دانلود مقاله ترجمه شده مدل‌ مولد باد هوشمند جهت بررسی جریان قدرت – مجله IEEE

مشخصات مقاله انگلیسی (PDF)
سال انتشار	۲۰۱۳
تعداد صفحات مقاله انگلیسی	۱۱ صفحه با فرمت pdf
رشته های مرتبط با این مقاله	مهندسی کامپیوتر و مهندسی برق
گرایش های مرتبط با این مقاله	مهندسی الگوریتم و محاسبات، هوش مصنوعی، برق قدرت و سیستمهای قدرت
مجله	یافته ها در حوزه سیستم های قدرت
دانشگاه	مرکز انرژی شهری، دانشگاه رایرسون، تورنتو، کانادا
کلمات کلیدی	شبکه های عصبی مصنوعی، توزیع قدرت سیستم، جریان برق، ژنراتور الکتریکی بادی
شناسه شاپا یا ISSN	ISSN ۱۹۳۲-۵۵۱۷
رفرنس	دارد
لینک مقاله در سایت مرجع	لینک این مقاله در سایت IEEE
نشریه آی تریپل ای

• فهرست مطالب:

چکیده
فهرست واژه‌ها
I. مقدمه
A. آنالیز جریان قدرت با ژنراتور باد
B. تأثیر انحراف ولتاژ
C. مدلسازی ژنراتور باد
D. کار ارائه شده
II. رویکرد شبکه عصبی مصنوعی
III. مدل‌های شبکه عصبی مصنوعی WGها
A. مدل ANN برای DFIG WG نوع ۳
B. مدل ANN برای PMSGWG نوع ۴
C. پیکربندی ANN و اثر نرخ یادگیری
IV. مطالعه جریان قدرت سیستم توزیع بامدل های ANNWG نوع ۳ و ۴
A. حالت مطالعه ۱: سیستم ۳۷ بأس IEEE با DFIGWG نوع ۳
B. حالت مطالعه ۲: سیستم ۳۷ بأس IEEE با PMSG WG نوع ۴
V. اجرا در بسته‌های نرم افزاری تجاری
VI. نتیجه گیری
ضمیمه

• بخشی از ترجمه:

V. اجرا در بسته‌های نرم افزاری تجاری
از شکل‌های (۱۱) و (۱۲) و جدول‌های II و III می‌توان مشاهده کرد که مدل‌های DFIGWG نوع ۳ و PMSGWG نوع ۴ در ANN مثل مدل‌های غیر خطی دقیق هستند ولی نسبت به مدل‌های غیرخطی بسیار سریع هستند. علاوه براین، همانطور که در بالا نشان داده شد مدل ANN برای هر نوع توربین باد و یا مزرعه بادی با هر نوع و اندازه‌ای قابل ساخت است. تنها شرط، داشتن مجموعه اطلاعات کامل توضیح داده شده در بخش IV است.
یکی از مزایای مهم مدل‌های ANNWG این است که برای ادغام در نرم افزارهای آنالیز قدرت تجاری مناسب هستند. برای بررسی انعطاف پذیری اجرا در نرم افزار جریان قدرت تجاری، مدل ANN در DFIGWG نوع ۳ که در بخش IV توضیح داده شد با استفاده از زبان اسکریپت پایتون در شبیه ساز سیستم قدرت در نرم افزار مهندسی (PSS®E) کدگذاری شد. PSS®E یک ابزار نقشه کشی سیستم انتقال است که مناطق شبکه را با فرض شبکه معادل خطی منفرد محاسبه می‌کند. اما مدل ANN در DFIGWG توصیف شده در بخش IV باتوجه به یک سیستم سه فاز ساخته شده است. برای غلبه بر این ناسازگاری، یک سیستم فاز توالی مثبت با استفاده از راه حل ولتاژ تکرار جریان قدرت PSS®E ساخته شد. سیستم فازور ولتاژ توالی مثبت ایجاد شده از مدل ANN در DFIGWG نوع ۳ تغذیه می‌شود. در پایان هر تکرار جریان قدرت، ولتاز های بأس آپدیت می‌شوند از اینرو خروجی توان توربین باد هم آپدیت می‌شود (شکل ۱۳). مدل ANN در DFIGWG توصیف شده در بخش VI در یک سیستم تست فرضی که اثرات WG در آن در نظر گرفته شدند، اجرا شد. نتایج این اجرا با نتایج محیط متلب با استفاده از مدل ANN در DFIGWG نوع۳ برابر شدند. شکل (۱۴) تغییرات خروجی مدل ANN در DFIGWG نوع ۳ با راه حل ولتاژ PSS®E را نشان می‌دهد. روند راه حل جریان قدرت همگرا شد و مدل ANN در DFIGWG نوع ۳ در توان خروجی اکتیو pu 0.8908 تثبیت شد.
مدل مشابه ANN در DFIGWG نوع ۳ در PSS®SINCALL اجرا شد که می‌تواند معادلات بالانس توالی سیستم توزیع نامتعادل سه فاز را حل کند. مدل ANN در DFIGWG نوع ۳ با عنوان مدل ماکرو اسکریپت ویندوز کدگذاری شده است و هر تکرار جریان قدرت در شکل ۱۵ نشان داده شده است. هنگامی که راه حل ولتاژ همگرا می‌شود، خروجی مدل ANN هم تثبیت می‌شود و عدم تطابق به صفر می‌رسد. این پیاده سازی امکانپذیر است چون مدل ANN راه حل با تکنیک‌های بهینه سازی پیچیده‌ای برای تخمین خروجی توان ندارد.
این پیاده سازی سادگی مدل ANN در WGها در مطالعات جریان قدرت را ثابت می‌کند. علاوه بر این، نشان می‌دهد که مدل DFIGWG نوع ۳ با هر سیستمی حتی آنها که اطلاعات تولیدی‌شان در دسترس نیستند هم سازگار است. در آن مدل ANN در DFIGWG نوع ۳ با استفاده از ورودی‌ها و خروجی‌های اندازه گیری شده ژنراتور باد ساخته شده‌اند و با نرم افزارهای آنالیز جریان قدرت با استفاده از کدهای برنامه نویسی ساده ادغام شده‌اند.
علاوه بر این باید اشاره کرد که در تست ANNWG پیشنهادی، هیچ الگوریتم پایداری با روش تکراری نردبانی یا تکنیک‌های دیگر حل جریان قدرت موجود در PSS®E یا PSS®SINCALL ایجاد نشده بود.

