inseridos na função objetivo do algoritmo,
que utilizará as equações da modelagem em regime permanente da máquina. O algoritmo irá
realizar iterações até que um critério de parada seja atingido. Após uma série de repetições
serem realizadas, o algoritmo apresentará os valores dos parâmetros estimados.
A fim de se verificar a confiabilidade dos parâmetros estimados, será simulado e
implementado em um motor de indução trifásico, a operação do motor com carga em distintos
pontos de operação. Será realizado também o acionamento do motor por meio de inversor de
frequência, a fim de se comparar as medidas obtidas em ambiente laboratorial com as obtidas
por meio do algoritmo.
1.3 DISPOSIÇÃO DO TRABALHO
O capı́tulo inicial apresenta uma breve introdução sobre a importância e necessidade da

estimação dos parâmetros do MIT, é apresentado também as propostas a serem desenvolvidas
neste trabalho.
No segundo capı́tulo é apresentado a análise do circuito equivalente do motor de
indução, apresentando as equações em regime permanente da máquina, sendo estas utilizadas
pelo algoritmo DE para que este realize a estimação dos parâmetros.
No terceiro capı́tulo é apresentada uma breve introdução sobre os algoritmos evolutivos,
com foco no algoritmo de evolução diferencial, detalhando as suas etapas de funcionamento.
No quarto capı́tulo é apresentada a metodologia utilizada para a realização da estimação
dos parâmetros por meio das curvas de desempenho, assim como o método utilizado para
validar o algoritmo proposto.
No quinto capı́tulo são apresentados os resultados obtidos por meio do algoritmo,
validando o mesmo.
No sexto capı́tulo realizam-se as considerações finais relativas ao algoritmo e ao
processo de estimação de parâmetros e as propostas para os trabalhos futuros.
17
2 MOTOR DE INDUÇÃO TRIFÁSICO
As máquinas polifásicas de indução e sı́ncronas são conversores eletromecânicos

rotativos baseados na geração de um campo magnético girante em seu estator e por essa razão,
são também conhecidas como máquinas de campo girante. Na máquina de indução, as tensões
e correntes que fluem pelo estator e rotor são alternadas. A máquina sı́ncrona possui tensão e
corrente alternada em seu enrolamento de estator, sendo o enrolamento de campo do rotor, é
excitado com corrente contı́nua. Os enrolamentos polifásicos geram forças magnetomotrizes
girantes (fmm) em relação a estrutura fı́sica nas quais os enrolamentos estão presente.
A máquina de indução trifásica, alimentada por um fonte também trifásica estabelece
uma distribuição de campo magnético girante em relação ao estator. A velocidade em que o
campo gira é a chamada velocidade sı́ncrona (ωs ), esta por sua vez, é dependente do número
de pólos do enrolamento do estator e da frequência de alimentação da fonte trifásica. Esta
distribuição de campo magnético do estator, concatena o enrolamento do rotor, fazendo com
que haja a indução de tensões polifásicas no rotor e, consequentemente, correntes polifásicas
no rotor. Estas correntes de rotor produzem forças magnetomotrizes, portanto, é estabelecido
uma distribuição de fluxo no rotor. (BIM, 2014).
O torque na máquina de indução é gerado através da interação entre os fluxos de rotor
e estator. A frequência das tensões induzidas no rotor e das correntes são definidas através da
velocidade relativa entre as velocidades do rotor (n) e do campo girante (ns ) produzido no
estator, sendo esta diferença de velocidade conhecida como escorregamento (s), que é uma
propriedade exclusiva da máquina de indução. O escorregamento é geralmente apresentado em
seu valor percentual (%) e é dado através equação (1):

ns − n
s = 100% · [%] (1)
ns
Ao contrário das máquinas de corrente contı́nua, as máquinas de indução não possuem
um enrolamento especı́fico de campo. O estator possui ranhuras igualmente espaçadas entre si,
nas quais são distribuı́das as bobinas que constituem o enrolamento do estator, no caso do
motor de indução, a armadura. Referente ao rotor, a máquina de indução possui dois tipos
de enrolamentos, podendo ser montado na forma em que os enrolamentos do rotor estão
distribuı́dos de forma semelhante ao estator, conhecida como ”rotor bobinado”ou na forma de
barras de cobre curto circuitadas, conhecidas como ”rotor gaiola de esquilo”.
O rotor do tipo bobinado possui um conjunto completo de enrolamentos trifásicos,
sendo semelhantes aos presentes no estator, que são usualmente ligados em estrela (Y) e os seus
terminais são conectados externamente a anéis deslizantes no eixo do rotor. Os enrolamentos
do rotor são curto-circuitados através de escovas presas nos anéis. Isso torna as correntes do
rotor acessı́veis, portanto é possı́vel alterar o comportamento da máquina inserindo resistências
externas ao seu circuito, o que altera a caracterı́stica de torque do motor. Este tipo de motor
18
possui poucas aplicações e um custo elevado em relação ao do tipo gaiola de esquilo. A Figura
1-a) apresenta a vista em corte lateral do motor de indução do tipo rotor bobinado (CHAPMAN,
2013).
O rotor do tipo gaiola de esquilo consiste em uma série de barras condutoras que são
colocadas em curto circuito em ambas as extremidades por meio de grandes anéis. A extrema
simplicidade e robustez da sua construção faz com que o motor com esse tipo de rotor seja
amplamente utilizado nas industrias. A Figura 1-b) apresenta a vista em corte lateral do motor
de rotor gaiola de esquilo.
Figura 1 – Vista lateral em corte de uma máquina de indução.
(a) Rotor bobinado. (b) Rotor gaiola de esquilo.
Fonte: Adaptado de Chapman (2013).
Em termos de funcionamento os motores são iguais, com isso, ambos são modelados
de forma igual. Para a estimação dos parâmetros elétricos da máquina, pode ser realizado a
modelagem estática, ou em regime permanente. A maneira utilizada para descrever matemati-
camente o funcionamento do motor de indução trifásico é realizada por meio da análise do
circuito equivalente.
2.1 CIRCUITO EQUIVALENTE DO MIT
Devido ao fato de que os enrolamentos polifásicos são simétricos, alimentados por

fontes de tensão polifásica também simétricas, adota-se a análise do circuito monofásico. A
ligação usual das máquinas é em estrela (Y), logo, as correntes e tensões são expressas em
seu valor de fase. Ao escolher uma das fases para a análise, subentende-se que os valores de
tensão e corrente nas demais fases são iguais, porém com uma defasagem angular de 120 graus
elétricos, para mais ou para menos.
As correntes que circulam no rotor representam o resultado de uma ação de trans-
formador, por serem consequência dos fluxos magnético produzido no enrolamento trifásico
do estator. A representação monofásica dos circuitos de estator e rotor do motor de indução
trifásico, ambos conectados por meio de um transformador ideal é dado pela Figura 2.
19
Figura 2 – Representação por fase do modelo de transformador do motor de indução trifásico.
R1 jX1 aef I jXR

I˙1 I˙2 R
+ I˙φ + +
V̇1 Ė1 Ė2 RR

Rc jXm
− − −
onde:
• V̇1 : tensão de fase de estator;
• I˙1 : corrente de fase de estator;
• R1 : resistência efetiva de estator;
• jX1 : reatância de dispersão de estator;
• I˙φ : corrente de magnetização;
• Rc : resistência representando as perdas no núcleo;
• jXm : reatância de magnetização;
• I˙2 corrente do rotor referida ao primário;
• Ė1 : tensão induzida do rotor referida ao primário;
• aef : relação de transformação do trafo ideal;
• Ė2 : tensão induzida no circuito do rotor;
• I˙R : corrente no circuito do rotor;
• RR : resistência efetiva do rotor;
• jXR : reatância de dispersão do rotor;
O circuito de estator pode ser representado como:
V̇1 = Ė1 + I˙1 (R1 + jX1 ) (2)
O circuito do rotor pode ser representado como:
Ė2 = I˙R (RR + jXR ) (3)
ou então:
Ė2
I˙R = (4)
(RR + jXR )
Entretanto, a indução no rotor só ocorre quando há uma diferença relativa de velocidade
entre a rotação mecânica do rotor e a rotação do campo magnético girante, esta diferença é
conhecida como escorregamento, conforme dado pela Equação (1). Em geral, quanto maior
20
o movimento relativo entre os campos do rotor e estator, maior será a tensão e frequência
induzida no rotor. A máxima tensão e frequência ocorre com o rotor parado, ou então, com
rotor bloqueado. A tensão no rotor quando este está bloqueado é dada por ER0 , desse modo,
a tensão no rotor para qualquer escorregamento é:
ER = s · ER0 (5)
A resitência do rotor possui um valor fixo, enquanto que a reatância do rotor de um

motor de indução depende da indutância do rotor e da frequência da tensão e da corrente do
rotor. Sendo esta escrita em forma do escorregamento da seguinte maneira:
XR = s · XR0 (6)
Sendo XR0 a impedância com o rotor bloqueado. Com isso, o circuito de rotor
considerando o escorregamento pode ser escrito como:
ĖR0
I˙R = (7)
(RR /s + jXR0 )
Para se obter o circuito equivalente final, deve-se referir a corrente, tensão e impedância
para o estator, por meio da relação de transformação dada por aef , de acordo com as Equações
(8), (9), (10) e (11):
I˙R
I˙2 = (8)
aef
Ė1 = aef · ĖR0 (9)
R2 = a2ef · RR (10)
X2 = a2ef · XR0 (11)
o circuito equivalente por fase do MIT é portanto:
Figura 3 – Circuito equivalente do MIT.
R1 jX1 jX2
I˙1 I˙2
I˙φ +
R2
V̇1 Ė1 s
Rc jXm
−
21
No circuito apresentado pela Figura 3, a tensão é expressa em Volts, a corrente

