مبتدی (مناسب برای درک مفهوم کلی مطلب) 

DGP در ساعات اوج بار برای کمک به SHGP برای عملیات سیستم امن کار می کند. با توجه به ارتفاع بالا، هر دیزل ژنراتور تنها حداکثر 1.0 مگاوات را در چنین محیطی تولید می کند. تولید گازهای گلخانه ای می تواند اثرات نامطلوب قابل توجهی بر روی سیستم زیست محیطی محلی آسیب پذیر ایجاد کند. علاوه بر این، هزینه حمل و نقل سوخت به راه دور، منطقه فلات, بسیار گران است. هزینه های بالا و نرخ انتشار بالا, زمان بهره برداری از دیزل ژنراتور را محدود می کند.
با افزایش تقاضای بار در منطقه، SHGP دیگر نمی تواند به نیازها پاسخ دهد. بدون افزایش تولید دیزل ژنراتورها، منابع انرژی تجدید پذیر (RESS) برای خدمت به افزایش تقاضا در نظر گرفته می شوند. به منظور استفاده از منابع خورشیدی فراوان (با مدت زمان آفتاب بیش از 2000 ساعت در سال) در این منطقه، یک نیروگاه تولید فتوولتائیک (PVGP) برای توسعه و یکپارچه سازی با سیستم های موجود به شکل یک ریزشبکه PVSHH جدید برنامه ریزی می شود همانطور که در شکل 1 نشان داده شده است. ریزشبکه PVSHH قادر به افزایش ثبات سیستم، بهبود بهره وری، کاهش انتشار، و برآورده سازی خواسته های برق و آب برق منطقه خواهد بود.
در فاز اول این پروژه، یک (PV) سیستم 5 MWP فتوولتائیک و سیستم ذخیره سازی انرژی باتری 5 مگاوات ساعت (BESS) نصب شده اند. به علت هزینه های اولیه و تعمیر و نگهداری بالای آن، BESS دارای ظرفیت نسبتاً محدود است. BESS به طور عمده برای صاف نمودن نوسانات برق و انتقال انرژی اضافی از سیستم PV مورد استفاده قرار می گیرد.
برای رسیدن به یک عملیات امن و کارآمد، EMS ریزشبکه PVSHH بر اساس ملاحظات زیر طراحی می شود:
(1) PVGP دارای بالاترین اولویت در تولید است. با کمک BESS، انرژی اضافی سیستم PV در هر صورت در روز ذخیره خواهد شد و برای حمایت از اوج بار در شب استفاده می شود. این امر موجب افزایش استفاده از سیستم PV و کاهش زمان بهره برداری از DGP می شود. تنها زمانی که BESS به طور کامل شارژ شود، تولید PV باید به تعادل تقاضای بار و جلوگیری از تنظیم ولتاژ محدود شود.
(2) بهره برداری از SHGP دارای اولویت بالا برای پاسخگویی به تقاضای آب مسکونی، به خصوص در فصل خشک است. برای بسیاری از زمان ها، SHGP بار پایه را تامین می کند و تولید آن در کل باید بالاتر از آستانه خروجی پایین تر باشد.
SHGP مسئول تنظیم فرکانس سیستم است.
(3) استفاده از دیزل ژنراتور باید به حداقل برسد. DGP تنها به عنوان یک اوج ساز برای برآورده سازی خواسته اوج استفاده می شود.
از زمانی که این پروژه ریزشبکه PVSHH به تصویب رسید، مطالعات گسترده ای در طراحی و پیاده سازی ریزشبکه ترکیبی انجام شد. ما به طور فعال در پروژه ریزشبکه درگیر شدیم و مسئول طراحی و پیاده سازی EMS هستیم. بر اساس اصول طراحی، این تیم EMS مبتنی بر MAS را پیشنهاد می دهد و آن را بر روی پلت فرم شبیه سازی زمان واقعی تایید می کند. بحث مفصل در توسعه یک EMS مبتنی بر MAS-برای ریزشبکه PVSHH در بخش های زیر داده می شود.

3. روش مدیریت انرژی مبتنی بر MAS
EMS مبتنی بر MAS پیشنهادی, مدیریت انرژی را در مقیاس چند ساعت بر اساس استراتژی مناقصه (VBD) مجازی و یک الگوریتم فرستادن توان پویا انجام می دهد. VBD, برنامه زمانبندی عملیات سیستم و ظرفیت ذخیره را بر اساس یک پلت فرم مناقصه عمومی تعیین می کند در حالی که الگوریتم اعزام پویا در زمان واقعی برای جبران خطای کنترل توان DG ها کار می کند. محیط دارای ارتفاع بالا منجر به یک هدف کنترل خاص و پارامترها در سیستم پیشنهادی، مانند تعدیل قیمت مجازی برای DG های مختلف می شود که نشان دهنده ملاحظات مختلف عملیاتی است که در بخش 2 مورد بررسی قرار گرفته است. با این وجود، روش پیشنهادی را می توان به آسانی برای دیگر برنامه های کاربردی گسترش داد.

3.1. مناقصه مجازی
برای MGهای متصل به شبکه، قیمت برق به طور معمول به عنوان مرجع برای DG های مناقصه تنظیم می شود. اما، این روش برای MGS مستقل نه تنها به خاطر اینکه MG مستقل از شبکه برق اصلی جدا نیست بلکه به خاطر عدم موفقیت در شناختن تنوع در روش های مختلف DG مناسب نیست. بنابراین، یک استراتژی VBD برای زمانبندی بهره برداری از DG ها در ریزشبکه هیبریدی با در نظر گرفتن شرایط عملیاتی و ویژگی های DG، به خصوص استفاده از منابع و تخصیص، تنها به جای سود اقتصادی پیشنهاد می شود. هدف آن بهبود ثبات عملیات سیستم از طریق برآورده سازی بار پایه از طریق SHGP و اوج بار با استفاده از منابع دیگر، حداکثر رساندن استفاده از سیستم PV با کمک BESS و کاهش زمان بهره برداری از DGP مطابق با اولویت های عملیاتی / مورد نیاز سیستم مورد بحث در بخش 2 است.
همانطور که در شکل (1) نشان داده می شود، قیمت مناقصه مجازی یک DG از هزینه حاشیه ای و هزینه جبران پویا تشکیل شده است. هزینه نهایی توسط هزینه تولید واقعی تعیین می شود در حالی که هزینه جبران پویا در زمان واقعی با توجه به محدودیت های تولید، تخصیص منابع و اثرات محیط زیست به روز می شود.

در ریزشبکه PVSHH، مرکز VBD در ابتدا قیمت پاکسازی و طرح اعزام توان مرتبط برای DG ها را بر اساس هزینه های حاشیه ای و سطح بار سیستم محاسبه می کند. قیمت پاکسازی, مرجع جبران پویا برای DG ها است و شبیه به قیمت برق برای MGهای متصل به شبکه است.
به منظور استفاده بهتر از تولید PV، یک انتظار توان پارامتری به نام توان PV (Pev) تعریف می شود. انتظار می رود که تولید PV واقعی بین PEV و حداکثر تولید PV باشد. اگر تولید توان پاکسازی PV کوچکتر از Pev باشد، ، به عنوان یک عدد منفی برای تحریک تولید PV بیشتر تعیین می شود. در مقابل، اگر پیشنهاد بزرگتر از یا برابر با Pev باشد, ، در صفر تنظیم می شود که در شکل (2) نشان داده شده است. Pev یک ثابت به دست آمده در بهینه سازی اندازه سیستم با ملاحظات عملیاتی است. تولید PV اضافی (به عنوان مثال، تولید PV منهای Pev) برای اولین بار در BESS ذخیره می شود، و سپس برای حمایت از اوج بار در شب مورد استفاده قرار می گیرد. انرژی ذخیره شده در BESS دارای یک قیمت ثابت مجازی است که کمی ارزان تر از قسمت DGP است که ناشی از کاهش زمان بهره برداری از DGP است.

مبتدی (مناسب برای درک مفهوم کلی مطلب) 

به طور کلی تعداد ولتاژهای خروجی و تعداد کلیدهای نیمه هادی قدرت مورد استفاده در توپولوژی پیشنهادی به صورت زیر نشان داده شده است.
• تعداد کلیدهای مورد نیاز = 2n+4
• تعداد سطوح ولتاژ خروجی = 2(n+1)-1
جایی که n تعداد منابع ولتاژ DC مورد استفاده در AMLI پیشنهادی را نشان می دهد.

3. کار و حالت های عملیات
هر زمان سوئیچ SWa در واحد پایه هدایت شود، منبع ولتاژ DC در آن واحد پایه را به توپولوژی اضافه می کند و هر زمان که سوئیچ SWb آن را هدایت کند منبع ولتاژ DC را دور می زند. ما باید مطمئن شویم که SWa و SWb هر دو به طور همزمان انجام نمی شوند. با استفاده از سه واحد اصلی که منبع ولتاژ DC به ترتیب نسبت 1:2:4 دارند، می‌توان حداکثر ولتاژ پیک 7Vdc را در بار تولید کرد. پل H برای دریافت ولتاژهای مثبت و منفی جایگزین در بار استفاده می شود.
15 حالت عملکرد اینورتر پیشنهادی برای به دست آوردن 15 سطح ولتاژ مختلف وجود دارد که در شکل 3 تا شکل 17 در زیر نشان داده شده است. سوئیچ های مورد استفاده در توپولوژی MOSFET هستند زیرا MOSFET ها از نظر ساختار متقارن هستند و اجازه می دهند جریان در هر دو جهت جریان یابد، بنابراین می توانیم از بار RL نیز در جایی که جریان منفی دریافت می کنیم استفاده کنیم. با استفاده از MOSFET در این روش می توانیم اینورتر را در هر 4 ربع کار کنیم.

