دانلود ترجمه مقاله کنترل کننده PI خود تطبیق برای توربین های بادی DFIG متصل به شبکه

1. مقدمه 2. گزارش در مورد آخرین مقالات در زمینه شبکه های عصبی به کار گرفته شده برای WECS بر اساس DFIG 3. کنترل بردار و مدلسازی سیستم نیروگاه بادی 4. DFIG مبتنی بر سیستم توربین بادی کنترل شده با شبکه های عصبی بازگشتی 5. شبیه سازی و نتایج 6. نتیجه گیری

چکیده – این مقاله، «شبکه عصبی بازگشتی لایه نهان» (HLRNN) را برای کنترل یک سیستم تولید برق بادی براساس یک مولد القایی دو سو تغذیه، پیشنهاد می دهد. استاتور این مولد مستقیماً به شبکه برق متصل می شود درحالی که روتور از طریق مبدل های دو طرفه، متصل می شود. یک طرح «کنترل برداری غیرمستقیم» (IVC) برپایه کنترلر PI، برای تست مقدماتی سیستم، ایجاد شد. این رگولاتور PI، امکان عملکرد مناسب سیستم های خطی را فراهم می کند، اما هنگامی که در معرض شرایط تغییرات فیزیکی قرار می گیرند، پاسخ سیستم ناپایدار می شود و باعث می شود تا کنترلر PI ناکافی شود. هدف این مقاله، حصول اطمینان از این است که کنترلر PI به خودتنظیمی می رسد، صرفنظر از اینکه شدت شرایط چه میزان باشد. اثربخشی کنترل پیشنهادی با در نظر گرفتن شرایط بحرانی مانند تغییرات سرعت باد، تغییرات پارامتر مولد و خطاهای نامتقارن در شبکه، نشان داده می شود. علاوه بر آن، تایید می شود که بهبود عملکرد و کاهش نوسانات در طی افت موقتی ولتاژ، صورت می گیرد. نتایج شبیه سازی، بدست آمده بوسیله نرم افزار متلب/سیمولینک نشان می دهند که پاسخ زمانی تا 1.8 میلی ثانیه کاهش می یابد، خطای استاتیک تا 0.16% کم می شود و اضافه جهش تا 0.24% در مقایسه با IVC مبتنی بر کنترلر PI و طرح های شبکه عصبی موجود، بهبود می یابد.

This paper suggests the Hidden Layer Recurrent Neural Network (HLRNN) for controlling a wind power generation system based on a dual-fed induction generator. The generator's stator is connected directly to the electrical grid, while the rotor is linked through bidirectional converters. A PI controller-based Indirect Vector Control (IVC) scheme has been established to pilot the system. The PI regulator allows linear systems to perform well, but when subjected to physical variation conditions, the system's response becomes unstable, making the PI controller insufficient. This paper aims to ensure the PI controller gains self-adaptation regardless of the severity of the circumstances. The effectiveness of the proposed control is demonstrated by taking into account critical conditions such as wind speed changes, generator parameter variations, and asymmetrical faults in the grid. Furthermore, it is confirmed by the enhanced performance and the reduced oscillations during a voltage dip. The simulation results, achieved using MATLAB/Simulink, demonstrate that the response time is reduced to 1.8 (m s), the static error is minimized to 0.16%, and the overshoot is improved to 0.24% when compared to the IVC based on the PI controller and some existing neural network schemes.