em Ampères e as reatâncias e resistências, todas são expressas em Ohms. No estudo dos
transformadores, o ramo de magnetização é geralmente desprezado por inteiro, porém no caso
das máquinas de indução, devido a presença do entreferro, a impedância de magnetização é
baixa, o que faz com que em condições normais de funcionamento, a corrente de magnetização
possua um valor elevado, geralmente entre 30% a 50% da corrente nominal. Com isso, no
circuito do motor de indução, a única aproximação que é usual, é a retirada da resistência de
magnetização Rc (FITZGERALD; KINGSLEY JR; UMANS, 2006). A Figura 4 apresenta o
circuito simplificado por fase do motor de indução trifásico.
Figura 4 – Circuito equivalente simplificado do MIT.
R1 jX1 jX2
I˙1 I˙2
I˙φ +
R2
V̇1 jXm Ė1 s
−
Os parâmetros a serem estimados serão, portanto, as resistências de estator (R1 ), de

rotor (R2 ) e a resistência de perdas no núcleo (Rc ). Uma vez que os valores das reatâncias são
dependentes da frequência da rede, para se ter um valor fı́sico e independente das frequências,
serão estimados as reatâncias de dispersão de estator (L1 ), do rotor (L2 ) e a reatância de
magnetização (Lm ). A relação entre indutância e reatância é dado a pela equação (12):
X
L= (12)
2·π·f
A corrente obtida através do datasheet é a corrente de estator (I˙1 ), com isso a primeira
simplificação do circuito é a determinação da impedância de magnetização (Zm ), conforme
dado pela equação (13):
−1
Zm = Rc−1 + jXm
−1
(13)
A equivalência entre os ramos do rotor, sendo este já referido ao estator e o ramo de
magnetização, tem-se a impedância equivalente Zf , conforme dado pela equação (14):
" −1 #−1
R2 −1
Zf = + jX2 + Zm (14)
s
Com isso, a impedância de entrada por fase do MIT em Ohms é portanto:
Zin = Zf + R1 + jX1 (15)

22
A corrente de estator é obtida por meio da equação (16):
V̇1
I˙1 = (16)
Zin
A fim de se simplificar o processo de determinação do fator de potência da máquina,
a sua tensão de fase foi adotada como referência, sendo assim o seu ângulo é considerado nulo.
O fator de potência do motor é obtido através do cosseno da diferença das fases de tensão
e corrente. Com as devidas considerações, bem como o fato de que a função cosseno é uma
função par, o cálculo do fator de potência se resume conforme descrito pela equação (17):
F P = cos(θV1 − θI1 ) = cos (−θI1 ) = cos (θI1 ) (17)
A potência trifásica de entrada do motor é dada pela equação (18):
Pin = 3 · |V1 | · |I1 | · F P (18)
Sendo Rzf a parte real da impedância Zf , a potência transferida através do entreferro

desde o estator é:
Pg = 3 · Rzf · |I1 |2 (19)
A potência eletromagnética que é transferida para o rotor, é a seguinte:
Pmec = (1 − s) · Pg (20)
A potência efetiva na ponta do eixo é dada após o desconto das perdas suplementares.
Segundo a ABNT NBR 5383-1 (2002), existem alguns métodos para o cálculo da perda
suplementar. Neste trabalho, será considerado dois modelos quanto a esse cálculo, sendo que,
no primeiro caso, as perdas serão desconsideradas. No segundo caso, será considerado o método
de perda suplementar assumida. O valor da perda suplementar para a carga nominal é dado
conforme a Tabela 1.
Tabela 1 – Valores assumidos de perda suplementar em carga nominal.
Potência do motor Perda assumida [% da pot. saı́da]

0,75 - 90 kW (1 - 125 cv) 1,8
91 - 375 kW (126 - 500 cv) 1,5
376 - 1.839 (501 - 2.499 cv) 1,2
1.840 e acima (2.500 cv e acima) 0,9
Fonte: Adaptado de ABNT NBR 5383-1 (2002).
A perda suplementar é representada como Psup . Para os demais pontos de operação

que não sejam em carga nominal, é assumido que a perda suplementar é proporcional a corrente
23
do rotor ao quadrado, conforme dado pela equação (21):

2
I 02

0
P sup = Psup · (21)
I2
onde:
• P 0 sup : valor da perda suplementar para o ponto de operação distinto da carga
nominal.
• Psup : valor da perda suplementar em carga nominal, conforme Tabela 1.
• I 0 2 : valor da corrente do rotor referida ao estator para o ponto de operação distinto
da carga nominal.
• I2 : valor da corrente do rotor referido ao estator em carga nominal.
A potência fornecida na ponta do eixo será portanto:
Pout = Pmec − P 0 sup (22)
O rendimento do motor(η) é dado através da equação (23):
Pout
η= (23)
Pin
O algoritmo é desenvolvido utilizando a modelagem apresentada e utilizando uma
função objetivo de aproximação para que os parâmetros sejam estimados.
2.2 CURVAS DE DESEMPENHO
Os catálogos fornecidos pelos fabricantes informam os dados relevantes quanto a

construção e operação do motor, sendo esses dados de extrema importância quando se busca
definir qual o motor ideal para determinada aplicação. Para exemplificação, foi escolhido um
motor da fabricante WEG. Os dados referente ao motor estão disponı́veis para consulta no
próprio site da fabricante. A Tabela 2 apresentam os dados referentes ao motor escolhido.
Tabela 2 – Folha de dados fornecidos pelo fabricante.
FOLHA DE DADOS
Motor trifásico de indução - Rotor de gaiola
Linha do produto W22Xd IR2
Carcaça 90S/L
Potência 1 HP
Freqüência 60 Hz
Polos 4
Rotação nominal 1765 rpm
Escorregamento 1,94 %
Tensão nominal 220/380 V
Continua na próxima página
24
Tabela 2 – Continuação da página anterior.

FOLHA DE DADOS
Corrente nominal 3,22/1,86 A
Corrente de partida 23,5/13,6 A
Ip/In 7,3
Corrente a vazio 2,20/1,27 A
Conjugado nominal 4,06 Nm
Conjugado de partida 200 %
Conjugado máximo 290 %
Categoria —
Classe de isolação F
Elevação de temperatura 80 K
Tempo de rotor bloqueado 21 s (quente)
Fator de serviço 1,00
Regime de serviço S1
Temperatura ambiente -20◦ C - +40◦ C
Altitude 1000 m
Proteção IPW55
Massa aproximada 42 kg
Momento de inércia 0,00492 kgm2
Nı́vel de ruı́do 51 dB(A)
Rolamento Dianteiro 6205 ZZ
Rolamento Traseiro 6204 ZZ
Fonte: Adaptado de WEG (2018).
Nesta folha de dados são apresentadas, também, informações referentes ao rendimento

e o fator de potência do motor para três pontos de operação, sendo estes dispostos na Tabela
3:
Tabela 3 – Dados fornecidos pelo fabricante referente ao fator de potência e rendimento.
FOLHA DE DADOS
Linha do produto W22Xd IR2
Carga Fator de potência Rendimento (%)
100 % 0,74 82,5
75 % 0,65 81,5
50 % 0,53 78,0
As curvas caracterı́sticas de algum equipamento ou dispositivo tem como objetivo

25
apresentar o comportamento de uma ou mais grandezas em função de outra grandeza. A Figura

5 apresenta um exemplo de curva caracterı́stica.
Figura 5 – Curvas de desempenho do motor em função da potência fornecida.

Motor trifásico de indução - Rotor de gaiola
100 1.0 0.0
C - Escorregamento
C
90 0.9 1.0
80 0.8 2.0
A
70 0.7 3.0
60 0.6 4.0
50 0.5 5.0
D - Corrente em 220V (A)

