ボノボ最適化アルゴリズムに基づく風力タービン二次給電誘導発電機の最適な低電圧ライドスルー

Scientific Reports volume 13、記事番号: 7778 (2023) この記事を引用

460 アクセス

メトリクスの詳細

二次給電誘導発電機（DFIG）をベースとした大規模風力エネルギー変換システム（WECS）は、さまざまな経済的および技術的メリットにより、近年人気が高まっています。 WECS と既存の電力網との急速な統合は、電力システムの安定性と信頼性に悪影響を及ぼしています。系統電圧の低下により、DFIG ローター回路に大きな過電流が発生します。このような課題により、電圧低下時に電力網の安定性を確保するための DFIG の低電圧ライドスルー (LVRT) 機能の必要性が強調されます。これらの問題に同時に対処するために、この論文は、LVRT 機能を達成するために、すべての動作風速に対する DFIG の噴射ロータ相電圧と風車ピッチ角の最適値を取得することを目的としています。 Bonobo オプティマイザー (BO) は、DFIG および風力タービンのピッチ角に対する噴射ローター相電圧の最適値をクロップするために適用される新しい最適化アルゴリズムです。これらの最適値は、ロータとステータの電流が定格値を超えないことを保証するために可能な最大の DFIG 機械出力を提供し、また、故障時に系統電圧をサポートするための最大の無効電力も提供します。 2.4 MW 風力タービンの理想的な出力曲線は、すべての風速で許容可能な最大風力が得られると推定されています。結果の精度を検証するために、BO の結果が他の 2 つの最適化アルゴリズム (粒子群オプティマイザーと運転トレーニングオプティマイザー) と比較されます。適応ニューロファジィ推論システムは、あらゆるステータ電圧ディップおよびあらゆる風速に対するロータ電圧および風力タービンピッチ角の値を予測するための適応コントローラとして採用されています。

現在、風力エネルギーは、その高い出力密度と高い可用性により、最も急速な成長率を誇る再生可能資源の 1 つであり、世界中で最も魅力的な再生可能エネルギーとみなされています 1,2,3。風力エネルギーは 2011 年の国際電力需要の 3.5% に寄与しており、この割合は 2030 年には 16% に増加すると予想されています4。それにもかかわらず、電力品質の問題、断続的な電力供給の問題のため、WECS の送電網への統合は依然として大きな課題です。電力品質の問題の中でも、系統側の障害による風力発電機の端子電圧の予期せぬ低下により、風力タービンが系統から突然トリップする可能性があります5、6。頻繁にトリップして再接続する風力発電機によって、送電網の安定性に悪影響が及ぶ可能性があります。多くの国は、風力発電機の送電網からのトリップを減らし、故障や送電網の電圧異常が発生した場合に送電網の安定性を維持するために、送電網に接続された WECS 用の新しい送電網コードを開発しました7、8、9、10。

DFIG は、他のタイプの風力発電機に比べて大きな利点があるため、WECS にとって最も効率的なオプションです11。 DFIG の利点には、有効電力と無効電力の両方を制御できる機能、小型サイズ、低定格コンバータの必要性により電力損失とコンバータのコストが削減されること、音響ノイズと機械的応力の軽減、可変速生成、電力品質の向上が含まれます12。 13、14。一方、WECS で DFIG を使用する主な欠点は、DFIG ステータ端子が系統に直接接続されているため、系統外乱、特に電圧降下に敏感であることです。グリッド電圧の低下により、DFIG ローター回路に大きな過電流が発生します。その結果、保護回路が作動し、ロータ側コンバータを保護するために DFIG が系統から切り離されます 15、16、17。

