دانلود ترجمه مقاله هوش مصنوعی برای بهبود کنترل فرکانس در سیستم قدرت

1. مقدمه 2. ساختار شبکه ترکیبی و کنترل مبدل منبع ولتاژ 3. روش یادگیری عمیق تقویت شده 4. شبیه سازی و نتایج 5. نتیجه گیری

چکیده – کنترل فرکانس روی شبکه ها با استفاده از روش کنترل دروپ فرکانس انجام می شود که مزیت آن سادگی است، با وجود این که در وضعیت های خاصی، کنترل فرکانس خیلی کارآمد نیست. روش های هوش مصنوعی به طور فزاینده استفاده شده اند، بنابراین بررسی اعتبار آنها در شبکه های الکتریکی توجیه دارد. این پژوهش کاربرد هوش مصنوعی در شبکه ها برای بهبود کنترل دروپ فرکانس را بررسی می کند. برای تحقق این امر، در این مقاله یک عملگر مبتنی بر یادگیری عمیق تقویت شده (DRL) برای تنظیم پارامترهای کنترل کننده برای مبدل منبع ولتاژ پیشنهاد می شود. عملگر مبتنی بر یادگیری عمیق تقویت شده با شرایط عملیاتی متعدد شبکه آموزش داده می شود تا به روش کنترل بهینه تکیه کند، که باعث می شود به تطابق خوبی با انواع شرایط عملیاتی دست یابد. برای اثبات این روش، یک مدل شبیه سازی دامنه-زمان سیستم قدرت ترکیبی با MATLAB/Simulink ساخته می شئد تا به عنوان سیستم آزمون عمل کند. نتایج شبیه سازی کارایی روش پیشنهادی را تایید می کند. مقدمه: سیستم جریان مستقیم چند پایانه ای انعطاف پذیر (MTDC) یکی از امیدبخش ترین روش ها برای اتصال سیستم های قدرت AC ناهمزمان در یک شبکه AC/MTDC ترکیبی است [1،2]. شکل 1 نمونه ای از یک سیستم قدرت ترکیبی را نشان می دهد. روش کنترل مبدل یکی از مهم ترین روش ها برای شبکه ترکیبی AC/MTDC است. برای وادار کردن یک سیستم قدرت AC ناهمزمان برای اشتراک گذاری کنترل فرکانس اولیه آن با دیگران، کنترل دروپ فرکانس AC و ولتاژ DC (F -Vdc) به طور گسترده در سیستم جریان مستقیم چند پایانه ای (MTDC) مبدل منبع ولتاژ (VSC) بکار برده می شود [6-3]. در حالی که این روش نیازمند جمع آوری اطلاعات فرکانس سیستم قدرت AC است و ممکن است منبع فرکانس برای یک سیستم پسیو AC (که دیگر ژنراتوری به عنوان منبع ولتاژ ندارند و با یک سیستم DC تامین می شود) فراهم نکند. روش دیگر کنترل دروپ (Vdc-P-f ) در کنار کنترل ژنراتور مجازی، فرکانس AC را به عنوان ورودی می گرد تا کنترل فرکانس را ممکن سازد [9-7].

Frequency control over networks is done using the frequency droop control technique which has the simplicity advantage although it allows that, in certain situations, frequency control is not very efficient. Artificial intelligence techniques have been increasingly used, so it is justified to explore their viability in electrical networks. The present work analyzes the use of Artificial Intelligence in networks to improve the frequency droop control. In order to realize this, a deep reinforcement learning (DRL)-based agent is proposed to tune the controller parameters for voltage source converter (VSC) in this paper. The DRL-based agent is trained by numerous hybrid grid operation conditions to lean the optimal control policy, which make it achieve a good adaptability to variety of operation conditions. For the purpose of demonstrating this method, a time-domain simulation model of hybrid power system is built with MATLAB/Simulink to act as test system. The simulation results verify the effectiveness of the proposed method. Introduction: The flexible multi-terminal direct current (MTDC) system is one of the most promising method to connect asynchronous AC power systems into a hybrid AC/MTDC grid [1,2]. Fig. 1 shows an example of a hybrid power system. The converter control method is one of the most crucial techniques for the hybrid AC/MTDC grid. In order to make an asynchronous AC power system share its primary frequency control with others, AC frequency and DC voltage (F -Vdc) droop control is widely used in voltage source converter (VSC) MTDC [3–6]. While, this method needs to collect the frequency information of AC power system, and may not provide a frequency source to a passive AC system (which has no generator as power source, and is supplied by a DC system). Combined with virtual generator control, another (Vdc-P-f ) droop control method takes AC frequency as its output to realize frequency control [7–9].

ترجمه این مقاله در 11 صفحه آماده شده و در ادامه نیز صفحه 5 آن به عنوان نمونه قرار داده شده است که با خرید این محصول می توانید، فایل WORD و PDF آن را دریافت نمایید.