B
40 0.4 4
3
A - Rendimento (%)
B - Fator potência
D
2
0
0 10 20 30 40 50 60 70 80 90 100 110 120 130
Potência fornecida em relação à nominal (%)
A Figura 5 apresenta o comportamento de quatro grandezas: rendimento, fator de

potência, escorregamento e corrente de estator. A variação das grandezas está diretamente
relacionada à potencia que o motor está fornecendo a carga e, por isso, a curva de desempenho
do mesmo é dada em função do fator de carregamento, ou seja, a relação entre a carga
fornecida e a carga nominal. Os datasheets costumam fornecer também os dados referentes
ao conjugado exercido pelo motor e a corrente do motor em função da velocidade sı́ncrona.
Esses dados são fornecidos dessa maneira pois assim é possı́vel identificar pontos importantes
na escolha do motor para determinada operação como, por exemplo, o torque e a corrente de
partida, a velocidade de rotação do motor quando este fornece o torque máximo, dentre outros.
Para este caso, os dados são apresentados em valores no sistema por unidade, conforme dado
pela Figura 6:
26
Figura 6 – Curvas de conjugado e corrente do motor em função da velocidade sı́ncrona.
Tendo em vista o que foi apresentado sobre as curvas, vale ressaltar que para o
algoritmo proposto neste trabalho, os dados inseridos no algoritmo serão retirados das curvas
caracterı́sticas.
27
3 EVOLUÇÃO DIFERENCIAL
3.1 INTRODUÇÃO
A otimização no seu conceito puro é a busca pela excelência, ou seja, buscando

melhorar aquilo que já existe. Tomando um sistema qualquer como base, a otimização do
mesmo irá maximizar ou minimizar alguns pontos que irão melhorar este sistema. No meio
cientı́fico é comum a presença de sistemas complexos, cuja otimização não é obtida de forma
trivial ou por meio de métodos matemáticos que apresentem uma solução exata, entretanto,
é possı́vel obter soluções factı́veis e que satisfaçam os objetivos e restrições do respectivo
problema (TALBI, 2009).
Existem diversos métodos aplicáveis para a resolução de problemas complexos de
otimização, sendo estes, baseados nos mais diversos comportamentos como, por exemplo, na
área de sistemas inteligentes, as Redes Neurais Artificiais (RNA) (HAYKIN, 1999) que se
baseiam em comportamentos neurológicos. Existem os métodos baseados em comportamentos
da natureza, como por exemplo, Otimização por enxame de partı́culas (PSO) (KENNEDY;
EBERHART, 1995), colônia de formigas (ACO) (DORIGO, 1992), entre outras.
Uma classe muito utilizada na resolução de problemas complexos de otimização é a
classe dos algoritmos evolutivos (AEs), que são baseados na Teoria da Evolução e Genética.
OS AEs são considerados métodos simples, pois apresentam caracterı́sticas como, por exemplo,
possibilidade de implementação com poucas linhas de código e possuem uma fácil adaptação
para problemas de diversas áreas. Há três grandes classes de AEs: algoritmos genéticos,
programação evolutiva e estratégias evolutivas. O princı́pio básico dessas técnicas é, no entanto,
a mesma.
Este trabalho propõe a implementação de um algoritmo evolutivo, o DE para a
estimação de parâmetros elétricos de um MIT através da minimização do erro entre as curvas
de desempenho do motor.
3.2 PRINCÍPIO DE FUNCIONAMENTO
O algoritmo proposto é baseado na teoria da evolução, com isso, a população composta

pelas soluções candidatas são manipuladas e um ı́ndice de aptidão é determinado. Essa aptidão
é dada através de um escalar, denominado fitness, que é determinado de acordo com a função
a ser otimizada, podendo ser a maximização ou minimização (GABRIEL; DELBEM, 2008;
SANCHES, 2013).
Para melhor entendimento quanto ao funcionamento de um DE, é necessário que se
tenha o conhecimento do significado de alguns termos presentes no algoritmo (RUTKOWSKI,
2008):
• População: são as soluções candidatas, também chamadas de cromossomos e
28
são eles que irão sofrer alterações no processo evolutivo;

• Fitness : habilidade de um individuo para sobreviver e se reproduzir, ou seja, grau
de aptidão da solução candidata em relação a função objetivo;
• Seleção: os indivı́duos mais aptos (o fitness pode ser maior ou menor, dependerá
de qual é o tipo da FO, maximização ou minimização) irão sobreviver e continuar
a evolução;
• Cruzamento ou crossover: método de reprodução que consiste na transferência
de material genético dos ancestrais aos sucessores.
Embora existam diversas classes de AEs, pode-se considerar o algoritmo base comum
a todas, dados através do algoritmo 1:
Algoritmo 1: Estrutura comum a todas classes de algoritmos evolutivos .

//Adaptado de (SANCHES, 2013).
// Inicia o contador de tempo
g←1
IniciaPopulação(Pg )
// Avalia o fitness dos indivı́duos (Pg )
Avalia (Pg )
// Verifica o critério de parada
while critério de parada não é atingido do
// Incrementa a geração
g ←g+1
// Seleciona os indivı́duos para a geração dos descendentes
Pg ← Seleciona(Pg−1 )
// Realiza o cruzamento dos pais selecionados
Cruzamento(Pg )
// Realiza a mutação sobre a nova população
Mutação(Pg )
// Avalia o fitness dos indivı́duos Pg
Avalia(Pg )
end
O algoritmo de evolução diferencial (DE - do inglês Differential Evolution) foi desen-
volvido por Storn e Price (1995) e pertence a classe de algoritmos evolutivos que visam a busca
por melhores resultados, porém com uma abordagem diferente das utilizadas nos algoritmos
genéticos e nas estratégias de evolução. O DE utiliza-se da diferença de vetores para perturbar
a população, resultando em um método robusto, com poucas variáveis de controle e de rápida
convergência (OLIVEIRA, 2006).
A principal diferença entre o DE e o algoritmo genético (GA) está na maneira como
ocorrem os processos de mutação e cruzamento. A escolha pelo DE se deve as seguintes
caracterı́sticas (SANCHES, 2013 apud CHENG; HWANG, 2001):
29
• É um algoritmo de busca estocástica, proveniente dos mecanismos de seleção

natural.
• Dificilmente se torna preso a ótimos locais, uma vez que o DE busca simultanea-
mente a solução em diferentes regiões do espaço de busca.
• Permite que os parâmetros de entrada e saı́da sejam manipulados como números
ordinários reais (pontos flutuantes), com isso, utiliza eficientemente os recursos do
computador, não necessitando de processamento extra.
• Eficaz ao trabalhar com populações pequenas.
O algoritmo DE possui uma estrutura simples, sendo que o seu funcionamento
ocorre basicamente em quatro etapas. Resumidamente, na primeira etapa ocorre a geração
da população inicial e são testados os indivı́duos quanto a sua aptidão. A segunda etapa é
o processo de mutação, onde uma nova população é criada através da seleção aleatória de
indivı́duos da população inicial. A terceira etapa é o cruzamento, também conhecido como
crossover, na qual ocorre a combinação entre a população inicial e a mutada. Na quarta etapa é
realizada a comparação das populações inicial e cruzada para a geração de uma nova população,
formada pelos indivı́duos mais aptos.
Ao ser iniciado, o algoritmo gera uma população composta por Np indivı́duos (vetores),
cujos valores são escolhidos aleatoriamente dentro de uma faixa de valores. Esta população é
criada geralmente por uma distribuição de probabilidade uniforme. A população irá seguir uma
evolução natural, porém o número de indivı́duos permanece fixo (SANCHES, 2013).
Além da dimensão da população (Np ), o DE necessita de mais dois parâmetros
inicialmente: o fator de ponderamento (F ), referente a ponderação aplicada no processo
de mutação e o coeficiente de probabilidade de cruzamento (Cr ), presente na etapa de
recombinação.
A evolução diferencial busca criar uma nova população, na qual, escolhe-se de maneira
aleatória, três indivı́duos distintos. Inicialmente é realizado a diferença entre o segundo e o
terceiro indivı́duo e, então, aplicado o fator F ao resultado dessa diferença. Posteriormente,
adiciona-se o resultado da diferença ponderada ao primeiro indivı́duo escolhido. Este processo
é feito para todos os indivı́duos da população até que uma nova população mutada seja criada.
A Figura 7 apresenta um exemplo desse processo:
30
Figura 7 – Etapa do processo de mutação.
X - Np individuos da geração G
o- Indivíduo recém criado
F (X G X G)
XG
XG
XG
(G+1)
vi = X G + F (X G X G)
Fonte: Adaptado de Sanches (2013).
Matematicamente este processo é descrito pela equação (24):
(G+1)
vi = XαG + F · (XβG − XγG ) (24)
(G+1)
onde o vetor mutado é vi , os ı́ndices α, β e γ são inteiros, cujo o seu valor está presente
no conjunto {1,...,Np } e é necessário que eles sejam distintos entre si, enquanto que o fator F
recebe um valor que vai de 0 a 1.
Após a mutação, o vetor mutado é comparado com um vetor da população inicial, que
resultará em um vetor experimental U G+1 , sendo este determinado de acordo com a seguinte
equação:

v(i)G+1 se randi ≥ Cr
U (i)G+1 = (25)
X(i)G se randi < Cr
(G+1)
onde v(i)G+1 a i-ésima componente do vetor modificado vi , X(i)G é a componente do
vetor alvo, randi é um número cujo o seu valor é definido de forma aleatória no intervalo
[0,1]. Cr é um dos parâmetros a serem definidos inicialmente para o algoritmo, representando
a probabilidade do vetor herdar os valores das variáveis do vetor modificado. O processo de
cruzamento conforme dado pela Equação (25) é conhecido como cruzamento binomial, existem
outros métodos de se fazerem o cruzamento, como por exemplo, o cruzamento exponencial
(LIN; QING; FENG, 2011). A Figura 8 exemplifica esta etapa, para uma taxa de cruzamento
definida como Cr = 0,75. Se o valor escolhido aleatoriamente pela função randi foi igual ou
maior, ocorre o cruzamento.
31
Figura 8 – Etapa do processo de cruzamento.
Fonte: Autoria própria.
Após o cruzamento, a etapa que ocorre é a seleção, na qual o vetor fitness é calculado
novamente para o vetor modificado e comparado com o fitness do vetor alvo. Aquele que for
mais apto para o problema especı́fico - menor valor para casos de minimização e maior valor
para casos de maximização - será escolhido e atualizará a população, o próximo componente
(i + 1) da população será escolhido como alvo e o processo ocorrerá até que todos os indivı́duos
sejam testados.
Após a verificação de todos os indivı́duos e a população atualizada, o algoritmo irá
conferir se o critério de parada foi satisfeito, caso não seja, este cria uma nova geração e essas
etapas citadas anteriormente se repetem até que o algoritmo atinja os resultados esperados. A
Figura 9 apresenta um fluxograma que visa exemplificar o funcionamento do DE.
32
Figura 9 – Fluxograma para exemplificar o funcionamento do DE.
Inı́cio do DE
Calcula
Define os o fitness
parâmetros: Define
para a
Np , F , Cr a FO
população
alvo
Critério de
Etapa de Etapa de Não
parada foi
Crossover mutação
atingido?
Cálculo
do fitness
para a nova
população
cruzada
Comparar a
população
cruzada Não
com a
população Sim
alvo
Cria uma
nova
população
com os
indivı́duos
mais aptos
Critério de
Sim
parada foi Fim do DE
atingido?