• بخشی از مقاله انگلیسی:

V. IMPLEMENTATION IN COMMERCIAL SOFTWARE PACKAGES

From Figs. 11 and 12 and Tables II and III, it can be seen the ANN models of type-3 DFIG and type-4 PMSG WGs are as accurate as nonlinear models and much faster than the nonlinear models. Further, as shown above, the ANN model can be built for any type/size of wind turbine/farm without extra effort. The only requirement is the complete data set explained in Section IV.

An important benefit of the proposed ANN models of WGs is that their ready integration into popular commercial power system analysis software. To investigate the flexibility of implementation in commercial power flow software, the ANN model of type-3 DFIG WG explained in Section IV was coded using python script language in Power System Simulator for Engineers (PSS®E) software. The PSS®E is a transmission system planning tool which calculates network states assuming the single line equivalent network. But the ANN type-3 DFIG WG model described in Section IV was built considering a three-phase system. To overcome this incompatibility a positive sequence phasor system was generated using the voltage solution of PSS®E power flow iteration. Then the generated positive sequence voltage phasor system was fed to the ANN model of type-3 DFIG WG. At end of each power flow iteration, bus voltages are updated and hence the power output from the wind turbine is updated (Fig. 13). The ANN model of type-3 DFIG WG described in Section VI was implemented in a hypothetical test system which signifies the effect of WG. This implementation was verified by establishing identical results in Matlab environment using ANN model of type-3 DFIG WG. The Fig. 14 shows variation in the output of the ANN model of type-3 DFIG WG with PSS®E voltage solution. The power flow solution process converged and the ANN model of type-3 DFIG WG stabilized at 0.8908 pu as its active power output.

The same ANN model of type-3 DFIG WG was implemented in PSS®SINCAL, which can solve three-phase unbalanced distribution system power balance equations. The ANN model of type-3 DFIG WG was coded as a Windows Script macro in PSS®SINCAL. The real power output mismatch of ANN model of type-3 DFIG WG at the end of each power flow iteration is shown in Fig. 15. When the voltage solution converges, the output of the ANN model also stabilizes and mismatch approaches zero. These implementations are possible because the ANN model does not require any complex solvers or optimization techniques to estimate the power outputs.

These implementations proved the simplicity of adopting the ANN models of WGs for any practical power flow study. It further reveals that the ANN model of type-3 DFIG WG can be adapted to any system, even for those where actual manufacturer data is not available. In that case the ANN model of type-3 DFIG WG is built using the measured inputs-outputs of the wind generator and integrated into the power flow analysis software using simple programming code.

Further, it is important to point out that, on testing the proposed ANN WG model, it has not caused any algorithmic stability issues with the Ladder Iterative Technique or other power flow solution techniques used in PSS®E and PSS®SINCAL.

دانلود رایگان مقاله انگلیسی

خرید ترجمه فارسی مقاله