. تکنیک های PWM
تکنیک PWM تغییر سطح برای توپولوژی پیشنهادی مناسب است. سیگنال ‌های راه‌ اندازی یک AMLI پیشنهادی با استفاده از یک سیگنال کنترل مرجع موج سینوسی و چهارده سیگنال موج مثلثی حامل با فرکانس و دامنه برابر پیکربندی می‌شوند. سیگنال ها بر اساس مقایسه بین سیگنال های حامل مثلثی با جابجایی عمودی و سیگنال کنترل مرجع سینوسی تولید می شوند که در شکل 18 نشان داده شده است.
تکنیک‌های PWM که در بالا توضیح داده شد را می‌توان بر اساس سیگنال‌های موج حامل [10] به‌عنوان حالت فاز (PD)، حالت مخالف فاز جایگزین (APOD) و حالت مخالف فاز (POD) متمایز کرد. اینورترهای چند سطحی سطح N معمولاً از امواج حامل N-1 استفاده می کنند. هر روش دارای معایب و مزایای خاص خود است. امواج حامل در تکنیک PD همانطور که در شکل 19 نشان داده شده است، همه در فاز هستند، امواج حامل زیر و بالای نقطه صفر در تکنیک POD نشان داده شده در شکل 20 خارج از فاز هستند و امواج حامل در تکنیک APOD نشان داده شده در شکل. .21 فاز 180 درجه از بالا به پایین جابجا شده است.
در این مقاله 14 سیگنال مثلثی هر کدام با فرکانس 1 کیلوهرتز به گونه‌ای جابجا شده‌اند که همپوشانی ندارند و از این سیگنال‌ها به عنوان سیگنال‌های حامل استفاده می‌شود. پالس‌های راه‌اندازی مورد نظر برای همه سوئیچ‌ها در MLI توسط امواج حامل مثلثی تغییر سطح در مقایسه با موج سینوسی خالص با دامنه مرجع (Vsin) به دست می‌آید که در آن Vtri دامنه موج حامل است که به عنوان مقدار پیک به اوج تعریف می‌شود. دامنه موج سینوسی به زمان سوئیچینگ تبدیل می شود که در شکل 22 تا شکل 29 نشان داده شده است.
5. شبیه سازی و نتایج
اینورتر چند سطحی نامتقارن شامل سه منبع ولتاژ DC نامتقارن، یک پل H و یک بار RL است که در شکل 30 نشان داده شده است. سه کلید S1، S3 و S5، سه منبع ولتاژ نامتقارن را کنترل می کنند. به ترکیب منبع DC و سوئیچ، سوئیچ های S2، S4 و S6 به صورت ضد موازی متصل می شوند.
شبیه‌ سازی توپولوژی پیشنهادی در زیر نشان داده شده است، و شامل یک سیگنال دروازه‌ای است که در آن موج سینوسی با شکل‌ های موج مثلثی جابجا شده در سطح مقایسه می‌شود، که به عنوان رویکرد حالت فاز شناخته می‌شود. الگوهای سوئیچینگ جداگانه در شکل 22 تا 29 نشان داده شده است. سیگنال ها به سوئیچ های S5، S3 و S1 تحویل داده می شوند. سیگنال های مکمل سوئیچ های S5، S3 و S1 به ترتیب به سوئیچ های S6، S4 و S2 مطابق جدول وضعیت سوئیچینگ داده می شود. سوئیچ های S7 و S9 در جهت مخالف هدایت می شوند. در نیمه مثبت چرخه سوئیچ های S7 و S8 روشن می شوند. در نیمه منفی چرخه سوئیچ های S9 و S10 روشن می شوند.
خروجی از اینورتر شکل موج پلکانی است، از هارمونیک های مرتبه بالا تشکیل شده است، برای کاهش هارمونیک ها از فیلتر LCL برای بدست آوردن شکل موج خروجی صاف استفاده می شود. که با استفاده از فیلتر LCL بیشتر صاف می شود.
ولتاژ خروجی ولتاژ مضاعف 350 ولت AC با 15 سطح و فرکانس 50 هرتز در خروجی بدون فیلتر LCL همانطور که در شکل 31 نشان داده شده است، به دست می آید، خروجی بدون فیلتر دارای هارمونیک های مرتبه بالاتری است که در شکل 32 نشان داده شده است که بیشتر کاهش می یابد. با استفاده از فیلتر LCL برای دستیابی به شکل موج خروجی صاف همانطور که در شکل 19 نشان داده شده است
شکل 32 شکل موج خروجی اینورتر پیشنهادی از پلتفرم متلب را نشان می دهد، این خروجی از ولتاژ 325 ولت AC پیک تا پیک 50 هرتز است. که مطابق با شکل موج استاندارد 230 ولت RMS است. فیلتر LCL برای بدست آوردن شکل موج خروجی صاف استفاده می شود.
تجزیه و تحلیل THD شکل موج خروجی نهایی با فیلتر همانطور که با بزرگی ولتاژ شکل موج اصلی 50 هرتز به دست آمده است 323.5 ولت است که منجر به THD 0.1٪ همانطور که در شکل 34 نشان داده شده است.

مبتدی (مناسب برای درک مفهوم کلی مطلب) (ترجمه به صورت خلاصه انجام شده است)

2. مدل شکست آبشاری با نزدیکی هارمونیک
برای غلبه برمشکل درجه و فاصله(میانی بودن)، وزن گره توسط نزدیکی هارمونیک محاسبه می شود که می تواند بیانگر مشکل رسیدن گره به گره های دیگر در شبکه باشد. به طور کلی، هرچه نزدیکی هارمونیک بزرگتر باشد، درجه آن نیز بزرگتر است.
در گسترش شکستهای آبشاری، گره های وزنی بزرگتر متصل به گره شکسته ،بار بیشتری را به خود می گیرند. در شبکه راهنمایی و رانندگی، راننده در جاده پرازدحام مستعد ورود به جاده مجاور با ظرفیت بالای ترافیک است تا بتواند از ازدحام احتمالی جلوگیری کند و به سرعت به مقصد برسد. این بدان معنی است که این فرض با واقعیت مطابقت دارد. از این رو، بار اضافی ΔLij (t) دریافت شده از گره شکسته i در مرحله t متناسب با وزن آن Wj است.

3. نتایج شبیه سازی و تجزیه و تحلیل
از آنجا که ساختار توپولوژیکی یک شبکه به استحکام در برابر شکست آبشارها مربوط می شود، لازم است روش ما را در ساختارهای مختلف توپولوژیکی بررسی کنیم. سه شبکه کلاسیک با N = 1000 ساخته شده است، یعنی شبکه های بارابسی – آلبرت) شبکه های BA) [37]، شبکه) Newman-Watts شبکه های NW) [38]، و شبکه های Erdos-Renyi (شبکه هایER ) [39 ]، به ترتیب.
شبکه های BA به شرح زیر ساخته می شوند: با شروع از شبکه گره های m0، گره جدید متصل به گره های موجود در هر مرحله از زمان به شبکه اضافه می شوند. با توجه به پیوست ترجیحی مبنی بر اینکه احتمال اتصال به گره های موجود متناسب با درجه گره موجود است.
شبکه های NW به شرح زیر ساخته می شوند: از شروع حلقه های معمولی، هر گره به گره های مجاورh وصل می شود و لبه هایی با احتمال خاصی بین گره هایی که به هم وصل نمی شوند اضافه می شوند.
شبکه های ER به شرح زیر ساخته شده اند: در میان گره های جدا شده، لبه هایی با احتمال خاص به طور تصادفی بین گره ها اضافه می شوند.
از آنجا که سه مدل معمولی شبکه ذکر شده در بالا اختلاف کمی برای هر ساخت دارند، داده های ما میانگین شبیه سازی در 20 شبکه مستقل است.
اول از همه، ما روی مقدار Tc تحت تأثیر پارامتر وزن θ تحت مقادیر مختلف از میانگین درجه k تمرکز می کنیم. همانطور که در شکل 1 (a) (b) (c) نشان داده شده است، برای سه شبکه مصنوعی ابتدا مقدار Tc کاهش می یابد و سپس با افزایش مقدار θ افزایش می یابد. این امر به این دلیل است که Tc به گره هاب(گره قطب) و گره های مجاور آن بستگی دارد. هنگامی که مقدار θ کم است، گره درجه کوچکتر گره هاب است و گره های مجاور آن به دلیل دریافت بارهای بیشتر، احتمالاً از کار نمی افتند. در مقابل، برای مقدار بزرگتر θ، گره ای با بار بیشتر گره هاب است. بنابراین، هنگامی که θ یک مقدار معقول برای به حداقل رساندن Tc وجود دارد،ما می توانیم مقدار بهینه پارامتر وزن را بدست آوریم، *θ.در شبکه های BA، NW و ER با مقادیر مختلفی از به ترتیب. علاوه بر این، می توان دریافت که بین Tc و k رابطه منفی وجود دارد. از شکل 1 (d)، در مورد θ *، مقدار Tc در شبکه های BA از مقدار داده شده در شبکه های NW و ER برای مقدار داده شده k کوچکتر است، در حالی که مقدار Tc در شبکه های NW مشابه با شبکه های ER است.
این بدان معنی است که با استفاده از روش ما درشبکه های BA راحت تر از خرابی آبشاری از شبکه های NW و ER جلوگیری می کنند. به منظور کشف رابطه بین CFN و θ، CFN با استفاده از روش ما در سه شبکه مصنوعی برای مقادیر مختلف θ محاسبه می شود زمانی که ⟨k⟩ = 6 .
در شکل 2 (a) مشخص است که بین CFN و θ در شبکه های BA همبستگی منفی وجود دارد، این بدان معنی است که مقدار بزرگتر θ برای تقویت استحکام کل شبکه در برابر شکست های آبشاری تا حدی مفید است.
دلیل اصلی این است که برای شبکه های BA در دامنه θ بزرگتر، بارهای چند گره و تفاوت بارهای اولیه بیشتر است. در این حالت، به دلیل وجود بارهای اولیه کوچک در میان گره ها، حمله به آن گره ها نمی تواند باعث شکست آبشاری شود. یعنی وقتی مقدار θ کوچکتر است، میانگین گره های شکسته ناشی از حمله به هر گره کوچکتر است و لازم است از گره ها با بار بیشتر محافظت شود.
با توجه به تجزیه و تحلیل CFN در شبکه های BA، ما متوجه می شویم که به نظر می رسد تضاد وجود دارد که در مورد ⟨k⟩ = 6، مقدار Tc کم یا حداقل است زمانی که θ = 7.8 باشد از شکل 1 (a) . هرچه مقدار θ بزرگتر باشد، مقدار CFN کوچکتر است از شکل 2 (a). سوالی پیش می آید که چرا Tc از نظر اندازه گیری استحکام با CFN متفاوت است. برای رفع این مشکل، تجزیه و تحلیل زیر در این مقاله وجود دارد.
از شکل 2 (b) (c) دریافت می شود که مقدار CFN با مقدار θ هنگامی که دامنه T بین 1.05 و 1.15 باشد، ارتباط منفی دارد، که به طور ناقص با نتایج شبکه های BA موافق است. با این حال، مقدار CFN زیر θ = 10 در محدوده T> 1.15 از سایرین کوچکتر است. علاوه بر این، ما دریافتیم که مقدار CFN برای مقدار کوچکتر و بزرگتر T در شبکه های NW و ER کمی تغییر می کند. وقتی دامنه T بین 1.1 تا 1.15 باشد، مقدار CFN کاهش قابل توجهی را نشان می دهد. بر اساس تجزیه و تحلیل CFN در سه شبکه، این شباهت وجود دارد که مقدار CFN زیر θ = 6 بزرگترین است، به این معنی که شبکه در برابر خرابی های آبشار، برای مقدار کوچکتر θ آسیب پذیر است.