33
4 METODOLOGIA
Este capı́tulo apresenta a metodologia proposta neste trabalho para a estimação dos
parâmetros de um motor de indução trifásico. Os parâmetros a serem estimados serão de
acordo com o modelo de circuito adotado. Para o modelo completo, os cromossomos terão 6
genes, sendo cada gene referente a um parâmetro elétrico, são eles :resistência de estator (R1 ),
rotor (R2 ) e de perdas no núcleo (Rc ), indutância de dispersão de estator (L1 ) e rotor (L2 ) e a
indutância de magnetização (Lm ). Para o modelo de circuito simplificado, será desconsiderado
a resistência de perdas no núcleo (Rc ), sendo portanto um cromossomo de 5 genes. O algoritmo
desenvolvido é baseado na modelagem em regime permanente da máquina, dada pelas equações
fornecidas no capı́tulo 2.
4.1 ESTIMAÇÃO DOS PARÂMETROS PELO DE
Inicialmente são definidos os parâmetros de controle do algoritmo DE, a população

foi definida como Np = 15, ou seja, possuirá quinze cromossomos. O fator de ponderação
é definido como F = 0,8, e o coeficiente de probabilidade de cruzamento, definido como
Cr = 0,75. A definição desses valores para a configuração dos parâmetros se deu de forma
empı́rica.
A primeira etapa do algoritmo é a inserção dos dados retirados por meio das curvas
de desempenho, com isso, são inseridos todos os valores que serão tomados como referência e
estarão na FO que o algoritmo irá buscar a minimização do seu erro. Os valores retirados das
curvas de desempenho são os de corrente, escorregamento, fator de potência e rendimento,
além dos valores de identificação da máquina, como faixa de tensão, frequência elétrica da
rede, número de polos, potência e torque nominal. Os demais dados que não se conhecem,
são calculados de acordo com as equações da máquina, como por exemplo, potência e torque
desenvolvidos fora do ponto de operação nominal.
Após carregado todos os dados necessários para o algoritmo, o mesmo cria a população
e irá avaliar a sua aptidão, ou seja, irá calcular o quão próximo os valores das grandezas calculadas
por meio das equações da máquina estão dos valores das grandezas de referência. O ı́ndice que
mensura essa aptidão é o chamado fitness. Para este trabalho, os valores que serão tomados
como referência pelo algoritmo são:
• ηR : Rendimento do motor.
• |I1 |: Valor RMS da corrente de estator.
• F PR : Fator de potência do motor.
• Pout : Potência de saı́da do motor.
34
A equação regressiva para o cálculo do fitness é dada por (26).
n
" 2 2 2 2 #
Pout,ii − PRout,ii

1X I1,ii − I1Rii ηii − ηRii F Pii − F PRii
f it(k) = + + +
n ii=1 I1Rii ηRii F PRii PRout,ii
(26)
sendo ii correspondente ao ponto de operação do motor, com isso, n = 3, enquanto que o
ı́ndice k refere-se ao número do indivı́duo da população cujo o fitness está sendo calculado.
As grandezas com o ı́ndice R são as de referência. No caso da corrente de estator, a
representação I1Rii assume o valor da corrente de estator retirada da curva para um determinado
ponto de operação, por exemplo, I1R1 é a corrente de estator com o motor operando a 100%
da carga nominal. O mesmo é adotado as demais grandezas de referência.
Caso não atingido o critério de parada inicialmente, ou seja, caso o valor do menor
fitness de todas as possı́veis soluções candidatas não atinja o valor desejado, o algoritmo irá
entrar em sua rotina principal, dando-se inı́cio ao processo de mutação. Matematicamente
a mutação é descrita pela Equação (24). O algoritmo escolhe aleatoriamente três vetores e
realiza a diferença vetorial do segundo e terceiro elemento, aplica-se o fator de ponderação
sobre a diferença vetorial, que por sua vez é adicionada ao primeiro cromossomo. Este processo
é realizado até que uma nova população seja criada.
A população inicial é agora denominada de população alvo, a mesma será combinada
com a nova população criada, sendo esta a etapa de crossover. Esta etapa é descrita matema-
ticamente pela Equação (25), sendo que o fator de cruzamento é definido na primeira etapa
do algoritmo. Após o cruzamento, cria-se a população cruzada, são essas as novas soluções
candidatas que serão aplicadas nas equações da máquina, posteriormente será calculado o nı́vel
de aptidão de cada indivı́duo da população, os mais aptos permanecem na população. Após
a população atualizada, é testado o critério de parada, caso não seja atingido, o processo se
reinicia até que o mesmo seja atingido.
A fim de se ter uma maior confiabilidade no resultado, foi determinado que o algoritmo
realize por 200 vezes o processo de estimação, sendo que, em cada um dos processos, as
soluções candidatas que satisfizeram o critério de parada, são alocadas em uma variável que
armazena todos os duzentos cromossomos. Para este teste inicial, o espaço de busca foi limitado
apenas no limite inferior, ou seja, como sabe-se que existem os efeitos de reatância indutiva e
o efeito da resistência, ou seja, os parâmetros não podem assumir valores inferiores ou iguais
a zero. Após esse primeiro processo de estimação, os dados foram analisados e com isso foi
definido um espaço de busca limitando, para evitar que se obtenham resultados discrepantes.
O algoritmo 2 apresenta de forma simplificada, a estrutura do algoritmo implementado neste
processo de estimação, sendo que, F , Np , Cr são os já conhecidos parâmetros de controle
do algoritmo. A variável referente a população é dada por pop que, matematicamente é uma
matriz, cujo o número de linhas se refere a quantidade de indivı́duos, dado por Np e, o
número de colunas definidas de acordo com o modelo de circuito, representado por ngenes .
35
A função rand retorna um número cujo o seu valor é definido de forma aleatória no intervalo [0,1]
Algoritmo 2: Estrutura inicial do algoritmo.

Input: Dados retirado das curvas de desempenho.
Output: Parâmetro elétricos do motor estimados pelo algoritmo.
// PRIMEIRA ETAPA
Definição dos parâmetros de controle → F , Np , Cr
Carregam-se os dados retirados das curvas de desempenho - Inseridos na FO.
// Escolhe-se o modelo de circuito e modelagem
//SEGUNDA ETAPA
Geração da primeira população → pop = rand(Np , ngenes )
//Testa-se o grau de aptidão, caso atingido, o algoritmo retorna os valores se não
o mesmo entra na rotina principal até atingir o critério de parada.
O Algoritmo 3 apresenta a rotina principal do algoritmo implementado. A variável
f itness é dado pelo menor valor calculado pela Equação (26), enquanto que f it desejado é o
critério de parada do algoritmo. O ı́ndice ii apresentado refere-se a posição do cromossomo na
população, matematicamente, é o número da linha da matriz. A função randperm é responsável
por selecionar três cromossomos distintos na população que, são respectivamente alocados nas
variáveis apresentadas como X, Y e Z. O processo de criação de um cromossomo mutado
é descrito e alocado na variável Cromo mut(ii). Ao final do processo de criação de uma
população mutada, esta é alocada na variável target vector.
A etapa de crossover é realizada comparando os valores da população mutada, dada
por target vector em comparação com o escalar rand e, caso atingido os critérios, atualiza-se
com o gene cruzado (gene(i)mutado), se não, mantem-se o gene inicial (gene(i)inicia).
Ao final da etapa de cruzamento, cria-se uma população, chamada de população
cruzada (pop cruzada) e, aplicam-se esse conjunto de possı́veis soluções nas equações da
máquina, calcula-se o grau de de aptidão desta nova população, dado pelo vetor f it cruzada.
A ultima etapa da é a comparação entre os fitness da população cruzada e a população
alvo (inicial). Caso o critério de parada seja atingido, o algoritmo retorna os valores dos
parâmetros, caso contrário, inicia-se o processo de mutação novamente.
36
Abaixo, é descrito a rotina principal do algoritmo:

