تحلیل احتمالی و قابلیت اطمینان یک کنترل هوشمند توان برای یک سیستم توربین بادی مبتنی بر ژنراتور القایی دوبار تغذیه

برق محرک حیاتی توسعه اقتصادی است. یک همبستگی مثبت قوی بین قابلیت اطمینان تامین برق و پیشرفت اقتصادی وجود دارد [1]، [2]. با توجه به این رابطه علی، رشد سریع اقتصادی اخیر به طور قابل توجهی تقاضای جهانی برق را افزایش داده است [3]، [4]، که مستلزم توسعه فناوری های تولید برق و قابلیت اطمینان سیستم توزیع انرژی الکتریکی است [4]. به این دلایل و همچنین برای رفع نگرانی های زیست محیطی [5]، جهان به دنبال افزایش ظرفیت الکتریکی ارائه شده توسط منابع انرژی تجدید پذیر است که راه حل مناسبی برای تنوع بخشیدن به منابع تولید انرژی و کاهش انتشار گازهای گلخانه ای ناشی از منابع سوخت فسیلی ارائه می دهد. [1]، [5].

انرژی باد یکی از پرکاربردترین جایگزین‌های تجدیدپذیر است [6]، [7]. طی دهه‌های گذشته علاقه‌مندی و تلاش‌های هماهنگ‌تری برای برآوردن نیازهای انرژی در حال افزایش و در عین حال رسیدگی به تغییرات آب و هوای جهانی به خود جلب کرده است. [5]، [6]، [7]. با روند نصب توربین‌های بادی بیشتر به منظور افزایش ظرفیت تامین انرژی بادی و به دلیل همدستی سیستم‌های WT، کنترل آن‌ها حیاتی‌تر شده و نیازمند ادغام تکنیک‌های قوی و پیشرفته برای اطمینان از یک فرآیند عملیاتی قابل اعتماد است. [8]، [9].

کنترل ژنراتور الکتریکی نقش کلیدی در زنجیره تبدیل انرژی باد ایفا می کند، زیرا برای استخراج و تحویل حداکثر توان بادی مورد نیاز است. [10]. WT با سرعت متغیر مجهز به DFIG به دلیل مزایای مختلف ارائه شده توسط DFIG در میان مناسب ترین و کارآمدترین پیکربندی های WT در نظر گرفته می شود. [10]مانند انعطاف پذیری کنترل، سرمایه گذاری کم و کیفیت برق عرضه شده [11]. تکنیک های زیادی در ادبیات برای دستیابی به کنترل DFIG قابل اعتماد پیشنهاد شده است. مروری بر استراتژی‌های کنترل برای سیستم‌های WT مبتنی بر DFIG در این مقاله مورد بحث قرار گرفته است [11]، [12]. تکنیک های رایج کنترل شامل کنترل فایل گرا (FOC) است. [13]، [14]کنترل مستقیم گشتاور (DTC) [15]، [16]کنترل برق مستقیم (DPC) [17]، [18]و کنترل حالت کشویی (SMC) [19]، [20].

عملکرد ابزارهای کلاسیک مورد استفاده برای اجرای تکنیک های کنترلی فوق محدود است و در برخی از سناریوها می توانند کارایی خود را به طور کامل از دست بدهند. که در [11]نویسندگان محدودیت‌های کنترل‌کننده‌های معمولی PI (انتگرال متناسب) و PID (مشتق انتگرال متناسب) را در تضمین پایداری خروجی کنترل به دلیل غیرخطی‌های سرعت باد مورد بحث قرار داده‌اند. که در [21]، [22] نویسندگان نشان دادند که کیفیت و کارایی تنظیم‌کننده‌های PI معمولی مورد استفاده در FOC به تغییرات در پارامترهای سیستم یا شرایط عملیاتی به دلیل غیرخطی‌های موجود در WT و همبستگی قوی بین عملکرد تنظیم‌کننده‌های PI/PID و پارامترهای سیستم بسیار حساس است. خرابی این کنترلرها می تواند به مشکل در تنظیم سود آنها به دلیل غیرخطی بودن و پیچیدگی زیاد مدل سیستم مربوط باشد. [23]. از سوی دیگر، استفاده از مقایسه‌کننده‌های هیسترزیس کلاسیک و جداول سوئیچینگ معمولی در DTC و DPC دارای اشکالات متعددی از جمله نوسانات توان گذرا و حالت پایدار، هارمونیک‌های جریان و موج‌های گشتاور و شار است. [24]، [25].