مبتدی (مناسب برای درک مفهوم کلی مطلب) 

3. معادلات پویای UAV
در این بخش، مدل UAV برای به دست آوردن مشاهده گر آشفتگی استفاده خواهد شد، ارائه شده است. ابتدا معادلات حرکت پویا پیوسته برای اجسام سفت و سخت سه بعدی، فرموله شده به شکل تکانه، در مرجع جهانی و با توجه به عملکرد جاذبه، محرک های چرخشی و آشفتگی ها ارایه می گردد. با توجه به اطلاعات و دانش نویسندگان، این انتخاب که از مزایای ساخت سیستم به صورت خطی بهره می برد، قبلاً در زمینه تخمین اختلالات (آشفتگی ها) در UAV مورد استفاده قرار نگرفته است. دوم، یک مدل آشفتگی ساده اما کلی مورد بررسی قرار می گیرد. در نهایت، مدل مشترک با در نظر گرفتن دو دینامیک قبلی نشان داده می شود.

3.1 معالات حرکت پویا. اجازه دهید فریم {W}، یک لختی با منشاء سطح زمین با جهت گیری ثابت داده شده باشد. پیکربندی NED (شمال- شرق- پایین) در اینجا به صورت عرف معمول مورد استفاده قرار می گیرد، یعنی، محور x فریم، سمت قطب شمال، محور y سمت شرق و محور z سمت مرکز زمین را نشان می دهد.
اجازه دهید فریم {B} یک فریم غیر لختی واقع در مرکز جرم جسم باشد که به سختی با نقاط محور x به سمت جلو، محور y به سمت راست و محور z به سمت پایین متصل است. شکل 1 این فریم های مرجع را نشان می دهد.

3.2 مدل آشفتگی (اختلال). به طور کلی دینامیک ها ناشناخته هستند و این دلیل اصلی این امر است که افرادی منند روگییرو و همکارانش (2014) و یوکسل و همکارانش (2014) فرض کردند که d=0 است. با این حال، این محدودیت می تواند خروجی تخمین را به صورت دینامیک های خیلی سریع کاهش دهد. به منظور کاهش این اشکال، می توان فرض کرد که آشفتگی d، یک تابع پیوسته است که با زمان ناشناخته هدایت می شود و خروجی برون زا در r امین مشتق آن تغییر می نماید،

3.4 اندازه های سیستم- در مورد برنامه های کاربردی ناوبری (جهت گیری) معمولی، از یک برآوردگر لایه بالا برای بازسازی حالت های برخورد و سرعت در حین فیلترینگ و حذف خطا از خوانش سنسورها استفاده می شود؛ به عنوان مثال، به مقالات سانتاماریا- ناوارو و همکاران. (2015) ، لینن و همکاران. (2013) یا آثار کیلی و سوخاتم (2011) مراجعه فرمایید.

4. مشاهده گر کران دار (محدود) درجه دوم بهینه UAV
در این بخش، از روش طراحی ارایه شده در بخش 3 برای تولید یک مشاهده گر برای UAV ارایه شده در معادلات 48 و 54 استفاده می نماییم. برای نشان دادن عملکرد تخمین، از شبیه سازی موجود در شکل 2 استفاده می کنیم.
ورودی های مدل دینامیکی (پویا)، سرعت زاویه مطلوب چهار روتور به همراه آشفتگی d است که نمودار زمان آن در شکل 3 آورده شده است. این آشفتگی، نیرویی است که در جهت x جهانی عمل می کند. مجموعه سنسورهای در نظر گرفته شده شامل یک IMU است که سرعت زاویه ای UAV و شتاب نیروهای خارجی را اندازه گیری می کند، یک مغناطیس سنج سه محوره که از جهت میدان مغناطیسی زمین خارج می شود و یک سنسور GPS که موقعیت خود را از فریم {W} بیرون می کشد. کنترلر، مدل UAV و مدل محرک (فعال کننده) اصطلاحاتی هستند که توسط هارتمن و همکاران (2014) ارایه شده است، با این وجود کوارترها برای پارامتری کردن و اندازه گیری حالات برای شبیه سازی رفتار یک کوادروتور AscTec Hummingbird در نظر گرفته می شوند. مدل های سنسور (حسگر) بر اساس آزمایش های واقعی بر روی پلت فرم آزمایشی اندازه گیری می شوند (مدرج می شوند).

طرح عادلانه MAX-MIN برای کانال های تداخلی MIMO: رویکرد Minorization-Maximization

Max-Min Fairness Design for MIMO Interference Channels: a Minorization-Maximization Approach

چکیده
1- مقدمه
2- مدل سیستم و فرمولسازی مسئله
3- روش پیشنهادی
4- طراحی precoder در مواجهه با نامعلومی دانش پیشین
5- نتایج عددی
6- نتیجه
پیوست A
پیوست B
پیوست C
پیوست D

چکیده
ما در مورد طرح precoder خطی (beamformer) در یک کانال تداخلی چند خروجی_چند ورودی بحث می کنیم (MIMO-IC). هدف، طراحی ماتریس های کوواریانس انتقال است به منظور دستیابی به ابزار max-min ی که برای همه کاربران مناسب باشد. مشکل بهینه سازی مربوطه به طور کلی محدب نبودن و NP-hardاست. ما یک الگوریتم کارآمد بر اساس تکنیک minorization-maximization (MM) برای به دست آوردن راه حل های کیفی مسئله طراحی می کنیم. روش پیشنهاد شده برنامه محدب مخروطی مرتبه دوم را در هر تکرار حل می کند (SOCP) و به یک نقطه ثابت مسئله در شرایط عادی همگرا می شود. ما همچنین الگوریتم را به مواردی که در ماتریس های کوواریانس نوییزی یا اطلاعات وضعیت کانال (CSI) اختلالاتی وجود دارد، گسترش می دهیم. نتایج شبیه سازی، اثربخشی روش پیشنهادی را در مقایسه با رقیب اصلی آن نشان می دهد.
1- مقدمه
ما مسئله طرح precoder خطی در یک کانال تداخلی MIMO را در نظر می گیریم که در آن مجموعه ای از جفت های فرستنده-گیرنده با بیش از یک منبع مشترک (زمان یا فرکانس) ارتباط برقرار می کنند. ماتریس precoder می تواند برای بهبود عملکرد شبکه نرخ کل یا نرخ حداقل طراحی شده باشد (max-min fairness) نقطه نظر [16] – [1].
مسئله طرح فرستنده_گیرنده خطی در معیار max-min fairness به طور گسترده ای در نوشته های [10] – [1] مطالعه شده است. در [1] و [2]، مسئله کنترل قدرت در یک سیگنال max-min با معیار نرخ plus-noise تداخلی مورد مطالعه قرار گرفته است و مرزهای عملکرد الگوریتم های کنترل قدرت به دست آمده است. مشکل طراحی فرستنده precoder که نرخ حداقل را برای کاربران شبکه چند ورودی_یک خروجی (MISO) حداکثر می کند نیز در [6] – [3] مورد مطالعه قرار گرفته است. نویسندگان [7] بدترین حالت موضوع SINR را به یک محدودیت قدرت در ماتریس precoder طراحی در یک MIMO-IC افزایش دادند و نشان دادند که این مشکل می تواند با استفاده از بسته های بهینه سازی مخروطی استاندارد حل شود. نویسندگان [17] طرح precoder عادلانه max-min را در یک IC تک ورودی چند خروجی درنظر گرفتند(SIMO) و نشان دادند که این مشکل می تواند در زمان چند جمله ای حل شده باشد. در [8] نویسندگان مسئله عادلانه max-min در MIMO-IC را به عنوان مسئله پیدا کردن فرستنده_گیرنده بهینه جهانی که SINR مینیمم را برای تمام کاربران ماکزیمم می کند از نو طرح کردند. آنها نشان دادند که وقتی هر فرستنده (گیرنده) مجهز به بیش از یک آنتن باشد و هر گیرنده (فرستنده) مجهز به بیش از دو آنتن باشد، مسئله به شدت NP-hard است. برای مقابله با این مشکل آنها دو الگوریتم که مسئله NP-hard اصلی را به یک سری زیرمجموعه های محدب تجزیه می کند پیشنهاد دادند. در [9] و [10]، نویسندگان مسئله طراحی precoder خطی را برای MIMO-IC تحت یک معیار عادلانه max-min در نظر گرفتند و نشان دادند که وقتی حداقل دو آنتن در هر فرستنده و گیرنده وجود دارد ، مسئله به کلاس مسئله های NP-hard تعلق می گیرد. آنها الگوریتمی که راه حل تقریبی مشکل اصلی را محاسبه می کند پیشنهاد دادند. توجه داشته باشید که در کارهای فوق ماتریس های precoder برای مواردی که تعداد علامت ها در یک جریانی که به طور پیشین شناخته شده فرض شده است طراحی شده اند.
در این مقاله، طرح precoder تداخلی را برای حالت چند ورودی چند خروجی (MIMO) در نظر گرفتیم. هدف ما طراحی ماتریس کوواریانس انتقال (تعداد علامت های انتقالی که می توانند ناشناخته باشند) تحت یک معیار عادلانه max-min برای سیستم ها با استفاده از گیرنده های خطای مربع میانگین مینیمم خطی مرسوم (LMMSE)است. ما یک الگوریتم کارآمد محاسباتی مبتنی بر تکنیک Minorization-maximization (MM) 1 را برای به دست آوردن راه حل های کیفی مسئله طراحی پیشنهاد می کنیم. راه حل های به دست آمده نقاط ثابت مسئله در شرایط معمولی است. در مقایسه با [9] و [10]، ما بیشتر یک مورد اصلی را با طراحی ماتریس های کوواریانس precoder در نظر می گیریم، که به معنی تعداد مطلوبی از علامت ها در یک جریان است همچنین به عنوان یک نتیجه جانبی به دست آمده است. ما همچنین الگوریتم خود را به موردی که در آن عدم قطعیت در ماتریس کوواریانس نویز یا در CSI وجود دارد گسترش می دهیم.
بقیه مقاله به شرح زیر است: مدل سیگنال و سیستم همراه با مسائل مربوط به طراحی کوواریانس precoder max-min در بخش دوم شرح داده شده است. روش پیشنهادی برای طراحی کوواریانس های Precoder و به ویژه ماتریس های Precoder تحت معیار عادلانه max-min در بخش سوم باز شده است. طراحی Precoder تحت کوواریانس نویز و CSI ناقص در بخش چهارم در نظر گرفته شده اند. نتایج عددی در بخش پنج ارائه شده است و، در نهایت، نتیجه گیری در بخش ششم آورده شده است.