Algoritmo 3: Rotina principal do algoritmo.
while f itness > f it desejado do
for ii → 1,2,...,N do
// análise do fitness de cada cromossomo da população inicial
n 2
Xii −Xref,ii
f it(ii) = n1
P
Xref,ii
ii=1
end
//Determinação da população mutada
for ii → 1,2,...,N do
// seleção de 3 cromossomos aleatórios e distintos (X,Y,Z)
X,Y,Z = randperm(N p,3)
Cromo mut(ii) = X + F · (Y − Z)
end
target vector ← Criada população alvo
//Etapa de Crossover após a criação da população mutada (alvo)
for ii → 1,2,...,N do
rand //fator aleatório que varia de 0 a 1
if rand ≥ Cr then
gene(i) ← gene(i) mutado else
gene(i) ← gene(i) inicial
end
end
end
//Aplica-se a população cruzada nas equações da máquina e calcula o fit
for ii → 1,2,...,N do
pop cruzada(ii) ← teste da população cruzada na equações
f it cruzada(ii) // Aplica-se a equação do fitness
end
for ii → 1,2,...,N do
Comparação dos fitness entre pop cruzada e inicial
Cromossomo da nova população recebe o cromossomo de melhor fitness
end
População Inicial ← Atualizada com os cromossomos de melhor aptidão
end
4.2 VALIDAÇÃO DO ALGORITMO
A fim de validar o algoritmo desenvolvido para esta proposta foram realizados duas
etapas, uma computacional e outra em bancada experimental. A etapa computacional consiste
na realização da estimação dos parâmetros do motor de indução utilizando como referência, os
37
valores obtidos por meio das curvas de desempenho fornecidas pelo fabricante. A segunda parte
foi a realização de ensaios em um motor real, instalado no Laboratório de Sistemas Inteligentes
(LSI), do Centro Integrado de Pesquisa em Controle e Automação (CIPECA), da Universidade
Tecnológica Federal do Paraná, Campus Cornélio Procópio (UTFPR-CP).
4.2.1 CURVAS DE DESEMPENHO
Alguns dados do motor são apresentados na placa de identificação deste. Dentre os

dados fornecidos, está o número de série e, acessando o site do fabricante do motor WEG
(2018), foi obtido o seu datasheet, contendo os dados e aspectos construtivos, conforme
apresentado pela Tabela 4.
Tabela 4 – Folha de dados fornecidos pelo fabricante para o motor utilizado.
FOLHA DE DADOS
Linha do produto W22Xd IR2 Trifásico
Potência 0.75 kW (1 HP-cv)
Freqüência 60 Hz
Polos 4
Rotação nominal 1730 rpm
Escorregamento 3,89 %
Tensão nominal 220/380 V
Corrente nominal 3,02/1,75 A
Corrente de partida 19,9/11,5 A
Ip/In 6,6
Corrente a vazio 2,10/1,22 A
Conjugado nominal 4,14 N.m
Conjugado de partida 240 %
Conjugado máximo 280 %
Classe de isolação F
Tempo de rotor bloqueado 21 s (quente)
Fator de serviço 1,15
Regime de serviço S1
Proteção IPW55
Massa aproximada 16,3 kg
Momento de inércia 0,0032 kgm2
A Figura 10 apresenta as curvas de desempenho do motor, cujo os dados retirados

foram inseridos no algoritmo.
38
Figura 10 – Curvas de desempenho do motor escolhido para o trabalho.

Motor trifásico de indução - Rotor de gaiola
100 1.0 0.0
C - Escorregamento
C
90 0.9 1.0
80 0.8 2.0
A
70 0.7 3.0
60 0.6 4.0
50 0.5 5.0
D - Corrente em 220V (A)

B
40 0.4 4
3
A - Rendimento (%)
B - Fator potência
D
2
0
0 10 20 30 40 50 60 70 80 90 100 110 120 130
Potência fornecida em relação à nominal (%)
Com a análise das curvas de desempenho, retirou-se os seguintes dados a serem

inseridos na função objetivo do algoritmo, e consequentemente, serão utilizados como referencia
para a estimação dos parâmetros. Os dados são para a ligação triângulo/delta (∆), com tensão
nominal de 220 V (entre fases) e estão dispostos na Tabela 5.
Tabela 5 – Dados obtidos através das curvas do MIT para o motor de 1cv do LSI.
Carregamento [%] 100 75 50

Escorregamento [%] 3,89 2,67 1,64
Rendimento [%] 80,5 80,0 77,5
Corrente de linha [A] 3,02 2,59 2,23
Corrente de fase [A] 1,75 1,50 1,29
FP 0,81 0,71 0,57
4.2.2 MODELOS UTILIZADOS
O algoritmo realizou a estimação de parâmetros de quatro modelos distintos para que,

ao final do processo de estimação possa ser analisado o comportamento dos parâmetros elétricos
para cada tipo de circuito e modelagem matemática. Os modelos adotados se diferenciam
quanto a configuração do circuito equivalente e quanto a modelagem adotada. A configuração
do circuito equivalente irá se distinguir quanto a presença ou não da resistência de perdas no
núcleo (Rc ), logo, o número de parâmetros a ser estimado pelo algoritmo irá depender da
configuração do circuito. Quanto a modelagem, a distinção entre os modelos adotados será no
tratamento de perdas suplementares, das quais se incluem as perdas rotacionais. Os modelos
ficaram separados da seguinte forma:
39
1. Sem Rc e sem Psup .
2. Sem Rc e com Psup .
3. Com Rc e sem Psup .
4. Com Rc e com Psup .
O primeiro modelo proposto foi o do circuito equivalente simplificado, desconsiderando

a resistência de perdas no núcleo (Rc ), conforme dado pela Figura 4. Quanto a modelagem
matemática considerada para este primeiro caso, foi desconsiderado a presença da perda
suplementar. Para este modelo serão estimados cinco parâmetros do circuito equivalente, as
resistências de estator (R1 ), rotor (R2 ), indutância de dispersão de estator (L1 ), rotor (R1 ) e
a de magnetização (Lm ). A perda suplementar será desconsiderada, logo, Psup = 0.
O segundo modelo irá se diferenciar quanto a modelagem matemática e na distribuição
de perdas, sendo que neste caso, a perda suplementar será considerada conforme determinado
pela ABNT NBR 5383-1 (2002), sendo adotado o modelo de perda suplementar assumida.
Quanto aos parâmetros a serem estimados, uma vez que não houve alteração na disposição
do circuito, serão estimados os mesmos parâmetros do modelo 1. A perda suplementar será
considerada, portanto, pode-se afirmar que Psup > 0.
Para o terceiro modelo proposto a resistência de perdas no núcleo (Rc ) será considerada
e, com isso, o algoritmo irá estimar um parâmetro a mais do que nos dois primeiros modelos.
Este circuito é representado pela Figura 3. A modelagem apresentada será conforme utilizada
para o primeiro modelo, porém incluindo a resistência Rc nas equações do motor de indução
trifásico, com isso, pode-se analisar a influência que os parâmetros sofreram devido a presença
deste parâmetro, que por sua vez, é desconsiderado em muitos dos casos.
O quarto e último modelo é o mais completo, pois neste caso todos os parâmetros e
perdas estão sendo considerados. O algoritmo irá estimar, portanto, as resistências de estator
(R1 ), rotor (R2 ), perdas no núcleo(Rc ), indutância de dispersão de estator (L1 ), rotor (R1 ) e
a de magnetização (Lm ). A perda suplementar será considerada, logo, Psup > 0.
4.2.3 ENSAIOS LABORATORIAIS
Os ensaios laboratoriais foram realizados na bancada experimental do Laboratório

de Sistemas Inteligentes (LSI). A bancada do LSI dispõe de diversos equipamentos como
fonte, gerador e carga CC, varistores de tensão, torquı́metro e tacômetro. Foram realizados
diversos ensaios, tanto a vazio quanto com carga, sendo este último necessário pois as curvas de
desempenho apresentam o funcionamento do motor, quando alimentado por tensão e frequência
nominal, para diversos valores de carga no eixo.
As curvas de desempenho não apresentam o comportamento do mesmo quando este
40
é acionado por uma tensão não-senoidal, ou seja, quando é acionado por um inversor de
frequência. Uma vez que os parâmetros foram estimados para os quatro modelos e, com a
modelagem da máquina, foi realizado a operação do motor fora das condições nominais.
Foram testados os quatro modelos de circuitos com valores de tensão e frequência
fora da condição nominal e, com isso, foram realizados na bancada experimental do LSI, o
acionamento e operação do motor com o inversor de frequência, da mesma forma que foi
realizado computacionalmente. Para a medição e coleta dos dados, foi utilizado um medidor de
alta precisão e analisador de qualidade de energia, modelo ”Yokogawa WT3000”. Com isso, é
possı́vel ter uma análise mais concreta da aplicabilidade do método, sendo o mesmo testado
em condições nominais e não nominais.
As Figuras 11, 12a e 12b foram tiradas na etapa de execução dos ensaios.
Figura 11 – Tela do equipamento utilizado para a realização das medições e coleta dos dados do
motor acionado por inversor de frequência.

41
Figura 12 – Vista parcial da bancada de ensaios e dos equipamentos utilizados nos ensaios.
(b) Foto do inversor utilizado no acionaento do

(a) Foto do rotor acoplado a carga. motor.