LVRT 機能は、最も一般的なグリッドコード要件です。これは、電圧低下時に系統への接続を維持し、障害が発生した場合に系統電圧をサポートするために無効電力を供給する機能です6、18、19。電圧の低下は、DFIG にとって非常に重大な障害です。これらのサグはステータとロータの電流の増加につながるため、DFIG に注入できる電力を削減する必要があります20、21、22。いくつかの文献調査によれば、ピッチ制御方法、ハードウェア方法、および修正された DFIG コンバータ制御方法は、LVRT 戦略の改良である 12,23,24。 LVRT改善のピッチ制御手法では、回転翼のピッチ角を調整することで風車の出力を下げることができます。それにもかかわらず、機械力学が遅いため、この手法のパフォーマンスはあまり良くありません25。バール保護とエネルギー貯蔵システムは、LVRT 改善のためのハードウェア手法の 2 つの主要なカテゴリです 26、27、28、29。クローバー方式の基本的な考え方は、障害が発生した場合に DFIG ローターの回路内の抵抗バンクをアクティブにすることであり、その結果、余分な電力が消費され、DFIG 電流が制限されます。この方法には、電磁トルク変動によるドライブトレインへの高いストレス、制御性の損失、無効電力の吸収による系統電圧の回復の妨げなど、いくつかの明らかな問題があります。 LVRT を強化するための他のタイプのハードウェア方法は、バッテリーエネルギー貯蔵システム、フライホイールエネルギー貯蔵システム、電気二重層キャパシタ、超電導磁気エネルギー貯蔵などのタイプのエネルギー貯蔵システムを採用することです5,21,23,30,31,32。。しかし、この方法の大きな欠点は、経済的な解決策ではないことです。ピッチ制御とハードウェア手法には欠点があるため、LVRT 機能は、DFIG コンバータ制御の基準制御値の変更に相当する DFIG コンバータ制御を修正することによって改善できます24。修正された DFIG コンバータ制御方法は、実装の容易さ、低コスト、通常動作への簡単な切り替え、DFIG が常に制御下にあるなどの利点があるため、LVRT 改善にとって最もコスト効率の高い技術です30、33、34、35。

最近の文献では、DFIG ベースの WECS の LVRT 機能を強化するために、最近の修正された制御アプローチが提案されています。参考文献 20 では、A. Tilli et al. 非線形制御理論の議論に基づいて、バックツーバックコンバータ用の新しい修正制御を導入しました。提案された解決策は、ロータ側コンバータのトリップを防ぐためにロータの過電流を回避するためにフィードバック項とフィードフォワード項の両方を採用しています。提案された方法の利点は、堅牢性、追加の振動減衰の提供、および追加の保護ハードウェアの支援が最小限であることです。参考文献 36 では、MAS Ali et al. LVRT 能力を向上させるために、DC リンク電圧の変動とローターの過電流を抑制するローターコンバーターの修正された制御を発表しました。回転子電圧の基準には、DFIG ベースの WECS の動的動作を強化するために追加の電圧項が注入されます。電圧項は電流ループの外側に導入されるため、電流ループの安定性に影響はありません。さらに、故障時に発生する電磁トルク変動も大幅に低減されます。参考文献 4 では、MK Senapati et al. は、系統故障の場合に DFIG の LVRT 能力を改善するための修正された減磁制御方法を提案しました。減磁制御と DFIG ステータ側の外部抵抗を採用することにより、提案された制御手法は調整された方法で実現されます。 LVRT の改善は、減磁制御によって固定子磁束の DC 成分を減衰し、外部抵抗によって過渡磁束減衰を加速することによって達成できます。この提案された方法の主な利点は、より優れた動的応答、セキュリティ運用の改善、電力システムの安定性の強化、および風力エネルギーのより高い浸透による LVRT 機能の達成です。参考文献 34 では、G. Manohar et al. DFIG ベースの WECS の LVRT 機能を改善するためのハイブリッドアプローチベースの制御モデルを発表しました。ハイブリッド手法では、ランダムフォレストアルゴリズムの実行と修正されたゾウ飼育アルゴリズムを組み合わせます。利用可能な検索空間とトレーニングデータセットの作成からの最適なソリューションは、電流、電圧、有効電力と無効電力などの LVRT に関連する複数のパラメーターを考慮する、修正されたゾウ飼育アルゴリズムによってオフラインで特定されます。参考文献 37 では、R. Hiremath と T. Moger が、電圧ディップ条件下での LVRT を改善するために修正されたスーパーツイストアルゴリズムを導入しました。提案された方法は、DFIG ベースの WECS を制御するために 2 次スライディングモードを採用します。提案された方法により、単一風力タービン DFIG システムと過渡条件下での実際の風力発電所の LVRT 能力が向上することがわかりました。参考文献 38 では、G. Manohar et al. DFIG ベースの WECS の LVRT 機能を強化するために、ANFIS を使用した肥沃なフィールドアルゴリズムと運動量探索アルゴリズムに基づくハイブリッドシステムを提案しました。最適化手法は、LVRT に関連する目的関数を解決するために使用されます。ローター側とグリッド側のコンバーターに対する、より可能性の高い制御信号が AFIS によって実行および予測されます。提案された方法は、LVRT 機能を向上させるだけでなく、電圧とシステムの不安定性の問題を解決できます。参考文献 39 では、A. Chakraborty と T. Maity が、DFIG ベースの WECS の LVRT 改善のための適応ファジーロジックコントローラーの新しいアプリケーションを紹介しました。カスケード適応ファジーロジック制御を採用してローター側とグリッド側のコンバーターを調整し、DFIG ベースの WECS 性能を強化します。提案された方法は、LVRT の強化をもたらす深刻な外乱中に、スムーズな無効電力と有効電力を系統に供給できます。