Abstract

We address the problem of linear precoder (beamformer) design in a multiple-input multiple-output interference channel (MIMO-IC). The aim is to design the transmit covariance matrices in order to achieve max-min utility fairness for all users. The corresponding optimization problem is non-convex and NP-hard in general. We devise an efficient algorithm based on the minorization-maximization (MM) technique to obtain quality solutions to this problem. The proposed method solves a second-order cone convex program (SOCP) at each iteration and converges to a stationary point of the problem under mild conditions. We also extend our algorithm to the case where there are uncertainties in the noise covariance matrices or channel state information (CSI). Simulation results show the effectiveness of the proposed method compared with its main competitor.

1- Introduction

We consider the linear precoder design problem in a MIMO interference channel in which a set of transmitter-receiver pairs communicate over a shared (time or frequency) resource. The precoder matrices can be designed to improve the network performance from a sum rate or minimum rate (max-min fairness) point of view [1]–[16].

The problem of linear transceiver design under the max-min fairness criterion has been widely studied in the literature [1]– [10]. In [1] and [2], the power control problem under a maxmin signal-to-interference-plus-noise ratio (SINR) criterion has been studied and performance bounds for power control algorithms have been obtained. The problem of designing the transmitter precoder that maximizes the minimum rate of users in a multiple-input single-output (MISO) network is also studied in [3]–[6]. The authors of [7] maximized the worst case SINR subject to a power constraint on the design precoder matrices in a MIMO-IC and showed this problem can be solved using standard conic optimization packages. The authors of [17] considered the max-min fairness precoder design in a single-input multiple-output (SIMO) IC and showed that this problem can be solved in polynomial time. In [8], the authors recast the max-min fairness problem in MIMO-IC as the problem of finding the globally optimal transceiver that maximizes the minimum SINR among all users. They showed that when each transmitter (receiver) is equipped with more than one antenna and each receiver (transmitter) is equipped with more than two antennas, the problem is strongly NPhard. To deal with the problem they proposed two algorithms which decompose the original NP-hard problem into a series of convex subproblems. In [9] and [10], the authors considered the problem of linear precoder design for MIMO-IC under a max-min fairness criterion and showed that when there are at least two antennas at each transmitter and receiver, the problem belongs to a class of NP-hard problems. They proposed an algorithm that computes an approximate solution to the original problem. Note that in the aforementioned works, the precoder matrices are designed for the cases in which the number of symbols in a stream is assumed to be apriori known.

In this paper, we consider the precoder design for multipleinput multiple-output (MIMO) interference channels. We aim to design the transmit covariance matrices (the number of transmitted symbols can be unknown) under a max-min fairness criterion for systems using the conventional linear minimum mean square error (LMMSE) receivers. We propose a computationally efficient algorithm based on the Minorizationmaximization (MM)1 technique to obtain quality solutions to this design problem. The obtained solutions are stationary points of the problem under mild conditions. Compared with [9] and [10], we consider a more general case by designing the precoder covariance matrices, which means that the optimal number of symbols in a stream is also obtained as a byproduct. We also extend our algorithm to the case where there are uncertainties in the noise covariance matrices or in the CSI.

The rest of the paper is organized as follows. The signal and system model along with the associated max-min precoder covariance design problem are described in Section II. The proposed method for designing the precoder covariances and , in particular, the precoder matrices under the max-min fairness criterion is derived in Section III. Precoder design under noise covariance uncertainty and imperfect CSI is considered in Section IV. Numerical results are provided in Section V and, finally, conclusions are drawn in Section VI.

راهبرد زمان بندی الکتریسیته برای سیستم مدیریت انرژی خانه با انرژی تجدیدپذیر و ذخیره باتری: یک مطالعه موردی

Electricity scheduling strategy for home energy management system with renewable energy and battery storage: a case study

چکیده
1-مقدمه
1-1 انگیزه و هدف
1-2 مرور منابع
1-3 مشارکت و سازمان
2- مدل سیستم
2-1 مدل های دستگاه های الکتریکی
2-3 مدل باتری باتری
2-4 مدل EV
3- اهداف برنامه ریزی
4- طراحی MCIP-GA
4-1 الگوریتم طراحی
4-2 پردازش محدودیت
5 – مثال تجزیه و تحلیل
5-1 تجزیه و تحلیل نتایج شبیه سازی
5-2 مقایسه الگوهای مختلف کاری
5-3 عملکرد الگوریتم
5-4 تحلیل حساسیت
6- نتیجه گیری

چکیده
 با توسعه شبکه هوشمند، مصرف انرژی نقش مهمی در بازار برق ایفا می کند، اگرچه سیستم مدیریت انرژی خانه پتانسیل زیادی برای کمک به حفظ انرژی دارد. در این مطالعه، پایداری و بهره برداری کامل از انرژی تجدید پذیر اثبات می شود. بر طبق ترکیب الگوریتم ژنتکی باطری و روش برنامه نویسی عدد صحیح، یک GA پیشرفته پیشهاد می شود که هدف آن حداقل سازی خرید برق و بیشینه سازی استفاده از انرژی تجدید پذیر است. در نهایت می توان گفت که روش پیشهادی در صرفه جویی هزینه و کاهش پسماند انرژی مهم است. تاثیر دستگاه های ذخیره سازی بر روی سیستم و حساسیت پاسخ تقاضا و صرفه جویی هزینه، اندازه باطری و قیت برق نیز تحلیل می شود.
1. مقدمه
اخیرا مصرف انرژی به سرعت افزایش یافته است. مصرف انرژی در محل اقامت و کسب و کار به 20 تا 40 درصد از کل مصرف انرژی جهان در دهه آینده افزایش خواهد یافت و نقش تعیین کننده ای در بازار برق ایفا خواهد کرد . با استفاده از مفهوم شبکه هوشمند، عادت مصرف انرژی برای مشتریان و روش های اندازه گیری انرژی الکتریکی به طور اساسی تغییر خواهد کرد. در زمینه اولویت به صرفه جویی در انرژی، لازم است که به دستیابی به هوش لوازم خانگی، که تشویق و کمک به مشتریان به استفاده از قدرت برق منطقی است. پاسخ تقاضا (DR) برای افزایش تعامل بین شبکه و کاربر توسط سیگنال قیمت و مکانیزم انگیزه معرفی می شود [2[ . DR به معنی آن است که هنگامی که کاربران راهنمایی های دریافت شده توسط شرکت تامین برق را دریافت می کنند، الگوی مصرف خود را تغییر خواهند داد. بدین معنی است که بارها را برای کاهش پایداری سیستم قدرت [3] کاهش یا تاخیر می اندازند، زمانی که قابلیت اطمینان سیستم قدرت با چالش مواجه می شود .
مدیریت انرژی در خانه توجه بیشتری را با افزایش تقاضای انرژی خانوار جذب می کند. (سیستم مدیریت انرژی خانه HEMS) از سنسورها برای یافتن انرژی اضافی و کنترل لوازم خانگی استفاده می کند تا به هدف صرفه جویی در مصرف انرژی دست یابند، که در نتیجه، صرفه جویی در مصرف انرژی خانوادگی و زندگی راحت می شود. این تاثیر عمیقی بر کاهش زباله های انرژی، بهبود بهره وری انرژی و تغییر مفهوم صرفه جویی در انرژی دارد. HEMS با استفاده از برنامه ریزی مطلوب و روش های پیشرفته کنترل برای به حداکثر رساندن صرفه جویی در انرژی و رضایت مشتری را تضمین می کند. مهم است که الگوریتم های هوشمند کارآمد و عملی را برای حل مسئله زمانبندی مطلوب HEMS مهم بدست آوریم.

Abstract

With the development of smart grid, energy consumption on residence will play an important role in the electricity market, while the Home Energy Management System (HEMS) has huge potential to help energy conservation. In this study, a practical HEMS model with renewable energy, storage devices and plug-in electric vehicles, considering the battery sustainability and the full utilisation of the renewable energy, is first established. Then, according to the combinations of the genetic algorithm (GA) and the multi-constrained integer programming method, an improved GA is proposed, which goal is to minimise the electricity purchase and maximise the renewable energy utilisation. Finally, it is demonstrated by an example that the proposed method is significant in cost saving and reducing energy wastes. To verify the performances of the proposed algorithm, the numerical results indicate that the proposed algorithm has high computational efficiency and good robustness. In addition, it can avoid the disadvantages easy to trap at a local optimal point, and are insensitive to initial solutions. The effect of the storage device on system property and the sensitivity of cost savings versus demand response, size of the battery, and the electricity price sell to the grid are also analysed.