42
5 RESULTADOS
Este capı́tulo irá apresentar os resultados obtidos pelo algoritmo de evolução diferencial,
implementado conforme os procedimentos descritos nos capı́tulos anteriores, baseado em dados
retirados das curvas de desempenho fornecidas pelos fabricantes. O DE foi implementado no
ambiente MATLAB R .
5.1 ESTIMAÇÃO DOS PARÂMETROS
Para a estimação dos parâmetros elétricos da máquina, foi determinado que o algo-
ritmo realizasse diversas vezes o processo de estimação, com isso, os dados foram filtrados e
selecionados os melhores indivı́duos seguindo o seu grau de aptidão, dado pelo fitness. Este
processo foi repetido para todos os quatros modelos adotados neste trabalho.
Em todos os casos, o algoritmo recebeu os dados retirados do datasheet, conforme
dado pela Tabela 4 enquanto que os dados inseridos na função objetivo foram retirados por
meio das curvas de desempenho, dado pela Figura 10, conformem apresentado por meio da
Tabela 5.
5.1.1 MODELO 1
A Tabela 6 apresenta os valores obtidos por meio do algoritmo para o primeiro modelo
de circuito, ou seja, desprezando os efeitos da resistência de perdas no núcleo (Rc ) e as perdas
suplementares (Psup ).
Tabela 6 – Parâmetros estimados pelo algoritmo para o primeiro modelo de circuito.
Resultado apresentado pelo algoritmo.

R1 [Ω] R2 [Ω] L1 [mH] L2 [mH] Lm [mH]
Valor estimado 18,8229 5,2116 0,0146 0,0146 0,4771
Intervalo de busca [10,20] [3, 10] [0, 1] [0 , 1] [0 , 1 ]
Na Tabela 7 estão dispostos os valores dados pelo algoritmo referente as grandezas

inseridas na função objetivo e que foram utilizadas no cálculo do fitness para o primeiro modelo
adotado.
Tabela 7 – Dados das grandezas retornadas pelo algoritmo para o primeiro modelo adotado.
Grandeza 100% 75% 50%

Estimado 1,771 1,487 1,291
Corrente de fase - I1F [A] Real 1,748 1,5046 1,290
Erro (%) 1,36 -1,15 -0,09
43

Grandeza 100% 75% 50%
Estimado 3,068 2,576 2,236
Corrente de linha - I1L [A] Real 3,027 2,606 2,234
Erro (%) 1,36 -1,15 0,09
Estimado 0,7832 0,8004 0,7883
Rendimento (η) Real 0,805 0,800 0,775
Erro (%) -2,71 0,05 1,72
Estimado 0,821 0,719 0,558
Fator de potência - F P Real 0,81 0,71 0,57
Erro (%) 1,36 1,20 -2,14
Estimado 749,659 562,993 373,591
Potência de saı́da Pout [W ] Real 750 562,0 375,0
Erro (%) -0,05 0,09 -0,38
Estimado 4,138 3,069 2,069
Torque de saı́da Tout [N · m] Real 4,138 3,104 2,069
Erro (%) 0,00 -1,14 -2,61
5.1.2 MODELO 2
A Tabela 8 apresenta os valores obtidos para o segundo modelo de circuito, sem

resistência de perdas no núcleo (Rc ) e com as perdas suplementares (Psup ) na modelagem da
máquina.
Tabela 8 – Parâmetros estimados pelo algoritmo para o segundo modelo de circuito.

R1 [Ω] R2 [Ω] L1 [mH] L2 [mH] Lm [mH]
Valor estimado 17,835 5,2582 0,012 0,012 0,4806
Intervalo de busca [10,20] [3, 10] [0, 1] [0 , 1] [0 , 1 ]
Na Tabela 9 estão dispostos os valores fornecidos pelo algoritmo referente as grandezas

inseridas na função objetivo e que foram utilizadas no cálculo do fitness para o segundo modelo
adotado.
Tabela 9 – Dados das grandezas retornadas pelo algoritmo para o segundo modelo adotado.
Grandeza 100% 75% 50%

Estimado 1,773 1,487 1,291
Erro (%) 1,45 -1,15 0,06
44

Grandeza 100% 75% 50%
Estimado 3,071 2,576 2,235
Erro (%) 1,45 -1,15 0,06
Estimado 0,779 0,800 0,792
Erro (%) -3,24 -0,01 2,21
Estimado 0,824 0,719 0,556
Erro (%) 1,69 1,27 -2,47
Estimado 748,599 563,018 374,025
Potência de saı́da Pout [W ] Real 750,00 562,50 375,00
Erro (%) -0,19 0,09 -0,26
Estimado 4,132 3,069 2,017
Erro (%) -0,14 -1,13 -2,50
5.1.3 MODELO 3
A Tabela 10 apresenta os valores obtidos por meio do algoritmo para o terceiro modelo
de circuito, com a resistência de perdas no núcleo (Rc ) e sem as perdas suplementares (Psup ).
Tabela 10 – Parâmetros estimados pelo algoritmo para o terceiro modelo de circuito.

R1 [Ω] R2 [Ω] Rc [Ω] L1 [mH] L2 [mH] Lm [mH]
Valor estimado 18,7226 5,4942 3151,5 0,0170 0,0170 0,4763
Intervalo de busca [10,20] [3, 10] [2500, 10000] [0, 1] [0 , 1] [0 , 1 ]
Na Tabela 11 estão dispostos os valores fornecidos pelo algoritmo para as grandezas

inseridas na função objetivo e que foram utilizadas no cálculo do fitness para neste modelo.
Tabela 11 – Dados das grandezas retornadas pelo algoritmo para o terceiro modelo adotado.
Grandeza 100% 75% 50%

Estimado 1,759 1,489 1,300
Erro (%) 0,67 -1,01 0,76
Estimado 3,047 2,580 2,251
45

Grandeza 100% 75% 50%
Erro (%) 0,67 -1,01 0,76
Estimado 0,784 0,801 0,792
Erro (%) -2,63 0,11 2,25
Estimado 0,814 0,718 0,571
Erro (%) 0,48 1,06 0,09
Estimado 738,687 563,306 386,677
Erro (%) -1,51 0,14 3,11
Estimado 4,077 3,070 2,086
Erro (%) -1,46 -1,08 0,80
5.1.4 MODELO 4
A Tabela 12 apresenta os valores obtidos por meio do algoritmo para o quarto modelo
de circuito adotado, este considera todos os parâmetros e perdas.
Tabela 12 – Parâmetros estimados pelo algoritmo para o quarto modelo de circuito.

R1 [Ω] R2 [Ω] Rc [Ω] L1 [mH] L2 [mH] Lm [mH]
Valor estimado 17,5605 5,5133 0,0135 0,0135 0,4737 4353,8
Intervalo de busca [10,20] [3, 10] [2500, 10000] [0, 1] [0 , 1] [0 , 1 ]
Na Tabela 13 estão dispostos os valores fornecidos pelo algoritmo para as grandezas

inseridas na função objetivo e que foram utilizadas no cálculo do fitness para o quarto e ultimo
modelo adotado.
Tabela 13 – Dados das grandezas retornadas pelo algoritmo para o quarto modelo adotado.
Grandeza 100% 75% 50%

Estimado 1,767 1,496 1,309
Erro (%) 1,12 -0,54 1,47
Estimado 3,061 2,592 2,267
Erro (%) 1,12 -0,54 1,47
46

Grandeza 100% 75% 50%
Estimado 0,780 0,800 0,793
Erro (%) -3,14 -0,03 2,37
Estimado 0,814 0,712 0,558
Erro (%) 0,43 0,24 -2,04
Estimado 737,784 560,622 381,601
Erro (%) -1,63 -0,33 1,76
Estimado 4,072 3,056 2,058
Erro (%) -1,58 -1,55 -0,52
A Tabela 14 apresenta um comparativo dos resultados obtidos pelo algoritmo, bem

como o fitness calculado para cada modelo.
Tabela 14 – Comparativo dos parâmetros estimados e o fitness para cada caso.
R1 R2 Rc L1 L2 Lm fitness
Modelo 1 18,8229 5,2116 - 0,0146 0,0146 0,4771 0,715 · 10−3
Modelo 2 17,8352 5,2582 - 0,0120 0,0120 0,4806 0,983 · 10−3
Modelo 3 18,7226 5,4942 3151,5 0,0170 0,0170 0,4763 0,913 · 10−3
Modelo 4 17,5605 5,5133 4353,8 0,0135 0,0135 0,4737 0,982 · 10−3
5.2 ENSAIOS LABORATORIAIS.
O primeiro comparativo entre os valores obtidos computacionalmente e os medidos

em bancada experimental estão dispostos na Tabela 15, sendo que foram aplicados tensão e
frequência nominal, porém com torques de referência menores que o nominal. Na Tabela 15,
tem-se que, LSI é representação para as medidas obtidas com o motor real, T é o torque de
saı́da do motor, dado em N.m, n representa a rotação em RPM, F p o fator de potência, IL
a corrente de linha dada em amperes [A]. Pout e Pin são as potencias de saı́da e entrada do
motor respectivamente, ambas dadas em watts (W ) e por fim, η representa o rendimento do
motor.
47
Tabela 15 – Comparativo dos valores obtidos, tensão e frequência nominal e torque menor que o
nominal.
LSI Mod. 1 Erro % Mod. 2 Erro % Mod. 3 Erro % Mod. 4 Erro %