非線形問題や非連続問題であることが多い、広範囲にわたる複雑な工学問題を解決するために、さまざまな最適化手法が提案されています。数学的手法と比較したこれらのアルゴリズムの主な利点は、実装の容易さ、柔軟性、堅牢性、計算効率です40、41、42、43。 AFIS コントローラーは、複数入力、単一出力、および非線形システムの制御に使用されます。 AFIS コントローラーには、ファジーロジックとニューラルネットワークの両方の利点があります。 AFIS コントローラーを実装する主な利点は、パフォーマンスの向上、システムの数学的モデルが不要であること、設計が実際のシステムデータに依存すること、および調整の労力が少なくて済むことです25、28、44、45、46、47、48、49、50。

文献レビューから、LVRT 能力を向上させるには、グリッド電圧低下時のローター過電流を確実に防止するローター電圧の基準値を取得することが重要であることが明らかです。したがって、この論文は、この研究点における追加の貢献を示し、次のように要約できます。 (i) 4 m/s から 25 m/s までの広い範囲の風速および風速でのローター電圧とピッチ角の最適値を取得する。固定子電圧の異なる値、(ii)。これらの最適値により、DFIG はステーターとローター電流の定格値を超過することなく、許容最大出力を確実に開発できます。 (iii) ローター電圧とピッチ角の最適値をトリミングするために 2022 年に開発される新しいオプティマイザーとしての BO と DTA の適用(iv) あらゆる固定子電圧と風速に対して最適な回転子電圧とピッチ角を迅速に予測できる AFIS コントローラーを開発します。 BO の結果は、他の 2 つの最適化方法によって検証されます。そのうちの 1 つはよく知られた最適化アルゴリズム (PSO) であり、参考文献 51 で詳しく説明されています。

この文書の残りの部分は次のように構成されています。風力タービンの空気力学モデルは、「風力タービンの空気力学モデル」セクションで紹介されており、すべての動作風速に対する風力タービンのピッチ角の値を取得します。これらの値は、DFIG のステーターとローターの電流が影響を受けないことを保証する風力タービンの最大出力値を提供します。定格値を超えています。「DFIG 定常状態モデル」セクションでは、鉄損を考慮した DFIG の電気的定常状態モデルについて説明します。これは、送電網をサポートするために送電網に最大無効電力を供給しながら LVRT 機能を達成するために、DFIG の注入ロータ相電圧の値を取得するためのものです。電圧低下時の電圧。一方、セクション「Bonobo オプティマイザー」では、定常状態の DFIG 方程式を使用して DFIG のローター相電圧の最適値を切り出し、風力タービン方程式を使用して風力タービンのピッチ角を切り出すことにより、これらの目標を達成するために使用される BO の説明を示します。 LVRT 能力を達成するための注入ローター電圧とピッチ角の基準値の結果は、「結果と考察」セクションに示されています。次に、セクション「AFIS コントローラ」では、ステータ電圧のディップや風速に対するロータ電圧とピッチ角の値を予測するために、AFIS に基づいて提案されたコントローラを紹介します。最後に、「結論」セクションでこの文書を締めくくります。