1. Introduction

With the development of smart grid, energy consumption on residence will play an important role in the electricity market, while the Home Energy Management System (HEMS) has huge potential to help energy conservation. In this study, a practical HEMS model with renewable energy, storage devices and plug-in electric vehicles, considering the battery sustainability and the full utilisation of the renewable energy, is first established. Then, according to the combinations of the genetic algorithm (GA) and the multi-constrained integer programming method, an improved GA is proposed, which goal is to minimise the electricity purchase and maximise the renewable energy utilisation. Finally, it is demonstrated by an example that the proposed method is significant in cost saving and reducing energy wastes. To verify the performances of the proposed algorithm, the numerical results indicate that the proposed algorithm has high computational efficiency and good robustness. In addition, it can avoid the disadvantages easy to trap at a local optimal point, and are insensitive to initial solutions. The effect of the storage device on system property and the sensitivity of cost savings versus demand response, size of the battery, and the electricity price sell to the grid are also analysed.

راهبرد زمان بندی الکتریسیته برای سیستم مدیریت انرژی خانه با انرژی تجدیدپذیر و ذخیره باتری: یک مطالعه موردی

Electricity scheduling strategy for home energy management system with renewable energy and battery storage: a case study

شبیه ساز بار مسکونی هوشمند برای مدیریت انرژی در شبکه های هوشمند

Smart Residential Load Simulator for Energy Management in Smart Grids

چکیده
مقدمه
شبیه ساز بار مسکونی هوشمند
الف: خانوار
ب: تهویه کننده مطبوع
پ: کوره
ث: هیتر آب
اجاق گاز
روشنایی
یخچال
خشک کن
ماشین ظرفشویی (DW)
لباس شویی
پمپ مخزنی
منابع تولید محلی
نتایج و بحث
پروفیل بار خانه
کاربرد های SLRS
نتیجه گیری

چکیده
 این مقاله به توصیف توسعه شبیه ساز بار مسکونی هوشمند برای تسهیل مطالعه سیستم های مدیریت انرژی مناطق مسکونی در شبکه های هوشمند می پردازد. ابزار پیشنهادی بر اساس جعبه ابزار های راهنمای سیمولینک متلب بوده و یک مجموعه کاملی از اینترفیس ها و رابط های گرافیکی کاربرپسند را برای مدل سازی و مطالعه ترموستات های هوشمند، تهویه کننده ها، کوره ها، هیتر های آبی، اجاق، ظرف شویی ها، خشک کن ها، لامپ ها، پمپ ها و یخچال ها ارایه می کند که مدل های آن ها با اندازه گیری های واقعی ارزیابی و اعتبار سنجی می شود. تولید انرژی باد و خورشیدی و همچنین منابع باتری نیز مدلسازی شده و تاثیر متغیرهای مختلف مانند دمای محیط و سطوح فعالیتهای خانوار که به میزان قابل توجهی در مصرف انرژی نقش دارند، مورد توجه قرار گرفته است. شبیه ساز پیش ساز اجازه می دهد تا مدل هایی را که دستگاه ها مصرف انرژی می کنند و به درک اینکه چگونه این ها به تقاضای پیک، هزینه مصرف انرژی و مصرف انرژی فردی و کل را کمک می کنند. علاوه بر این، ارزش و تاثیر نیروی تولید شده توسط منابع مسکونی برای یک افق 24 ساعته تعیین می شود. این پلت فرم نرم افزار رایگان یک ابزار مفید برای محققان و مربیان برای تایید و نمایش مدل برای مدیریت انرژی و بهینه سازی است و همچنین می تواند توسط مشتریان مسکونی برای مدل سازی و درک پروفایل مصرف انرژی در خانوارها استفاده شود. برخی از نتایج شبیه سازی برای نشان دادن عملکرد و کاربرد شبیه ساز پیشنهاد شده ارائه شده است.
1. مقدمه
شبکه های هوشمند با منابع انرژی تجدید پذیر، مزایای اقتصادی و زیست محیطی زیادی را فراهم می کنند. توانایی شبکه هوشمند برای بهبود بهره وری، استفاده بهتر از دارایی های موجود، افزایش قابلیت اطمینان و کیفیت قدرت، کاهش وابستگی به انرژی وارداتی و به حداقل رساندن اثرات زیست محیطی، یک نیروی بازار است که ارزش اقتصادی قابل توجهی دارد [1]. این شبکه ها سریع رشد می کنند، اما اگر این رشد پایدار باشد، ارزش آن باید برای همه ذینفعان، به ویژه مصرف کنندگان مسکونی، روشن شود. بخش دوم بخش مهمی از تقاضای برق است؛ برای مثال، در سال 2016، بخش مسکونی تقریبا 20 درصد از تقاضای انرژی برق در انتاریو کانادا را به خود اختصاص می دهد [2]. همچنین مصرف برق مسکونی در ایالات متحده 22 درصد کل مصرف انرژی در سال 2015 بود [3]، و مقادیر مشابهی برای اتحادیه اروپا در سال 2016 گزارش شده است [4].
سیستم های گرمایش / سرمایشی فضایی، آبگرمکن، یخچال و فریزر، ماشین ظرفشویی، واشر پارچه، خشک کن، نورپردازی و محدوده پخت و پز شایع ترین وسایل موجود در بخش مسکونی هستند [2] – [4]. گرمایش، تهویه و تهویه مطبوع (HVAC) و بخاری آب دستگاه های مصرف انرژی عمده هستند. بنابراین، کنترل تقاضای برق خانگی مسکونی می تواند تاثیر قابل توجهی در کاهش تقاضای پیک و بهینه سازی مصرف انرژی داشته باشد که می تواند در خانه های هوشمند و هوشمند با سیستم های اتوماسیون برای کنترل بارهای مسکونی انجام شود. [5] [6].
مطالعات متعددی در ادبیات درباره پیش بینی روش های بارگیری و بهینه سازی برای مدیریت انرژی گزارش شده است، زیرا بعضی از لوازم به راحتی می توانند به کاهش هزینه و مصرف انرژی بدون تأثیر بر راحتی مشتری کمک کنند. به عنوان مثال، یک مدل برای به حداقل رساندن بار پیک با برنامه ریزی پمپ های استخر، تهویه هوا و بخاری آب (WH) در [7] پیشنهاد شده است. یک مدل برنامه ریزی خطی مختلط ترکیبی به منظور به حداقل رساندن هزینه انرژی و افزایش راحتی مشتریان با در نظر گرفتن تاثیر سیگنال های قیمت بر روی خانوار است. بعضی از پروژه ها با برنامه ریزی HVAC و / یا بخاری آب با استفاده از تکنولوژی ترموستات بی سیم برای بهینه سازی هزینه ها و راحتی حرارتی، همانطور که در [8] تمرکز می کنند.
منابع [9] – [15] روش های مختلف ایجاد مدل های بار بار در دستگاه را برای اهداف مدیریت بار، بر اساس داده های آماری برای پیش بینی شکل بار تقاضا، کشف می کنند. چند مدل و شبیه ساز برای مدل سازی سیستم های HVAC و ساختمان ها طراحی شده است. به عنوان مثال، نرم افزار EnergyPlus 16 که انرژی حرارتی را در ساختمان ها مدل می کند، امکان تحلیل تاثیر سیستم های تهویه مطبوع و روشنایی در ساختمان ها از منظر حرارتی، اما برای تعیین پروفایل بار الکتریکی خانوارها، از جمله تاثیر لوازم و دیگر بارهای ساختمان و منابع محلی در تقاضای برق خود. نرم افزار تجاری HVAC CHVAC حداکثر بارهای گرمایش و خنک سازی ساختمان های تجاری را محاسبه می کند [17]. برنامه برنامه برای مهندسین هوا و تهویه (APACHE) یک رابط کاربر گرافیکی برای تجزیه و تحلیل عملکرد حرارتی و استفاده از انرژی ساختمان است. [18] هیچ یک از ابزارهای مدل سازی موجود دیگر وسایل دیگر را در نظر نمی گیرند و برخی از آنها برای استفاده آسان نیست. از این رو، نیاز به شبیه سازهای کاربر پسند برای درک اینکه چگونه وسایل ارتباط برقرار کردن با یکدیگر در رابطه با مصرف انرژی وجود دارد، و نیز تسهیل مطالعه و استفاده از مدل های ریاضی برای EMS خانه، که هدف اصلی از کار ارائه شده در اینجا . شبیه ساز ارائه شده می تواند محاسبات پروفیل های بار از ساختمان ها را که می تواند توسط سایر شبیه ساز ها مانند هومر [19] استفاده شود، جایی که بار الکتریکی به عنوان یک ورودی برای طراحی میکروگرید های دیزلی قابل تجدید هیبریدی استفاده می شود.

Abstract

This paper describes the development of a freeware smart residential load simulator to facilitate the study of residential energy management systems in smart grids. The proposed tool is based on MATLAB-Simulink-GUIDE toolboxes and provides a complete set of user-friendly graphical interfaces to properly model and study smart thermostats, air conditioners, furnaces, water heaters, stoves, dishwashers, cloth washers, dryers, lights, pool pumps, and refrigerators, whose models are validated with actual measurements. Wind and solar power generation as well as battery sources are also modeled, and the impact of different variables, such as ambient temperature and household activity levels, which considerably contribute to energy consumption, are considered. The proposed simulator allows modeling of appliances to obtain their power demand profiles, thus helping to determine their contribution to peak demand, and allowing the calculation of their individual and total energy consumption and costs. In addition, the value and impact of generated power by residential sources can be determined for a 24-h horizon. This freeware platform is a useful tool for researchers and educators to validate and demonstrate models for energy management and optimization, and can also be used by residential customers to model and understand energy consumption profiles in households. Some simulation results are presented to demonstrate the performance and application of the proposed simulator.