Tout 4,00 4,01 0,17 4,02 0,37 4,01 0,21 4,01 0,24
n 1717 1733 0,93 1733 0,93 1732 0,87 1732 0,87
Fp 0,719 0,809 12,53 0,812 12,89 0,807 12,24 0,807 12,20
IL 3,34 3,00 -10,39 3,00 -10,33 3,08 -7,92 3,02 -9,69
Pout 720,00 726,92 0,96 726,35 0,88 727,04 0,98 727,22 1,00
Pin 914,00 923,00 0,98 927,45 1,47 924,91 1,19 929,77 1,73
η 0,788 0,788 -0,02 0,783 -0,58 0,786 -0,21 0,782 -0,71
LSI Mod.1 Erro % Mod. 2 Erro % Mod. 3 Erro % Mod. 4 Erro %
Tout 3,05 3,06 0,21 3,05 -0,06 3,05 0,06 3,07 0,61
n 1739 1752 0,75 1752,7 0,79 1752 0,75 1751,9 0,74
Fp 0,682 0,715 4,82 0,714 4,74 0,713 4,57 0,712 4,35
IL 2,73 2,57 -5,96 2,57 -6,03 2,57 -5,96 2,60 -4,91
Pout 556,00 560,93 0,89 559,46 0,62 560,13 0,74 563,71 1,39
Pin 708,50 700,66 -1,11 699,05 -1,33 699,18 -1,32 704,77 -0,53
η 0,785 0,801 2,02 0,800 1,98 0,801 2,09 0,800 1,92
O segundo comparativo foi realizado com a tensão e frequência reduzida na mesma

proporção, sendo que a tensão aplicada foi de 184,5 V e a frequência de 50 Hz. Conforme dado
pela Tabela 16.
Tabela 16 – Comparativo dos valores obtidos, tensão de 184,5V, frequência de 50 Hz e torque menor
que o nominal.

Tout 3,07 3,08 0,21 3,07 0,05 3,07 0,07 3,07 0,04
n 1416 1450,6 2,44 1451 2,47 1450 2,40 1449 2,33
Fp 0,651 0,738 13,36 0,746 14,53 0,736 13,12 0,735 12,87
IL 2,88 2,58 -10,49 2,59 -10,11 2,58 -10,40 2,61 -9,41
Pout 455,00 467,35 2,71 466,52 2,53 466,53 2,53 466,20 2,46
Pin 596,00 608,00 2,01 613,13 2,87 607,22 1,88 612,67 2,80
η 0,763 0,769 0,69 0,761 -0,33 0,768 0,64 0,761 -0,33
Tout 2,01 2,00 -0,34 2,01 -0,12 2,02 0,45 2,01 -0,08
n 1449 1470 1,48 1467 1,44 1471 1,52 1470,6 1,49
Fp 0,592 0,573 -3,21 0,577 -2,50 0,572 -3,31 0,567 -4,19
IL 2,12 2,23 5,14 2,22 4,72 2,23 5,00 2,25 6,32
Pout 305,00 308,44 1,13 308,99 1,31 308,42 1,12 309,28 1,40
Pin 398,00 408,17 2,56 407,71 2,44 407,25 2,32 408,57 2,66
η 0,766 0,756 -1,39 0,758 -1,10 0,757 -1,18 0,757 -1,22
Por fim, para a tensão de 149,5 V e frequência de 40 Hz. No ensaio experimental não
foi realizado em carga próxima a nominal devido a elevação de corrente. A Tabela 17 apresenta
os valores obtidos.
48
Tabela 17 – Comparativo dos valores obtidos, tensão de 149,5V, frequência de 40 Hz e torque menor
que o nominal.

Tout 2,07 2,07 0,05 2,08 0,26 2,07 0,02 2,08 0,50
n 1130 1168 3,36 1166 3,19 1168 3,36 1168 3,36
Fp 0,569 0,610 7,21 0,630 10,79 0,611 7,38 0,610 7,24
IL 2,26 2,24 -1,12 2,23 -1,46 2,24 -1,18 2,27 0,44
Pout 245,00 253,48 3,46 253,55 3,49 253,43 3,44 254,43 3,85
Pin 331,00 354,50 7,10 357,01 7,86 353,80 6,89 359,12 8,50
η 0,740 0,715 -3,40 0,710 -4,05 0,716 -3,22 0,708 -4,28
49
6 CONSIDERAÇÕES FINAIS
Este trabalho propõe um método simples para a implementação de um algoritmo capaz

de estimar os parâmetros de qualquer máquina de indução fornecendo dados retirados de suas
curvas de desempenho, além dos dados básicos da máquina, fornecidos pelo datasheet ou até
mesmo pela placa de identificação, dispensando a necessidade de se realizar ensaios elétricos
normatizados para a determinação dos valores dos parâmetros. É necessário a utilização de
algum método, seja ele computacional ou experimental, para que esses valores sejam conhecidos,
uma vez que nem sempre os fabricantes fornecem esses dados diretamente.
Para a validação do algoritmo, foram utilizados testes computacionais e experimentais
a fim de comprovar a eficiência do método. A fim de se encontrar um modelo que seja aplicável
a qualquer tipo de motor de indução trifásico foram adotados quatro modelos distintos, com
isso, foram implementados quatro algoritmos baseados em evolução diferencial, com os mesmos
parâmetros de controle, espaço de busca e função objetivo, porém cada um considerando um
circuito e uma modelagem especı́fica.
Quanto ao algoritmo implementado, foi possı́vel perceber que o mesmo é capaz de
estimar valores baixos, como no caso das indutâncias de dispersão, e valores altos, como no
caso da resistência de perdas no núcleo. Um ponto a ser destacado é o amplo espaço de busca
que o algoritmo pode alcançar, inicialmente a única limitação quanto ao espaço de busca é
que as soluções candidatas assumam valores maior que zero, pois sabe-se que os valores de
indutância e resistência não são nulos. Após uma primeira estimação preliminar, os espaços de
busca foram definidos a fim de se diminuir o tempo para convergência do algoritmo. Um ponto
positivo do algoritmo de evolução diferencial refere-se quanto a parametrização, pois o mesmo
possui apenas três variáveis de controle e com isso, se torna muito fácil de parametrizar.
Quanto aos modelos propostos, o primeiro modelo foi o que apresentou o maior
grau de aptidão, ou seja, é o modelo que apresentou resultados mais próximos dos valores de
referencia e, consequentemente, possui o menor fitness. O terceiro modelo se difere do primeiro
pela inclusão da resistência das perdas no núcleo. Conforme dado pela Tabela 14, nota-se
que a inserção desta resistência não causou uma grande variação nos valores dos parâmetros
estimados no primeiro modelo.
O segundo modelo proposto apresentou a inserção das perdas suplementares e, causou
uma variação nos parâmetros maior do que apenas a consideração das perdas no núcleo. Quando
se compara com o quarto modelo, que é o modelo mais completo, nota-se que os parâmetros
não variaram significantemente com a inserção da resistência de perdas no núcleo, devido ao
seu alto valor, ela poderia ser desprezada, visto que o grau de aptidão dos dois modelos são
muito próximos.
O quarto modelo é o modelo mais completo e com isso, teoricamente mais próximo da
realidade, porém foi o modelo que apresentou os maiores erros em comparação com os valores
50
de referência. Computacionalmente, os modelos foram ficando mais complexos e, com isso,

exigindo um maior esforço computacional e tempo para convergência.
Quanto a operação do motor em condições fora das nominais como, por exemplo,
tensão, frequência e torque abaixo dos valores nominais a fim de simular a operação com um
inversor de frequencia, foi possı́vel comparar os resultados obtidos por meio da modelagem em
regime permanente com os valores medidos em laboratório.
Portanto, pode-se concluir que o algoritmo de evolução diferencia é um método
eficiente, simples e robusto, pois o mesmo forneceu soluções factı́veis e que trazem diferenças
pequenas em relação as grandezas que são conhecidas e disponibilizadas pelos fabricantes,
podendo ser uma ferramenta confiável e de baixo custo computacional para a realização da
estimação dos parâmetros elétricos de qualquer motor de indução.
6.1 PERSPECTIVA PARA TRABALHOS FUTUROS
A fim de dar continuidade nessa linha de pesquisa, são sugeridos os seguintes trabalhos
para o aperfeiçoamento e continuidade do método proposto:
• Realizar a estimação dos parâmetros com outras técnicas computacionais e compará-las
a fim de se determinar qual o método mais eficaz para este processo;
• Realizar estimação dos parâmetros para motores de potências maiores a fim de confirmar
a aplicabilidade do método para qualquer motor de indução trifásico;
• Utilizar a modelagem no regime transitório para a estimação dos parâmetros elétricos e

mecânicos da máquina, comparando-os resultados obtidos com os da modelagem em
regime permanente.
6.2 TRABALHOS PUBLICADOS
FERRI, I.V.F.; CASTOLDI, M.F.; GOEDTEL, A.; SANCHES, D. S.. Estimação dos
parâmetros elétricos de um motor de indução trifásico utilizando suas curvas de desempenho. In:
XIII Simpósio Brasileiro de Automação Inteligente (SBAI 2017), 2017, Porto Alegre. Proceedings
of XIII Simpósio Brasileiro de Automação Inteligente (SBAI 2017), 2017. v. 1. p. 2165-2170.
51
REFERÊNCIAS
ABNT - ASSOCIAÇÃO BRASILEIRA DE NORMAS TÉCNICAS. NBR 5383-1 Máquinas

Elétricas Girantes parte 1: Motores de Indução - ensaio. Rio de Janeiro, 2002.
AKSOY, S.; MÜHÜRCÜ, A.; KIZMAZ, H. State and parameter estimation in induction
motor using the Extended Kalman Filtering algorithm. 2010 Modern Electric Power
Systems, p. 1–5, Sept 2010.
BIM, E. Máquinas Elétricas e Acionamento. 3. ed. Rio de Janeiro: Campus, 2014.
CHAPMAN, S. J. Fundamentos de Máquinas Elétricas. 5. ed. Porto Alegre: McGraw-Hill,

2013.
CHENG, S.-L.; HWANG, C. Optimal approximation of linear systems by a differential evolution

algorithm. IEEE Transactions on Systems, Man, and Cybernetics - Part A: Systems
and Humans, v. 31, n. 6, p. 698–707, Nov 2001. ISSN 1083-4427.
DORIGO, M. Optimization, learning and natural algorithms. Tese (Doutorado) — Poli-

tecnico di Milano, Milão, Italia, 1992.
FITZGERALD, A. E.; KINGSLEY JR, C.; UMANS, S. D. Máquinas Elétricas: Com intro-
dução à eletrônica de potência. 6. ed. Porto Alegre: Bookman, 2006.
GABRIEL, P. H. R.; DELBEM, A. C. B. Fundamentos de Algoritmos Evolutivos. Relatório

Técnico: Notas Didáticas do ICMC-USP, 2008.
GOEDTEL, A. Estimador Neural de Velocidade Para Motores de Indução Trifásico.