برای غلبه بر این محدودیت ها و اطمینان از کارایی WECS، چندین راه حل در ادبیات با توسعه الگوریتم های پیشرفته، مانند شبکه های عصبی مصنوعی، ارزیابی و مطالعه شده است. [10]، [18]، منطق فازی [26]، [27]و الگوریتم های ژنتیک [28]. چندین مطالعه قبلی مانند [20]، [29]، پیشرفت های قابل توجهی را در پیاده سازی، عملکرد و عملکرد سیستم کنترل ناشی از ادغام این الگوریتم ها برجسته کرده اند.

شبکه های عصبی مصنوعی در حال حاضر به طور گسترده در کاربردهای کنترل صنعتی استفاده می شوند [30]، [31]. آنها کاملاً در سیستم های کنترل بسیار حساس، خودکار غیرخطی و دستگاه های صنعتی با امنیت بالا ادغام می شوند تا به کنترل کارآمدتر و قوی تر دست یابند. [10]، [32]. علاوه بر این، طراحی و اجرای آنها نسبت به کنترل‌کننده‌های معمولی پیچیده‌تر و کم‌هزینه‌تر در نظر گرفته می‌شوند. پیاده سازی ANN در سیستم های کنترل WECS شامل جایگزینی ابزارهای کنترل معمولی با کنترل کننده های هوشمند طراحی شده بر اساس الگوریتم های ANN است، به عنوان مثال، جایگزینی کنترل کننده های PI معمولی در کنترل FOC توسط کنترل کننده های عصبی. [21]، [29]، یا جایگزینی مقایسه کننده های معمولی و جدول سوئیچینگ برای DPC [25] و DTC [24].