1. Introduction

S MART grids coupled with renewable energy resources can yield significant economic and environmental benefits. The smart grid’s ability to improve efficiency, make better use of existing assets, enhance reliability and power quality, reduce dependence on imported energy, and minimize environmental impacts is a market force that has substantial economic value [1]. These grids are growing fast, but if this growth is to be sustained, their value must become more clear to all stakeholders, especially residential consumers. The latter are an important part of electricity demand, since for example, the residential sector accounted near 20% of the electrical energy demand in Ontario, Canada in 2016 [2]; also, residential energy consumption in the US was 22% of the total consumed energy in 2015 [3], and similar values were reported for the European Union in 2016 [4].

Space heating/cooling systems, water heaters, refrigerators, dishwashers, cloth washers, dryers, lighting, and cooking ranges are the most common appliances in the residential sector [2]–[4]. Heating, ventilation, and air conditioning (HVAC) and water heaters are major energy consumption devices. Therefore, controlling the residential end-use electricity demand can have a significant impact on reducing the peak demand and optimize energy consumption, which can be accomplished in smart or intelligent homes with automation systems to control residential loads [5], [6].

Several studies have been reported in the literature on the prediction of load-shape and optimization methods for energy management, since some appliances can be easily scheduled to reduce energy cost and consumption without affecting customer comfort. For instance, a model to minimize the peak load by scheduling pool pumps, air conditioner and water heaters (WH) is proposed in [7]; a mixed integer linear programming model is developed to minimize the energy cost and maximize customers’ comfort while taking into account the influence of price signals on the household. Some projects focus on scheduling the HVAC and/or water heater by making use of wireless thermostat technology to optimize costs and thermal comfort, as in [8].

References [9]–[15] explore different ways of creating appliance-level load models for load management purposes, based on statistical data to predict the load-shape of the demand. Several models and simulators have been developed to model HVAC systems and buildings. For example, the EnergyPlus software [16], which models thermal energy in buildings, allows analyzing the impact of HVAC and lighting systems in buildings from a thermal perspective, but it has not been designed for determining electrical load profiles of households, including the impact of appliances and other building loads and local sources on its electricity demand. The Commercial HVAC (CHVAC) software calculates the maximum heating and cooling loads for commercial buildings [17]. The Applications Program for Air-Conditioning and Heating Engineers (APACHE) is a graphical user interface to analyze thermal performance and energy use of buildings [18]. None of the existing modeling tools take into account other appliances and some are not easy to use. Hence, there is a need for user-friendly simulators to understand how appliances interact with each other with respect to energy consumption, as well as facilitate the study and application of mathematical models for home EMSs, which is the main purpose of the work presented here. The presented simulator allows computing load profiles of buildings that could be used by other simulators such as Homer [19], where electric load is used as an input for the design of hybrid diesel-renewable microgrids.

شبیه ساز بار مسکونی هوشمند برای مدیریت انرژی در شبکه های هوشمند

Smart Residential Load Simulator for Energy Management in Smart Grids

پیاده سازی کنترل کننده منطق فازی و کنترل کننده PID برای یک موتور DC کدگذار- “یک مطالعه موردی برای خودروی هدایت شده خودکار”

Implementing Fuzzy Logic Controller and PID Controller to a DC Encoder Motor – “A case of an Automated Guided Vehicle”

چکیده
1- مقدمه
2- توصیف مسئله و روش شناسی
2-1 توصیف مسئله
2- روش شناسی
3- مدلسازی و شبیه سازی ریاضی
3-1 تابع انتقال سیستم
3-2 تحلیل حالت پایدار سیستم
3-3 تحلیل گذرای سیستم
3-4 شبیه سازی کنترل کننده PID با استفاده از الگوریتم Ziegler-Nichols
4- پیاده سازی کنترل کننده منطق فازی
5- نتایج و بحث
6 نتیجه گیری مبتنی بر نتایج

چکیده
به منظور کاهش زمان ناآماد (مدت زمان از کارافتادگی) و زمان تدارک, کار کردن AGV با سرعت ثابت یا RPM در کارخانه ضروری است. کنترل کننده منطق فازی و کنترل کننده PID برای به دست آوردن RPM ثابت در AGV به کار برده می شوند. AGV شامل موتور DC جاروبکدار با کدگذار، درایور موتور، میکروکنترلر و باتری می باشد. کدگذار به شکل موقعیت شفت, به میکروکنترلر فیدبک می دهد. میکروکنترلر, خطا در سیستم را بر اساس پارامترهای تعریق شده توسط الگوریتم ها کاهش می دهد. فاز اول مقاله، اطلاعات مختصری در مورد سخت افزار، نرم افزار و الگوریتم ها ارائه می دهد. در فاز دوم مقاله، روش شناسی پیاده سازی الگوریتم به سیستم نشان داده شده است. در فاز نهایی مقاله، نتایج و بررسی ها بر اساس الگوریتم های کاربردی ذکر شده است. مقایسه بین کنترل کننده PID و کنترل کننده PID فازی نیز نشان داده شده است. الگوریتم های Ziegler-Nichols برای پیدا کردن پارامترهای PID استفاده می شود. MATLAB simulink و جعبه ابزار منطق فازی برای شبیه سازی استفاده می شوند. میکروکنترلر Arduino برای پذیرش بازخورد داده شده توسط کدگذار و کنترل سرعت موتور استفاده می شود. در پوسته یک مهره، این استراتژی های کنترل به AGV کمک می کنند تا با RPM ثابت و با زمان استقرار، خطای حالت پایدار و اورشوت کاهش یافته کار کند.
1- مقدمه
در این مقاله، روش شناسی پیاده سازی الگوریتم کنترل PID و الگوریتم کنترل منطق فازی را برای راه اندازی AGV در سرعت ثابت نشان داده شده است. برای دستیابی به سرعت ثابت AGV، سرعت یک موتور DC با استفاده از الگوریتم های فوق الذکر کنترل می شود [1]. شکل 1, بلوک دیاگرامی یک سیستم را نشان می دهد که در آن کدگذار به عنوان عنصر بازخورد استفاده می شود. موتور به عنوان یک کارخانه در نظر گرفته شده و Arduino (کنترل کننده منبع باز) به عنوان یک کنترل کننده استفاده می شود. نقطه تنظیم در شکل RPM است و خروجی در شکل وضعیت شفت موتور است [2]. پارامترهای PID با استفاده از الگوریتمZiegler Nichols یافت می شوند. فرایند منطق فازی به سه قسمت تقسیم می شود. بلوک دیاگرام منطق فازی در شکل 4 نشان داده شده است. با توجه به نقطه مرجع، اولین فازی سازی اتفاق می افتد. موتور تداخلی در تصویر بین فرآیند فازی سازی و فازی زدایی می آید [3-5]. 1) فازی سازی که داده های اندازه گیری شده را (به عنوان مثال RPM موتور, 200 است) را به داده های لفظی تبدیل می کند (به عنوان مثال, موتور, بسیار کند است). پس از پایان فرايند فازي سازي، قوانين فازي را مي توان به کار برد [4]. 2) موتور تداخل که انسجام و تحلیل مناسب را برای یک شبیه سازی خروجی فراهم می کند. 3) فازی زدایی, خروجی را بر اساس تابع عضویت و قواعد تعریف شده ارائه می کند [5] [13].

Abstract

It becomes essential to run AGV at a constant speed or RPM in the plant to reduce downtime and lead time. Fuzzy logic controller and PID controller are applied to achieve constant RPM in AGV. AGV contains DC brushed motor with encoder, motor driver, microcontroller and battery. Encoder gives feedback to microcontroller in the form of shaft position. Microcontroller reduces error in the system based on the parameters defined by the algorithms. The first phase of the paper gives brief information about the hardware, software and the algorithms. In the second phase of the paper, methodology for implementing the algorithm to the system is shown. In the final phase of the paper, results and discussions are mentioned based on the applied algorithms. Comparison between PID controller and fuzzy PID controller is also shown. Ziegler-Nichols Algorithms is used to find PID parameters. MATLAB simulink and fuzzy logic tool box are used for simulation. Arduino Microcontroller is used to accept the feedback given by the encoder and to control the speed of motor. In a nut shell, these control strategies help AGV to run at a constant RPM with reduced settling time, steady state error and overshooting.

1- Introduction

The present work demonstrates the methodology for implementing PID control algorithm and Fuzzy logic control algorithm to run AGV at a constant velocity. To achieve constant velocity of AGV, speed of a DC motor is controlled using above mentioned algorithms [1]. Fig. 1 shows the block diagram of a system, in which encoder is used as a feedback element. Motor is considered as a plant and Arduino (open source controller) is used as a controller. Set point is in the form of RPM and output is in the form of shaft position of the motor [2]. PID parameters are found using Ziegler Nichols algorithm. Fuzzy logic process is divided the three parts. Fuzzy logic Block diagram is shown in fig. 4. According to the reference point, first Fuzzification takes place. Interference engine comes in the picture between Fuzzification and Defuzzification process [3-5]. 1). Fuzzification which converts the measured data (e.g. RPM of the motor is 200) into rhetorical data (e.g. motor is too slow). Fuzzy rules can be defied after the Fuzzification process gets over [4]. 2). Interference Engine which provides appropriate coherence and analysis for an output simulation. 3). Defuzzification gives output on the basis of membership function and defined rules [5][13].

