دانلود ترجمه مقاله کنترل مبتنی بر هوش مصنوعی برای ژنراتور سنکرون مجازی

1. مقدمه 2. تشریح سیستم و طراحی اینرسی 3. رویکرد پیشنهادی برای طراحی ANN دوگانه 4. مطالعه موردی 5. نتیجه گیری

چکیده – مولد سنکرون مجازی (VSG)، یک راهکار امیدوار کننده برای پشتیبانی اینرسی شبکه های برق آینده در مواجهه با مسائل پایداری فرکانس ناشی از نفوذ زیاد مولدهای تجدیدپذیر، می باشد. با این حال، تغییرات توان در مبدل های رابط الکترونیک قدرت ناشی از تقلید VSG، تنش بر ادوات نیمه رسانای قدرت را افزایش می دهد و بنابراین تاثیری منفی بر قابلیت اطمینان آنها دارد. برخلاف کارهای انجام شده که تنها پایداری برای طراحی کنترل VSG را مورد ملاحظه قرار می دهند، این مقاله یک روش مبتنی بر شبکه عصبی مصنوعی (ANN) مضاعف برای طراحی پارامتر اینرسی VSG با در نظر گرفتن همزمان قابلیت اطمینان و پایداری، پیشنهاد می کند. ابتدا، یک پروفایل فرکانس نماینده برای استخراج پروفایل های تزریق توان VSG مختلف تحت مقادیر اینرسی مختلف از طریق شبیه سازی های تفصیلی، تولید می شود. سپس، یک رابطه تابعی بین پارامتر اینرسی (H) و مصرف کل عمری (LC) در VSG با مدل قابلیت اطمینان ANN مضاعف پیشنهاد شده، ایجاد می شود: ANN t، مدل سازی سریع و دقیق تنش حرارتی در ادوات نیمه رسانا از یک پروفایل بهره برداری معین را فراهم می کند؛ با کمک ANN t، ANN LC برای تخمین سریع و دقیق LC برای پارامترهای مختلف اینرسی در مرحله بعدی، ساخته می شود. رویکرد پیشنهادی نه تنها دستورالعملی برای طراحی پارامتر با توجه به یک الزام LC معین فراهم می کند، بلکه همچنین می توان از آن برای طراحی بهینه پارامتر VSG با در نظر گرفتن قابلیت اطمینان و عوامل دیگر (برای مثال، در این مقاله پشتیبانی اینرسی)، استفاده نمود. روش پیشنهادی به صورت یک مثال نمایشی برای یک سیستم VSG متصل به شبکه، بکار گرفته می شود.

Virtual synchronous generator (VSG) is a promising solution for inertia support of the future electricity grid to deal with the frequency stability issues caused by the high penetration of renewable generations. However, the power variation in power electronic interface converters caused by VSG emulation increases the stress on power semiconductor devices and hence has a negative impact on their reliability. Unlike existing works that only consider stability for VSG control design, this article proposes a double-artificial neural network (ANN)-based method for designing VSG inertia parameter considering simultaneously the reliability and stability. First, a representative frequency profile is generated to extract various VSG power injection profiles under different inertia values through detailed simulations. Next, a functional relationship between inertia parameter (H) and lifetime consumption (LC) of VSG is established by the proposed double-ANN reliability model: ANN t provides fast and accurate modeling of thermal stress in the semiconductor devices from a given operating profile; with the aid of ANN t , ANN LC is built for fast and accurate estimation of LC for different inertia parameters in the next step. The proposed approach not only provides a guideline for parameter design given a certain LC requirement, but can also be used for optimal design of VSG parameter considering reliability and other factors (e.g., inertia support in this article). The proposed technique is applied to a grid-connected VSG system as a demonstration example.