چندین مطالعه قبلی دستاوردهای بهره وری و بهبود در کنترل سیستم باد به دست آمده با یکپارچه سازی تکنیک های ANN را برجسته کرده اند. که در [24]نویسندگان بهبودهای قابل توجهی را که با جایگزین کردن مقایسه‌کننده‌های پسماند کلاسیک در DTC یک DFIM با مقایسه‌کننده‌های مبتنی بر شبکه‌های عصبی مصنوعی به دست می‌آیند نشان داده‌اند، از جمله کاهش قابل‌توجه در موج‌های گشتاور، بهبود زمان پاسخ و کاهش اعوجاج هارمونیک کل جریان. THD). که در [25]نویسندگان از شبکه‌های عصبی مصنوعی برای بهبود کیفیت و عملکرد یک DPC کلاسیک با جایگزین کردن جداول سوئیچینگ بردار ولتاژ و مقایسه‌کننده‌های پسماند استفاده کردند که منجر به افزایش قابل‌توجه کمیت خروجی DFIG و همچنین بهبود نرخ هارمونیک جریان‌ها شد. تولید شده است. از سوی دیگر، در [21]نویسندگان بهبود قابل توجهی را نشان می‌دهند که با جایگزینی تنظیم‌کننده‌های PI کلاسیک با کنترل‌کننده‌های ANN در FOC یک DFIG یکپارچه شده در یک سیستم توربین بادی به دست آمده است. نتایج نشان می‌دهد که تکنیک FOC مبتنی بر کنترل‌کننده‌های ANN کنترل دقیقی با زمان پاسخ سریع‌تر و نوسانات کمتر ارائه می‌دهد. در همین زمینه، نویسندگان [23]، [29] عملکرد کنترل‌کننده‌های ANN و تنظیم‌کننده‌های PI مورد استفاده در تکنیک FOC را مقایسه کرده‌اند و نشان می‌دهند که کنترل‌کننده‌های ANN از نظر ردیابی مرجع و زمان پاسخ کارآمدتر از تنظیم‌کننده‌های PI کلاسیک هستند. طراحی این کنترل‌کننده‌ها با استفاده از ابزارهای نرم‌افزار شبیه‌سازی (MATLAB/Simulink) انجام می‌شود و یکی از مفروضات مهمی که در مرحله مدل‌سازی مورد توجه قرار می‌گیرد، ثابت بودن و مشخص بودن دقیق پارامترهای سیستم است که اجرای کامل آن را حیاتی می‌کند. آزمایش و اعتبارسنجی سیستم کنترل تحت سناریوهای مختلف برای اطمینان از اینکه مدل تا حد ممکن سیستم دنیای واقعی را نشان می‌دهد و اینکه کنترل به اندازه کافی قوی است تا شرایط عملیاتی مختلف را در کاربردهای عملی مدیریت کند. به طور خاص، چندین مطالعه قبلی وجود داشته است که آزمایش‌های استحکام را برای بررسی کارایی کنترل‌کننده‌های ANN با در نظر گرفتن برخی عدم قطعیت‌های پارامتر سیستم که بر عملکرد کنترل تأثیر می‌گذارند، انجام داده‌اند. به عنوان مثال، نویسندگان از [18] استحکام یک DPC هوشمند را در یک DFIG که از کنترل‌کننده‌های ANN-PI در حضور برخی تغییرات پارامتر استفاده می‌کند، بررسی کرده‌اند. در همین زمینه، نویسندگان [21]، [22]، [23] تست های استحکام را برای ارزیابی کیفیت و اثربخشی IFOC-ANN برای یک DFIG ادغام شده در یک سیستم توربین بادی با قرار دادن سیستم کنترل به تغییرات پارامترهای خاص DFIG و شبیه سازی پاسخ آن به تغییرات اعمال شده انجام داده اند. این آزمایش‌ها نشان داده‌اند که کنترل‌کننده‌های ANN عملکرد خوبی را حتی تحت تغییرات پارامتر حفظ می‌کنند. اما این مطالعات فقط بر اساس چند تست ساده استحکام با در نظر گرفتن تنها چند تغییر پارامتری ارزیابی شده‌اند. بنابراین، هنوز نیاز به آزمایش گسترده‌تر برای بررسی رفتار سیستم کنترل تحت طیف وسیع‌تری از سناریوها و تغییرات پارامتری برای توصیف و اعتبارسنجی دقیق کیفیت و قابلیت اطمینان کنترل‌کننده‌های ANN وجود دارد. به همین دلیل، ایجاد یک روش قابلیت اطمینان مناسب با استفاده از تکنیک‌های پیشرفته که بتواند ارزیابی دقیق و دقیقی از کیفیت و قابلیت اطمینان سیستم کنترل مورد مطالعه ارائه دهد، بسیار مهم است. برای این منظور، ما علاقه مند به کار حاضر هستیم تا با به کارگیری مجموعه ای پیشرفته از روش های قابلیت اطمینان برای محاسبه احتمال شکست یک IFOC بر اساس شبکه عصبی مصنوعی و تخمین سطح دقت آن با در نظر گرفتن عدم قطعیت های تأثیرگذار بر پارامترهای طراحی، یک روش قابلیت اطمینان سیستماتیک ایجاد کنیم. از DFIG، که می تواند برای کاربردهای مختلف مفید باشد.

به طور کلی، برای ارزیابی قابلیت اطمینان یک سیستم یا تخمین احتمال وقوع یک سناریوی قابل تردید، رویکردهای قابلیت اطمینان مختلفی در ادبیات ارائه شده است. [33]مانند تکنیک مرجع شبیه سازی مونت کارلو (MCs) [33]، [34]که به دلیل پتانسیل آن برای ارزیابی قابلیت اطمینان هر نوع مشکل احتمالی، محبوب ترین و دقیق ترین تکنیک شبیه سازی تصادفی محسوب می شود. [34]، [35]. اشکالات اصلی آن زمان محاسبات گسترده مورد نیاز برای تخمین دقیق احتمال و ناتوانی در همگرایی موفقیت آمیز با احتمالات نادر و کوچک شکست است. [33]، [36]. برای پرداختن به این موضوع، مفهوم ارزیابی قابلیت اطمینان با بهبود و پیاده سازی تعداد زیادی از رویکردهای قابلیت اطمینان جایگزین پیشرفته برای ایجاد تعادل بین کارایی و هزینه زمان، دستخوش توسعه مداوم شده است. [33]. این تکنیک ها شامل روش قابلیت اطمینان مرتبه اول (FORM)، روش قابلیت اطمینان مرتبه دوم (SORM)، نمونه برداری مهم و شبیه سازی زیر مجموعه است. مطالعات زیادی برای مقایسه عملکرد این تکنیک ها با MC ها انجام شده است. به عنوان مثال، در Ref. [35]، [37]، نویسندگان اثربخشی FORM و SORM را در به دست آوردن نتایج دقیق با تعداد ارزیابی کمتری از تابع حالت حد نسبت به MC نشان دادند. [38]، [39] کاهش قابل توجهی در زمان محاسبات را که می توان با استفاده از روش IS به دست آورد، مورد بحث قرار داد، که محاسبه احتمالات شکست را در مناطق مهم متمرکز می کند. از سوی دیگر، در [40]، [41] نویسندگان اثربخشی تکنیک SS را در به دست آوردن تخمین‌های دقیق احتمالات نادر و کوچک شکست به دلیل انعطاف‌پذیری الگوریتم آن برای شبیه‌سازی رویدادهای نادر مورد مطالعه قرار داده‌اند.