 مبتدی (مناسب برای درک مفهوم کلی مطلب) (ترجمه به صورت خلاصه انجام شده است)

2. کارهای انجام شده در زمینه ی خطای اتصال کوتاه در ماشین های الکتریکی
خطاهای سیم پیچ استاتور معمولاً با عوامل مختلفی از جمله گرمای بیش از حد، اضافه بار الکتریکی، تخلیه های الکتریکی و فشار مکانیکی همراه هستند [5]. محیطی که SCIG در آن نصب شده است، یک محیط خشن است، بنابراین به یک ابزار نظارت نیاز است. تکنیک فعلی تجزیه و تحلیل امضاء (MCSA) به عنوان یک روش امیدوارکننده برای توصیف شرایط عملیاتی ژنراتور القایی مشخص شد. که شامل مجموعه ای از روشهای تلفیقی است که در بین سالهای 1975 تا 1985 در مقالات مروری در سرتاسر جهان توسعه یافت که دارای تجزیه و تحلیل جریان و طیف آن برای توصیف ماشین های القایی بودند [6].
در [7] ، یک طبقه بند عصبی با جریان موتور، ولتاژ تغذیه و سرعت روتور آموزش داده می شود. نویسندگان از یک موتور تک فاز با قدرت 0.5 اسب بخار استفاده می کنند که در حالت تخلیه 50 هرتز تخلیه می شود. نویسندگان از یک موتور در حال چرخش تک فاز با قدرت 0.5 اسب بخار استفاده می کنند که در فرکانس 50 هرتز تخلیه می شود. آنها رضایت بخش تلقی می شدند. با این حال ، این مشکل فقط به یک پیکربندی موتور (تک فاز ، بدون بار ، کار با 50 هرتز) محدود شده و به سنسور سرعت به همراه سنسورهای جریان نصب شده قبلی احتیاج دارد. Bouzid و Champenois [8] بر روی یک مدل محاسباتی از یک موتور القایی 1.1 کیلو وات تحت خرابی سیم پیچ استاتور کار کردند. نویسندگان از شبکه های عصبی با تجزیه و تحلیل فعلی استفاده کرده و توانستند 100٪ مسائل مدل سازی شده را شناسایی را داشتند. با این حال، شبیه سازی در نظر گرفته این دستگاه تنها پایین تر از فرکانس 50 هرتز کار می کند.
پالاکیوس و همکاران [9] سیگنال های جریان را در یک موتور یک اسب بخار، با شرایط بار چند برابر به دست آوردند و درصد تغییر در گردش در حالت اتصال کوتاه را به اندازه (3٪ ، 5٪ و 10٪) تغییر دادند. نویسندگان نتایج برای دقت از 75٪ تا 98٪ طبقه بندی های باینری بین شرایط عادی یا خطا را بدست آوردند.
الیویرا و همکارانش [10] با استفاده از یک سنسور تک جریانی و بدون سنسور سرعت و 1.4٪ چرخش های تحت اتصال کوتاه، در یک دستگاه القایی برقی می تواند با استفاده شبکه های عصبی با دقت 67٪ شناسایی شوند. نویسندگان پیشنهاد دادند که از تکنیک MCSA ترکیب شده با فوریه، از تئوری طیف فرکانس تامسون و فنگر [6] استفاده شود. ویرا و همكاران [11] این مطالعات را ادامه داده و توانستند، براساس Multceptine Perceptron (MLP) یك سیستم تعبیه شده برای شناسایی این خرابی ها توسعه دهند.
اعضای همان گروه تحقیقاتی که این کار توسط آنها انجام شده است، در تشخیص اولیه مدارهای کوتاه در موتورهای القایی تجربه دارند. این امر طی سالها و توسط انتشارات آنها تثبیت شد: الیویرا و همکاران [10] ، کولیو و همکاران [12] ، ویرا و همکاران [11].
بررسی کارهای پیشین، نشان می دهد که بیشتر تحقیقات مربوط به شناسایی خرابی در شرایط خاص عملیات ، چه با فرکانس و چه بار و بدون توضیحات زیادی در مورد تقلیدهای خطا بوده است. رویکرد ارائه شده در تحقیق ما، مبتنی بر نیاز به یک روش کلی تر است، که در آن یک سیستم متخصص می تواند نقصی را در نقاط عملیاتی متفاوت تشخیص دهد. همچنین، با گسترش سریع مزارع بادی در منطقه Ceará برزیل، تحقیق حاضر به بررسی مسئله ی شناسایی خطای اولیه در ژنراتورها می پردازد، زیرا هم برای گروه تحقیق و هم برای منطقه بی سابقه است.

3. روش های به کار رفته برای استخراج ویژگی برای ماشین های القایی
می توان از تبدیل فوریه برای بیان سیگنال های حوزه ی زمان، در حوزه فرکانس استفاده کرد. اولیورا و همکاران [10] هارمونیک های موجود در سیگنال جریان الکتریکی از موتور الکتریکی را تحت چندین خطای مدار اتصال کوتاه بین چرخشی بررسی کرده و نتیجه گرفتند که مهمترین فرکانس ها 0.5fn ، 1.5fn ، 2.5fn ، 3.0fn ، 5.0fn و 7fn است که در آن fn فرکانس پایه ی استاتور است. اولیورا و همکاران [10]، کولیو و همکاران [12] و ویرا و همکاران [11] ، ویرا و همکاران [11] همچنین از همین فرکانس برای پیشنهاد دادن روش های مختلف برای تشخیص خطا در موتورهای القایی استفاده کردند. در سایر مطالعات، فرض می شود که ماشین الکتریکی به عنوان موتور عمل می کند، اما ما معتقدیم در حالی که دستگاه به عنوان ژنراتور کار می کند، همین فرکانس ها نماینده خواهند بود. بنابراین، مقادیر این فرکانس ها که توسط فرکانس پایه نرمال شده اند، به عنوان ویژگی مورد استفاده قرار می گیرند.
آماره مرتبه بالاتر، یک تکنیک امیدوارکننده برای توصیف سیگنال های حوزه زمان است [13]. استفاده از Kurtosis توسط دوایر [14] برای اولین بار به عنوان یک ابزار آماری برای نشان دادن مؤلفه های غیر گاوسی در سیگنال ها پیشنهاد شد. این نظریه تحت پایه آماره مرتبه بالا است و آن را به عنوان ممان آماری چهارم توصیف می کند. مزیت HOS برای سیگنال ها توسط مندل [13] نشان داده شده و به مقاومت (یعنی فیلتر کردن) نسبت به نویز گاوسی در هنگام استفاده از ممان بالاتر از مرتبه دوم، وابسته است. ویژگی های به دست آمده از HOS در کنار مقادیر واریانس و مقادیر rms ، چوله و کوتاه مدت خواهند بود.
ماتریس وقوع همزمان ساختاری متشکل از روشی است که مبتنی بر آماره هم وقوع همبستگی است و به تجزیه و تحلیل ساختاری سیگنال های گسسته منجر می شود و اتصالات موجود بین ساختارهای سطح پایین دو سیگنال گسسته در n بعد را پذیرش می کند [16]. ویژگی اصلی آن ارایه ی دانش قبلی در مورد سیگنال های مورد بررسی، با تأکید بر تشخیص جزئیات است. خروجی آن یک هیستوگرام دو بعدی است ، که در آن SCM امکان وقوع مشترک بین ساختارهای سیگنال های ورودی را فراهم می کند [16]. نویسندگان 6 ویژگی را پیشنهاد داده اند که باید از هر سیگنالی استخراج شود و محاسبات مربوط به آن در مقاله آن نشان داده شده است. در میان روش های استخراج ویژگی مورد استفاده در این مقاله، SCM جدیدترین روش است و نشان داده است که می تواند الگوهای موجود در جزئیات سیگنال ها را تشخیص دهد [17].

4. راه اندازی آزمایشی و ایجاد مجموعه داده
شبیه سازی توربین بادی بر اساس تنظیمات شرح داده شده توسط یاراماسو و همکاران [4] انجام شده است که از ژنراتور القایی قفس سنجابی از نوع مقیاس کامل و تمامی متغیر سرعت ساخته شده است، بدین معنی که ماشین الکتریکی می تواند در کل محدوده سرعت، انرژی الکتریکی را در کل تولید کند. یک بستر آزمایشی مبتنی بر این سیستم توربین بادی این مقاله ساخته شده است و در شکل 1 نشان داده شده است.
درایو ماشین (DM) با تحریک انرژی به پره های توربین بادی ، از تبدیل انرژی جنبشی باد در حرکت چرخش به شافت ژنراتور تقلید می کند. مبدل فرکانس FC-1 سرعت باد متغیر را که باعث تقویت DM می شود، تقلید می کند. FC-2 فقط استاتور ژنراتور را تغذیه می کند. هنگامی که فرکانس تنظیم شده در FC-1 بالاتر از FC-2 باشد ، انرژی جنبشی به انرژی الکتریکی تبدیل می شود و این از طریق SCIG به DC-bus FC-2 تبدیل می شود.
شکل ۱: دیاگرام شامل یک بستر آزمایشی توربین بادی است ، مبتنی بر تمام مقیاس ها و کلیه ی متغیرهای سرعت
برای انجام آزمایشات از یک ژنراتور القایی 4 قطبی استفاده کردیم که دارای توان مکانیکی 1 اسب بخار است و در پیکربندی دلتا برای ولتاژ منبع تغذیه 220 ولت ، به صورت الکتریکی متصل شده است و جریان نامی آن ۳ آمپر است. ژنراتور و دستگاه درایو هر دو از مبدل فرکانس WEG CFW-08 استفاده می کنند. درایو ماشین به صورت مکانیکی با ژنراتور کوپل شده است و ما از موتور القایی با همان مشخصات و سیم کشی استفاده کردیم.
یک بورد آزمایشی اتصال کوتاه، آزمایشات را در ماشین آلات (SCTBM انجام می دهد. یک مدار الکتریکی وجود دارد که کار آن شبیه سازی اتصالات مدار اتصال کوتاه بین سیم پیچی های هسته استاتور است. همچنین برای دستیابی به جریان الکتریکی دستگاه برقی ، ماژول جمع آوری و ارسال اطلاعات نیز دارد.

مبتدی (مناسب برای درک مفهوم کلی مطلب) 

2. مرور کلی سیستم ذخیره انرژی
پیکره بندیهای سیستم ذخیره انرژی (ESS) ، طبقه بندیها و ساختار آنها در زیربخشهای زیر نشان داده شده است.

