بخشی از مقاله
خلاصه
ریزشبکه برای ارایه توان الکتریکی به بارهای پراکنده از انرژیهای تجدیدپذیر استفاده میکند. تغییر توان بار و تغییرات توان خروجی منابع ریزشبکه موجب نوسان ولتاژ و فرکانس و در نتیجه ناپایداری سیستم میگردد. در این مقاله از کنترلگر PID مرتبه کسری فازی - FFOPID - به دلیل مقاوم بودن و ساختار ساده آن برای کنترل فرکانس ریزشبکهی جزیرهیی استفاده شده است.
با بررسی پاسخ کنترلگر FFOPID در دو سناریوی مختلف تغییرات بار، پارامترهای آن با استفاده از الگوریتم بازار بورس - EMA - تعیین شده است. عملکرد کنترلگر طراحی شده بازای سناریوی سومی از تغییرات بار ارزیابی گردیده است. عملکرد FFOPID بهینه شده با EMA با استفاده از نتایج شبیه سازی و شاخصهای کمی با عملکرد FFOPID بهینه شده با PSO در سه سناریو مقایسه شده است. مدت زمان یکسان بهینهیابی با EMA و PSO، موید سرعت بالای بهینه یابی EMA است.
.1 مقدمه
برای رفع مشکلات ناشی از افزایش مصرف انرژی الکتریکی، استفاده از منابع تولید پراکنده پیشنهاد شده است. این منابع توان الکتریکی، به شبکه توزیع متصل و در کنار مصرف کننده قرار میگیرند. مفهوم ریزشبکه برای بهره برداری بهینه از این منابع و رفع مشکلات آنها، مطرح گردیده است. ریز شبکه مجموعهای از بارها و منابع تولید است که در شرایط عادی به شبکه اصلی قدرت متصل شده و از آن انرژی دریافت یا توان مازاد خود را به آن تحویل میدهد. در مکانهای حساس که وجود توان پشتیبان لازم است، ریزشبکهها به کار میروند.
اگر برق تولیدی با کیفیت مناسب به مصرف کننده نرسد، ریزشبکه از سیستم توزیع جدا شده و تأمین توان بارهای محلی را به عهده میگیرد. برای حفظ پایداری و عملکرد مناسب ریزشبکهها باید شاخصهای اصلی سیستم شامل ولتاژ و فرکانس در حالت جزیرهیی و توان اکتیو و توان راکتیو در حالت اتصال به شبکه کنترل شوند. در سالهای اخیر، تحقیقات گستردهیی در زمینه کنترل فرکانس و ولتاژ ریزشبکهها صورت گرفته است.
در [1]، فرکانس ریزشبکه، به روش زمانبندی ضرایب افتی تنظیم شده است. در [2 ] پایداری فرکانسی سیستمهای قدرت، حفظ فرکانس ماندگار با وجود اغتشاشات سنگین با حداقل تلفات در واحدهای تولید و بار تعریف شده است. در [3]، از تکنیکهای کنترل مقاوم سنتز و + برای کنترل فرکانس ریزشبکه جزیرهیی ا ستفاده شده ا ست و عملکرد مقاوم کنترلگر پی شنهادی در ح ضور انواع اغت شاشها و عدم قطعیتهای پارامتری مورد مطالعه قرار گرفته ا ست.
در [4]، ریزشبکه با رایجترین کنترلگر فرکانس یعنی کنترلگر تناسبی- انتگرالی - PI - ، کنترل شده است. پارامترهای این کنترلگر به صورت آنلاین، با استفاده از سی ستم فازی تنظیم گردیده ا ست. همزمان با تغییر بار در سی ستم، الگوریتم ازدحام ذرات - Particle Swarm Optimization - PSO - - برای تنظیم پارامترهای توابع عضویت سیستم فازی به صورت آنلاین به کار رفته است.
تغییرات فرکانس و اغتشاش بار به عنوان ورودی و پارامترهای کنترلگر به عنوان خروجی سیستم فازی انتخاب شده است. در [5]، برای تنظیم پارامترهای کنترلگر PI در حلقه ثانویه کنترل فرکانس ریزشبکه جزیرهیی شبکه عصبی گمارده شده است. در [6]، از ترکیب سیستم فازی و الگوریتم بهبود یافته تکاملی به طور آنلاین برای تنظیم پارامترهای کنترلگر PID برای کنترل فرکانس ریزشبکه جزیرهیی با در نظر گرفتن عوامل غیرخطی و عدم قطعیتها استفاده شده است.
اخیرا کنترلگر PID مرتبه کسری - Fractional Order PID - FOPID - - به دلیل ساختار انعطافپذیر و مقاوم برای کنترل سیستمهای مختلف به کار رفته ا ست. تنظیم پارامترهای FOPID، در مقای سه با PID به دلایل دا شتن پارامترهای بی شتر د شوارتر ا ست. در [7]، روشهای مختلف طراحی و تنظیم پارامترهای این کنترلگر مرور گردیده است.
الگوریتم بازار بورس - Exchange Market Algorithm - EMA - - الگوریتم بهینه یابی کارآمدی ا ست که با الهام از هوش ان سانی و نحوه داد و ستد سهام در بازار بورس معرفی و بهینهیابیهای مختلف عملکرد آن را تایید نموده است .[8] در این مقاله کنترلگر PID مرتبه کسری فازی - FFOPID - برای کنترل فرکانس ریزشبکه در حالت جزیرهیی به کار رفته است و پارامترهای آنها با در نظر گرفتن دو سناریوی مختلف تغییرات بار با استفاده از EMA تعیین گردیده است. . عملکرد کنترلگر طراحی شده به ازای سناریوی سومی از تغییرات بار ارزیابی گردیده است.
عملکرد کنترلگر FFOPID بهینه شده با EMA، با استفاده از نتایج شبیه سازی و شاخصهای کمی با عملکرد کنترلگر FFOPID بهینه شده با PSO مقایسه شده است. مدت زمان بهینهیابی با EMA و PSO یکسان است. در ادامه در بخش 2، مدل ریزشبکهی آزمون این مقاله بیان میشود. الگوریتم بازار بورس در بخش 3 بیان میگردد. در بخش 4، طراحی کنترلگر توصیف میشود. در بخش 5، نتایج شبیه سازیها ارائه میشود. در بخش 6، نتایج بررسی میگردد.
.3 الگوریتم بازار بورس - EMA -
این الگوریتم بهینهیابی دو اپراتور جستجوگر و دو اپراتور جاذب، برای جذب افراد به فرد نخبه دارد که به ایجاد و سازماندهی مناسب اعداد تصادفی میانجامد. EMA مزایایی مانند زمان اجرای کم، توانایی انتخاب منطقه جستجو و امکان بهینه یابی مسایل مختلف را دارد. به همین دلیل در این مقاله برای یافتن پارامترهای بهینهی کنترلگر FFOPID از آن استفاده شده است.
در این الگوریتم رفتار نخبگان بازار بورس در حالتی که ارزش دارایی آنها زیاد، متوسط و کم است، ارزیابی شده و از آنها استفاده شده است. در هر تکرار دو حالت بازاری وجود دارد و بعد از هر تکرار، حالت بازاری برازندگی افراد بررسی شده و افراد بر اساس آن مرتب میگردند. بعد از پایان هر حالت بازاری نفرات ابتدایی، میانی و انتهایی جمعیت با نام گروه 1، 2 و 3 شناخته میشوند.
