شبیه سازی آموزشی بهبود عملکرد LVRT نیروگاه PV با کنترل شبکه عصبی فازی با متلب

چکیده مقاله (ترجمه ماشینی)

یک روش کنترل هوشمند با استفاده از شبکه عصبی فازی موجک بازگشتی (RWFNN) برای بهبود عملکرد ولتاژ پایین از طریق (LVRT) یک نیروگاه فتوولتائیک دو مرحله‌ای (PV) تحت خطاهای شبکه برای شرایط شبکه ضعیف پیشنهاد شده‌است. نیروگاه فتوولتاییک شامل یک مبدل DC/DC بهم پیوسته و یک اینورتر هوشمند سه سطحی با نقطه خنثی (NPC) است که در آن توان های فعال و راکتیو خروجی اینورتر مطابق با کدهای شبکه تاسیسات از پیش تعیین می شود. علاوه بر این، به منظور بهبود عملکرد کنترل نیروگاه PV برای رسیدگی به خطاهای شبکه برای شرایط ضعیف شبکه، یک RWFNN جدید با آموزش آنلاین پیشنهاد شده است تا جایگزین کنترل‌کننده سنتی انتگرال متناسب (PI) برای فعال و واکنش‌گر شود. کنترل قدرت اینورتر هوشمند علاوه بر این، کنترل‌کننده‌های پیشنهادی توسط دو پردازنده سیگنال دیجیتال ممیز شناور (DSP) پیاده‌سازی می‌شوند. از نتایج شبیه‌سازی و تجربی، عملکرد کنترل عالی برای ردیابی توان‌های فعال و راکتیو تحت خطاهای شبکه برای شرایط شبکه ضعیف با استفاده از روش کنترل هوشمند پیشنهادی قابل دستیابی است.

اصطلاحات شاخص نیروگاه PV، مبدل DC/DC درهم، نسبت اتصال کوتاه، شبکه ضعیف، شبکه عصبی فازی موجک، اینورتر گیره دار با نقطه خنثی سه سطحی.

 