Tese (Doutorado) — Escola de Engenharia de São Carlos, Universidade de São Paulo, 2007.
HAYKIN, S. Neural Networks: a comprehensive foundation. 2. ed. Ontario, Canada.:

Prentice Hall, 1999.
HOLLAND, J. H. Adaptation in natural and artificial systems: an introductory analy-

sis with applications to biology, control, and artificial intelligence. 1. ed. Ann Arbor:
University of Michigan Press, 1975.
INSTITUTE OF ELECTRICAL AND ELECTRONICS ENGINEERS. IEEE Standard Test

Procedure for Polyphase Induction Motors and Generators. Nova Iorque - EUA, 2004.
JACOBINA, C. B.; LIMA, M. N. Acionamento de Máquinas Elétricas de Alto Desem-

penho. 2002. Minicurso XIV CBA.
KALMAN, R. E. A new approach to linear filtering and prediction problems. ASME Journal
of Basic Engineering, 1960.
KARABOGA, D. An idea based on honey bee swarm for numerical optimization. [S.l.],
2005.
KENNEDY, J.; EBERHART, R. Particle swarm optimization. In: IEEE. Micro Machine and
Human Science, 1995. MHS’95., Proceedings of IEEE International Conference on
Neural Networks IV. Australia, 1995. p. 1942–1945.
52
KOSOW, I. L. Máquinas Elétricas e Transformadores. 15. ed. São Paulo: Globo, 2005.
LIN, C.; QING, A.; FENG, Q. A comparative study of crossover in differential evolution. Journal
of Heuristics, v. 17, n. 6, p. 675–703, 2011.
MARQUESIN JUNIOR, N. Estudo de eficiência energética em uma planta industrial.

2011. Trabalho de Conclusão de Curso.
MME - MINISTÉRIO DE MINAS E ENERGIA. Plano Nacional de Eficiência Energética.

Rio de Janeiro, 2011.
OLIVEIRA, G. T. da S. Estudo e Aplicação da Evolução Diferencial. Dissertação (Mes-

trado) — Universidade Federal de Uberlândia, 2006.
RUTKOWSKI, L. Computational Intelligence: Methods and Techiniques. [S.l.]: Springer,

2008.
SANCHES, D. S. Algoritmos Evolucionários Multi-Objetivo Para Reconfiguração De

Redes Em Sistemas De Distribuição De Energia Elétrica. Tese (Doutorado) — Escola
de Engenharia de São Carlos, Universidade Estadual de São Paulo, São Carlos., 2013.
SANKARDOSS, V.; GEETHANJALI, P. PMDC Motor Parameter Estimation using Bio-

Inspired Optimization Algorithms. IEEE Access, PP, n. 99, p. 1–1, 2017. ISSN 2169-3536.
SAREM, Y. N.; POSHTAN, J.; GHOMI, M.; POSHTAN, M. Synchronous generator para-
meters estimation. 2007 International Conference on Intelligent and Advanced Systems, p.
870–875, Nov 2007.
STORN, R.; PRICE, K. Differential Evolution: a simple and efficient adaptative scheme
for global optimization over continuous space. 1995. Technical Report TR-95-012, Inter-
national Computer Science Institute, Berkeley.
TALBI, E.-G. Metaheuristics: from design to implementation. New Jersey: John Wiley
& Sons, 2009. v. 1.
WEG. Seleção de Produtos. 2018. Disponı́vel em: <http://ecatalog.weg.net/>. Acesso em:

2 de julho de 2018.

CP Coelt 2018 2 15

Enviado por

Direitos autorais:

Formatos disponíveis

CP Coelt 2018 2 15

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

CP Coelt 2018 2 15

Enviado por

Direitos autorais:

Formatos disponíveis

UNIVERSIDADE TECNOLÓGICA FEDERAL DO PARANÁ

DAELE - DEPARTAMENTO DE ENGENHARIA ELÉTRICA

IGOR VINICIUS FORNAZIERI FERRI

ESTIMAÇÃO DOS PARÂMETROS ELÉTRICOS DE UM MOTOR

TRABALHO DE CONCLUSÃO DE CURSO

ESTIMAÇÃO DOS PARÂMETROS ELÉTRICOS DE UM MOTOR

Trabalho de Conclusão de Curso de graduação apresentado

Orientador: Prof. Dr. Marcelo Favoretto Castoldi

Coorientador: Prof. Dr. Alessandro Goedtel

Igor Vinicius Fornazieri Ferri

Trabalho de conclusão de curso apresentado às 15:00hs do dia

A folha de aprovação assinada encontra-se na coordenação do curso.

Palavras-chave: Estimação de parâmetros. Motor de indução trifásico. Evolução Diferencial.

Keywords: Parameters Estimation. Three-Phase Induction Motor. Differential Evolution.

Figura 1 – Vista lateral em corte de uma máquina de indução. . . . . . . . . . . . . 18

Tabela 1 – Valores assumidos de perda suplementar em carga nominal. . . . . . . . . 22

ABC Colônia Artificial de Abelha - do inglês Artificial Bee Colony

ABNT Associação Brasileira de Normas Técnicas

ACO Otimização por Colônia de Formigas, do inglês Ant Colony Optimization

CIPECA Centro Integrado de Pesquisa em Controle e Automação

DE Evolução Diferencial, do inglês Differential Evolution

EKF Filtro de Kalman Estendido, do inglês Extended Kalman Filter

GA Algoritmo Genético, do inglês Genetic Algorithm

LEPQER Laboratório de Eletrônica de Potência, Qualidade de Energia e Energias

LSI Laboratório de Sistemas Inteligentes

MIT Motor de Indução Trifásico

PSO Otimização por Enxame de Partı́culas, do inglês Particle Swarm Optimization

RNA Redes Neurais Artificiais

Algoritmo 1 – Estrutura comum a todas classes de algoritmos evolutivos . . . . . . . . 28

Algoritmo 2 – Estrutura inicial do algoritmo. . . . . . . . . . . . . . . . . . . . . . . 35

2 – MOTOR DE INDUÇÃO TRIFÁSICO . . . . . . . . . . . . . . . . . . . . . . 17

Segundo o estudo ”Plano Nacional de Eficiência Energética”, realizado pelo Ministério

A fim de uma melhor explanação, os objetivos deste trabalho serão discutidos de

1.1.1 Objetivo Geral

Desenvolver um algoritmo baseado em evolução diferencial, que seja eficiente e robusto,

1.1.2 Objetivos Especı́ficos

• Desenvolver uma fundamentação teórica sobre o motor de indução trifásico, algorit-

• Implementar um algoritmo de evolução diferencial para a estimação dos parâmetros

• Realizar ensaios em laboratório para a medida de dados com o motor operando em

• Analisar o comportamento dos parâmetros elétricos de acordo com a modelagem e

Os controladores aplicados a um determinado motor irá depender inicialmente da

1.3 DISPOSIÇÃO DO TRABALHO

O capı́tulo inicial apresenta uma breve introdução sobre a importância e necessidade da

2 MOTOR DE INDUÇÃO TRIFÁSICO

As máquinas polifásicas de indução e sı́ncronas são conversores eletromecânicos

Figura 1 – Vista lateral em corte de uma máquina de indução.

(a) Rotor bobinado. (b) Rotor gaiola de esquilo.

Fonte: Adaptado de Chapman (2013).

2.1 CIRCUITO EQUIVALENTE DO MIT

Devido ao fato de que os enrolamentos polifásicos são simétricos, alimentados por

Figura 2 – Representação por fase do modelo de transformador do motor de indução trifásico.

R1 jX1 aef I jXR

V̇1 Ė1 Ė2 RR

Fonte: Adaptado de Chapman (2013).

V̇1 = Ė1 + I˙1 (R1 + jX1 ) (2)

O circuito do rotor pode ser representado como:

Ė2 = I˙R (RR + jXR ) (3)

A resitência do rotor possui um valor fixo, enquanto que a reatância do rotor de um

Ė1 = aef · ĖR0 (9)