A. پیکره بندی سیستم ذخیره انرژی
به طور معمول سیستم ذخیره انرژی (ESS) تجمعی و توزیع شده، دو پیکره بندی اصلی فن آوری سیستم ذخیره انرژی (ESS) برای کاربردهای ریزشبکه (MG) هستند که در شکل 4 نشان داده شده‌اند. در سیستم تجمیعی، مقدار جریان انرژی از DERs بهbus PCC مقدارثابتی است. علاوه بر این، کل ظرفیت این ESS را می‌توان برای کاهش نوسانات جریان برق استفاده کرد (43). اگر ظرفیتیک دستگاه ذخیره انرژی افزایش یابد، هزینه آن نیز افزایش می‌یابد. ساخت و کنترل ESS های بزرگ کار دشواری است. بنابراین، از دستگاه‌های ذخیره انرژی توزیع شده در مقیاس کوچک می‌توان برای دستیابی به تنظیم قابل اطمینان و عملی قدرت استفاده کرد. دستگاه‌های ESS در پیکربندیهای ذخیره توزیع شده مستقیماً به وسیله رابطهای بی شماری به منابع توزیعی خاصی متصل می‌شوند. با این حال، کنترل جریان نیرو، اصلی‌ترین چالش پیش روی سیستم توزیعی است. علاوه براین، فرایند ذخیره سازی هنوز هم از طریق رابطهای الکترونیکی قدرت برای منابع توزیع شده و ESS، تلفاتی را متحمل می‌شود (12).
B. طبقه بندی سیستم ذخیره انرژی
ESS بر اساس استفاده از انرژی به یک شکل خاص طبقه بندی می‌شود. ESS را می‌توان به صورت یک سیستم ذخیره انرژی مکانیکی، الکتروشیمیایی، شیمیایی، الکتریکی، حرارتی و ترکیبی طبقه بندی کرد. علاوه بر این، این سیستم‌ها را بسته به روند تشکیلشان و مواد مورد استفاده در آنها ، می‌توان باز هم طبقه بندی کرد. شکل 5 جزئیات مربوط به طبقه بندی ESS را نشان می‌دهد (44). باتری‌ها (45)، ذخیره سازی هوای فشرده (CAES) (46)، ذخیره سازی انرژی فلای ویل (FES) (47)، SCs (16)، (48)، ذخیره انرژی مغناطیسی ابرخازن (SMES) (49)، ذخیره سازی هیدروژن (50)، و ذخیره انرژی هیبریدی (HES) (44)، (51)، (52) از رایج‌ترین فن آوریهای ذخیره سازی در کاربردهای ریز شبکه هستند.

C. ساختار سیستم ذخیره انرژی (ESS)
انرژی را می‌توان با تبدیل انرژی الکتریکی به شکل دیگری مثل انرژی شیمیایی یا مکانیکی ذخیره کرد (42). علاوه بر این، سیستم‌های ذخیره سازی را می‌توان به سه بخش طبقه بندی کرد: ذخیره سازی مرکزی، مرحله تبدیل نیرو و مرحله کنترل. در ذخیره سازی مرکزی، انرژی پس از تبدیل ذخیره می‌شود و تبدیل نیرو به عنوان رابط بین ذخیره مرکزی و سیستم نیرو با انتقال دو طرفه عمل می‌کند. در مرحله کنترل، میزان شارژ یا تخلیه انرژی ذخیره شده با استفاده از حسگرها و سایر وسایل اندازه گیری تعیین می‌شود. دستگاه‌های ذخیره انرژی منبع ایده آل انرژی نیستند. بنابراین، در هر مرحله از فرآیند ذخیره سازی با تلفاتی مواجه می‌شوند(42).

3. انواع سیستمهای ذخیره انرژی
A. سیستم‌های ذخیره سازی مکانیکی
سیستم‌های ذخیره انرژی مکانیکی (MSS)سودمند هستند، زیرا می‌توانند انرژی را به صورت انعطاف پذیری از منابع تبدیل و ذخیره کنند (52). علاوه بر این، آن‌ها می‌توانند در صورت نیاز به کار مکانیکی، نیروی ذخیره شده را آزاد کنند (53). بر اساس اصول کاری، MSS را می‌توان به عنوان گاز فشاری، فنر فشرده، انرژی جنبشی، و انرژی پتانسیل طبقه بندی کرد. با این حال، از دیدگاه فنی، سیستم‌های ذخیره سازی مکانیکی از سه تکنیک تشکیل شده‌اند: فن آوریهای فلای ویل، ذخیره سازی هیدرولیکی پمپی، و انرژی هوای فشرده. از بین این سه سیستم، سیستم‌های ذخیره سازی آب پمپی (PHS)با داشتن چرخه عمر طولانی، بیشترین ظرفیت ذخیره سازی برق را در جهان دارا هستند. اگرچه سیستمهای انرژی فله هنوز هم به PHS متکی هستند، اما PHS اشکالاتی مثل هزینه‌های بالای سرمایه، تأثیر منفی بر محیط زیست و کاهش پیاده سازی ژئولوژیکی را نیز دارد. بنابراین، بهبود PHS در آینده محدود است (54)-(57). جزئیات مربوط به فن آوریهای دیگر مثل سیستمهای ذخیره انرژی فلای ویل (FESS)، CAES، سیستم‌های ذخیره انرژی گرانش (GES) در زیر مورد بحث قرار می‌گیرند.
1) سیستم‌های ذخیره انرژی فلای ویل
فلای ویل به عنوان مؤلفه اصلی مدرنترین FESS یک استوانه (دیسک) چرخان عظیم است که با استفاده از یاتاقانهای مغناطیسی بر روی استاتور پشتیبانی می‌شوند (58). FESS را می‌توان در دو دسته اصلی توصیف کرد: FESS پرسرعت و کم سرعت (59). فلای ویل‌هایی با سرعت زیر 10،000 دور در دقیقه به عنوان فلای ویل‌های کم سرعت شناخته می‌شوند که در صنایع محبوبیت زیادی دارند (60). سازه‌های اصلی یک سیستم فلای ویل ، و یک فلای ویل استوانه‌ای توخالی در شکل 6 نشان داده شده است (61). برای عملکرد صحیح دستگاه‌ها می‌توان از یک فلای ویل استفاده کرد که به صورت مکانیکی انرژی جنبشی را از چرخش روتور با سرعت زیاد ذخیره می‌کند (59)، (62). انرژی جنبشی ذخیره شده در FESS با سرعت و اینرسی مرتبط است. FESS کم سرعت شامل یک صفحه فولادی با اینرسی بالا و سرعت پایین است. از سوی دیگر، FESS پرسرعت دارای یک صفحه کامپوزیت با اینرسی نسبتاً پایین و سرعت بالا است. با افزایش سرعت چرخش روتور، انرژی ذخیره شده نیز به همین نسبت افزایش می‌یابد و انرژی ذخیره شده در یک مربع با حرکت زاویه‌ای تغییر می‌یابد. این انرژی ذخیره شده را می‌توان با کم کردن گشتاور روتور (حالت تخلیه) و برگرداندن انرژی جنبشی به موتور الکتریکی که به عنوان یک ژنراتور عمل می‌کند، باز هم مورد استفاده قرار داد (52)، (62). راندمان دستگاه‌های ذخیره فلای ویل بین 90٪ تا 95٪ می‌باشد، در حالیکه توان نامی آنها از 0 مگاوات تا 50 مگاوات است (63)-(65). بین این دو نوع فلای ویل را می‌توان به طور عادی مقایسه کرد و تفاوت‌های آن‌ها در جدول 1 بصورت خلاصه ارائه شده‌اند (66).
علاوه براین، فلای ویل‌ها را می‌توان بطور موازی اضافه کرد تا انرژی خاصی را افزایش دهند. تراکم انرژی از سرعت حدود (5 W h/kg) تا (100 W h/kg) متغیر است (55)، (59). در صورت نقص ناگهانی در تولید برق از منابع تجدید پذیر مانند منابع بادی یا خورشیدی، یک سیستم انرژی مشابه FESS را می‌توان بهتر از BESS پیاده سازی کرد (55).

طبق مرجع (58)، فن آوری ذخیره انرژی فلای ویل با توجه به خصوصیات منحصربفردی مثل چگالی توان بالا، سازگاری در محیط زیست، راندمان بالا ، هزینه نگهداری پایین و دوره چرخه طولانی که دارد در بخشهای مختلفی بکار برده شده است. مرجع (55) نشان می‌دهد که هزینه تعمیر و نگهداری FESS پایین است ($19/kW -سال) هرچند که هزینه سرمایه آن بالا است ($5000/kWh). مزیت اصلی FESS این است که به تجهیزات کنترل دما نیازی ندارد (47). شکل 7 کاربردهای FESS را در ریزشبکه (MG) توضیح می‌دهد.
در این فن آوری، یک مبدل توان به عنوان یک رابط الکتریکی عمل می‌کند. در مرجع (67)، یک مکانیسم بهبود یافته از توپولوژی مبدل دو طرفه با استفاده از تکنیکهای انتقال ولتاژ صفر و انتقال جریان صفر توسعه داده شد. این مطالعه نشان داد که میزان انرژی ذخیره شده با استفاده از توپولوژی پیشنهادی، 2.5 تا 3.5 درصد بود. بدین ترتیب،می‌توان از یک کنترلگر پیشرفته برای بهینه سازی ویژگیهای شارژ و تخلیه در این سیستم ذخیره سازی استفاده کرد که بطور قابل توجهی مدیریت ذخیره انرژی را بهبود می‌بخشد.
اگرچه اگرچه FESS دارای مزیتهای متعددی است ، اما اشکالاتی نیز از نظر هزینه بالای اولیه و میزان بالای خود-تخلیه دارد(3% تا 20% در هر ساعت) (68). علاوه بر این، چگالی توان بالا و چگالی انرژی پایین ، کاربرد FESS را محدود می‌کند. بنابراین، هزینه و میزان تخلیه با استفاده از فلای ویل‌های پر سرعت و پیشرفت فن آوری کاهش می‌یابد. برای غلبه بر این محدودیت‌ها، FESS با کاهش انتشار CO2 و بهبود پایداری سیستم قدرت، بسیار قابل اطمینان و پایدار می‌شود.