نوع دیگری از دشواری که اغلب در هنگام انجام تجزیه و تحلیل قابلیت اطمینان با آن مواجه می‌شویم، پیچیدگی یا در دسترس نبودن تابع حالت حد است که انگیزه ادغام انواع رویکردهای پیشرفته سازگار برای حل چنین مشکلاتی است، برای مثال استفاده از الگوریتم‌های خاص یادگیری ماشین مانند رگرسیون. [42]، طبقه بندی [36]، جنگل تصادفی [43]و ماشین بردار پشتیبانی [44]. مطالعات متعددی مانند [35]نشان داده‌اند که چنین الگوریتم‌هایی در حل انواع مشکلات قابلیت اطمینان در بسیاری از حوزه‌های کاربردی با ارائه یک راه‌حل بهینه برای تقریب تابع حد برای اطمینان از مصالحه بین دقت و محاسبه هزینه موفق بوده‌اند.

در مطالعه خود، ما تصمیم به توسعه مدل‌های رگرسیونی برای ساده‌سازی مدل سیستم کنترل خود با استفاده از تحلیل رگرسیون برای شبیه‌سازی پاسخ سیستم و گسترش تعداد کمی از شبیه‌سازی‌ها به تعداد بیشتری بدون اجرای مجدد آن‌ها در MATLAB/Simulink کردیم، که به طور قابل‌توجهی کاهش می‌دهد. زمان محاسباتی تحلیل قابلیت اطمینان جهانی آثار اصلی مقاله حاضر را می توان به شرح زیر خلاصه کرد:

• •

  توصیف و تایید عملکرد تکنیک IFOC بر اساس ANN یک DFIG یکپارچه شده در یک سیستم توربین بادی.

• •

  یک تحلیل قابلیت اطمینان دقیق برای تخمین احتمال شکست کنترل مورد مطالعه در حضور برخی عدم قطعیت‌های پارامتر مدل اعمال کنید.

• •

  از یک روش تجزیه و تحلیل قابلیت اطمینان استفاده کنید که الگوریتم‌های قابلیت اطمینان پیشرفته و مدل‌های یادگیری ماشین را برای ساده‌سازی تحلیل ترکیب می‌کند.

بقیه این مقاله به شرح زیر سازماندهی شده است: بخش 2 برای مدل‌سازی سیستم تبدیل انرژی باد که شامل سمت توربین بادی و مدل‌سازی DFIG می‌شود، اختصاص دارد. بخش 3 مفهوم اصلی کنترل میدان گرا غیرمستقیم DFIG را تشریح می کند، پس زمینه ای را در مورد فرآیند طراحی اساسی ANN ارائه می دهد و نتایج شبیه سازی ANN-IFOC پیاده سازی شده در MATLAB/Simulink را ارائه می دهد. در حالی که بخش 4 به ارائه روش تجزیه و تحلیل قابلیت اطمینان مورد استفاده در این کار و جنبه های نظری اساسی تحلیل رگرسیون و رویکردهای تحلیل قابلیت اطمینان (MCS، FORM، SORM، IS، SS) اختصاص دارد. بخش 5 به ارائه و تجزیه و تحلیل نتایج تجزیه و تحلیل قابلیت اطمینان اختصاص دارد. در نهایت، نتیجه‌گیری‌های این کار را خلاصه کرده و پیشنهاداتی برای تحقیقات بیشتر در بخش 6 ارائه کردیم.