دانلود ترجمه مقاله پیش بینی نوسانات سریع توان راکتیو در مزرعه بادی با شبکه عصبی کانولوشنی

1. مقدمه 2. پیشینه کنترل کننده پیش بین برای SVC 3. بلوک پیش بینی بسیار کوتاه مدت 1D-CNN تطبیقی 4. کاربرد 1D-CNN تطبیقی برای کنترل کننده SVC 5. نتایج عددی 6. نتیجه گیری و پژوهش های آینده

چکیده – یکی از مسائل بارز در مزرعه های بادی، تولید سوسوی ولتاژ است. برای جلوگیری از تولید سوسو یا رفع هرچه بهتر اثر آن، یک جبرانساز VAR استاتیک (SVC)، یک گزینه عالی، هم از لحاظ اقتصادی و هم از لحاظ فنی است. اما، SVC ها بخاطر تاخیر ناشی از واحد محاسبه توان راکتیو و فعال سازی زاویه آتش SVC، نمی توانند توان راکتیو سریعاً متغیر را بطور کامل جبرانسازی کنند. این مقاله، یک سیستم کنترل پیش بینی کننده برای SVC ها، با ادغام یک بلوک کنترل پیش بینی کننده اضافه در سیستم کنترل متداول، پیشنهاد می کند. این سیستم، براساس شبکه های عصبی عمیق، یعنی شبکه عصبی کانوالی تک بعدی وفقی (1D-CNN)، ساخته می شود. فرآیند آموزش براساس پردازش وزن های یادگیری وفقی انجام می شود تا دقت پیش بینی و پیچیدگی محاسباتی آموزشی 1D-CNN، بهبود یابد. نتایج عددی مربوط به مجموعه داده های عملی در یک مزرعه باد در منجیل ایران، دقت پیش بینی و رفع سوسوی کنترل پیشنهادی را تایید کرد.

One of the prominent problems in wind farms is voltage flicker emission. To prevent flicker emission or mitigate the impact as best as possible, a static VAr compensator (SVC) is a great candidate both economically and technically. However, SVCs cannot completely compensate the fast-changing reactive power due to delays caused by the reactive power calculation unit and the triggering fire angle of the SVC. This paper proposes a predictive control system for SVCs, by merging an additional predictive control block into the conventional control system. It is constructed based on deep neural networks, namely adaptive one-dimensional convolutional neural network (1D-CNN). The training process is conducted based on the adaptive learning weights process to enhance the prediction accuracy and training computational complexity of the 1D-CNN. Numerical results on the actual dataset in a wind farm in Manjil, Iran, have verified the forecasting accuracy and flicker mitigation of the proposed controller.