مقدمه با افزایش سطح نفوذ ژنراتورهای توزیع شده مبتنی بر اینورتر (DGs) از جمله منابع انرژی تجدیدپذیر (RERs)، حاشیه پایداری سیستم توزیع ممکن است به طور مضری تحت تأثیر قرار گیرد. از آنجایی که DG ها معمولاً از طریق اینورترهای الکترونیکی قدرت با سیستم توزیع ارتباط برقرار می کنند، مهم است که تأثیر کنترل اینورتر متصل به شبکه را برای تجزیه و تحلیل پایداری سیستم توزیع یکپارچه با چندین DG مبتنی بر اینورتر در نظر بگیریم. علاوه بر این، DGها بر بازده انرژی، مشخصات ولتاژ، قابلیت اطمینان و کیفیت توان سیستم‌های توزیع تأثیر دارند. اندازه و مکان DGها باید به دقت انتخاب شود تا از مزایای DGها استفاده شود و اثرات منفی آنها بر عملیات سیستم محدود شود [1]، [2]. علاوه بر این، چالش اصلی برای نفوذ بالای RER ها ماهیت متناوب آن است که منجر به نرخ تغییرات سریع توان پیش بینی نشده سیستم قدرت می شود و در نتیجه نقاط عملیاتی سیستم قدرت را به حدود پایداری خود نزدیک می کند [3]. علاوه بر این، جریان برق معکوس ناشی از DG ها می تواند منجر به ولتاژهای غیرعادی شود. هنگامی که مقدار DG های نصب شده افزایش می یابد، تنظیم ولتاژ به یک مشکل مهم تبدیل می شود، به خصوص در سیستم های توزیع که در آن نیروگاه های فتوولتائیک (PV) به طور گسترده پخش می شوند. علاوه بر این، برای ادغام موثر DG ها با شبکه های قدرت، الزامات ولتاژ پایین (LVRT) برای نصب مقدار زیادی از DG ها توصیه شده است. بر اساس کدهای شبکه، اینورترهای متصل به شبکه باید در طول برخی از خطاهای شبکه مقاومت کنند و متصل بمانند. تحقیقات زیادی در دهه گذشته برای DGs پیشنهاد شده است تا توانایی عبور از خطاهای شبکه را ایجاد کنند [4]-[7]. برای برآوردن الزامات LVRT تحت افت ولتاژ، سه طرح کنترل مختلف با استفاده از تنظیم کننده درجه دوم خطی و اجزای متقارن در [4] پیشنهاد شده است. در [5]، یک سیستم PV سه فاز دو مرحله ای با سه حالت عملیاتی برای بهبود عملکرد LVRT و تضمین تعادل جریان برق بین اینورتر و MPPT در هنگام خطاهای شبکه پیشنهاد شد. در [6]، چندین روش تولید جریان مرجع، که بر اساس استراتژی کنترل توالی مثبت-منفی توسعه یافته بودند، گزارش شد تا الزامات LVRT را برای DGهای مبتنی بر اینورتر متصل به شبکه فراهم کند. یک شرط Karush-Kuhn-Tucker برای یافتن راه حل های بهینه برای محاسبه مراجع جریان فعال و راکتیو اینورتر در [7] پیشنهاد شده است. روش پیشنهادی نسبت X/R را در نقطه کوپلینگ مشترک (PCC) در نظر می گیرد که به اینورتر اجازه می دهد تا جریان های مرجع خود را برای اطمینان از LVRT تنظیم کند [7]. با افزایش سطح نفوذ DG ها، ترانسفورماتورهای متعدد و خطوط انتقال و توزیع طولانی برای اتصال DG ها به شبکه عمومی به دلیل مکان های پراکنده DG ها استفاده می شود. علاوه بر این، یک شبکه عمومی با امپدانس شبکه بالا ویژگی های یک شبکه ضعیف را نشان می دهد [8]. اخیراً نسبت اتصال کوتاه (SCR) که می‌تواند میزان توانی را که می‌تواند توسط سیستم قدرت بدون تأثیر بر کیفیت توان در نقطه کوپلینگ مشترک (PCC) پذیرفته شود را نشان می‌دهد، برای تجزیه و تحلیل قدرت سیستم قدرت استفاده شده است. سیستم قدرت در نقاط به هم پیوسته DGs [9]. در بسیاری از سیستم های توزیع با DG متصل، SCR کمتر از 10 است. علاوه بر این، مقادیر پایین SCR مشکلات جدی از نظر پایداری ولتاژ و الزامات کیفیت توان ایجاد می کند [10]، [11]. بنابراین، توسعه کنترل کننده پیشرفته برای حل مشکل پایداری مورد نیاز است [11]. علاوه بر این، مشخص شد که پدیده ناپایداری ولتاژ کاملاً با حلقه های کنترل اینورتر مانند حلقه کنترل ترمینال AC و حلقه قفل فاز (PLL) مرتبط است [12]. به خوبی شناخته شده است که ترکیبی از شبکه های عصبی (NN) و منطق فازی دارای مزایای یادگیری مصنوعی در مدل سازی سیستم ها و مزایای استدلال فازی در مدیریت اطلاعات نامطمئن است. شبکه‌های عصبی فازی ترکیبی (FNN) در کاربردهای کنترلی مختلف مؤثر هستند [13]، [14]. علاوه بر این، تبدیل موجک به دلیل عملکرد پنجره متنوع آن برای حوزه زمان، به طور گسترده برای تجزیه و تحلیل سیگنال‌های پیچیده زمانی استفاده شده است. اخیراً، توابع موجک برای ادغام در FNN برای ساخت شبکه عصبی فازی موجک (WFNN) برای افزایش توانایی انطباقی و یادگیری در مسائل پیچیده مهندسی پیشنهاد شده است [17]، [18]. علاوه بر این، با توجه به ساختار خاص یک شبکه بازگشتی با حلقه بازخورد داخلی برای ثبت دینامیک سیستم، شبکه عصبی فازی بازگشتی (RFNN) توانایی دینامیکی بهتری نسبت به فرم پیش‌خور [19]-[21] دارد. علاوه بر این، برخی از تحقیقات ساختار بازگشتی را با WFNN، یعنی شبکه عصبی فازی موجک بازگشتی (RWFNN) ترکیب کرده‌اند و همچنین با موفقیت کاربرد آن را در زمینه‌های مختلف نشان داده‌اند [22]، [23].

 

 

پوشه شبیه سازی حاوی دو فایل سیمولینک است. سیمولینک Sim.slx مربوط به شبیه سازی حالتی است که شبکه در ثانیه 1 دچار افت ولتاژ به میزان 0.3 پریونیت شده است. سیمولینک Sim2.slx نیز مربوط به حالتی است که شبکه در ثانیه 1 دچار افت ولتاژ به میزان 0.5 پریونیت می‌شود.

نتایجی که در مقاله نشان داده شده، شامل دامنه ولتاژ نقطه اتصال به شبکه (PCC) و همچنین توان اکتیو و راکتیو اینورتر برای قبل و بعد از افت ولتاژ می‌باشد.

دامنه ولتاژ نقطه PCC در اسکوپ Vpcc نمایش داده می‌شود که برای حالت اول یعنی افت ولتاژ 0.3 پریونیت، به صورت شکل 1 بدست می‌آید که مطابق نتایج مقاله (شکل 3 مقاله) می‌باشد.

توان اکتیو و راکتیو تحویلی مبدل به همراه مقادیر مرجع آن نیز در اسکوپ PQ نمایش داده می‌شود. برای حالت اول یعنی افت ولتاژ 0.3 پریونیت، توان اکتیو و راکتیو مبدل به صورت شکل 2 بدست می‌آید که مطابق نتایج مقاله (شکل 3 مقاله) می‌باشد.

در شکل 3 و 4 نیز نتایج مذکور برای Sim2 یعنی افت ولتاژ 0.5 پریونیت نشان داده شده است. مقایسه این نتایج با مقاله نشان می‌دهد که نتایج کاملا با مقاله منطبق می‌باشد.