ベッツの法則 52 によれば、風力タービンによって利用可能な空気動力の最大可能割合は 59.26% です。風力タービンは、風から運動エネルギーを取得し、それを風力発電機の駆動に使用される機械動力に変換するために使用されます。風力タービンのモデルは次のように与えられます53,54,55,56:

ここで、\({P}_{タービン}\)、\({C}_{p}\)、\(\rho \)、\(R\)、\({V}_{w}\)、 \(\lambda \)、\(\beta \)、\({\omega }_{T}\) は、風力タービンによって捕捉された電力、電力係数、空気密度、風力タービンのブレード半径、風速です。、先端速度比、ピッチ角、風力タービン回転速度をそれぞれ表します。図 1 は、いくつかの風速における風力タービンの出力と回転速度の変化を示しており、風力タービンの出力が風速とその回転速度の影響を受けることを示しています22,57。

風力タービンは、さまざまな風速の下で回転速度で電力を供給します。

図 2 に示すように、風力タービンは 4 つの動作領域で動作します。風力タービンは、カットイン風速を下回る風速では発電しません。適切なヨー角およびピッチ角制御方法の実行に加えて、最大電力点追跡技術を使用することにより、風速がカットイン風速を超えて増加したときに、風力タービンが可能なピーク電力を生成できるようになります。ピッチ角コントローラは、風速が定格速度を超えたときにブレードのピッチ角を調整し、風力タービンの出力を定格値に制限して風力タービンを損傷から保護するために使用されます。風力タービンのローターブレーキは、カットアウト風速を超える風速で作動し、風力タービンを保護するためにそれ以上の発電を停止します58、59、60。

風力タービンの出力と風速特性。

DFIG の定常状態の電気等価回路は、図 3 に示すように理想的に単純化できます。定常状態の DFIG モデルでは、鉄損が考慮されています。モーターは正方向を選択します。固定子電圧のベクトルは、角度がゼロの基準電圧として選択されます。 Rs、Rr、Rm はそれぞれ、位相ステータ抵抗、ステータを基準とした位相ロータ抵抗、および磁化抵抗です。 \({L}_{\sigma s}\)、\({L}_{\sigma r}\)、\({L}_{m}\) はステータの漏れインダクタンス、ステータを基準としたロータの漏れインダクタンスです。、励磁インダクタンスをそれぞれ表します。 \({\omega }_{s}\)、\({\omega }_{r}\)、S はそれぞれ固定子角周波数、回転子角周波数、滑りです。 Vs、Vr、\(\theta \) はそれぞれ、固定子電圧の大きさ、固定子を基準とした回転子電圧の大きさ、および回転子電圧角度です。 Is、Ir はそれぞれ固定子電流と基準回転子電流です12、61、62、63、64。

DFIG 定常状態モデルの各相の等価回路。

DFIG の定常状態方程式は次のように考えることができます。ステータとロータの電流方程式は次のように考えることができます65:

ステータとロータの有効電力と無効電力は次のとおりです65、66:

ここで \({L}_{s}=\) \({L}_{m}+ {L}_{\sigma s}\)、\({L}_{r}\) = \({ L}_{m}+ {L}_{\sigma r}\), \(\sigma =1-\frac{{L}_{m}^{2}}{{L}_{s}{ L}_{r}}\)、\({K}_{1}=\frac{{R}_{s}{R}_{r}}{\sigma {L}_{s}{L }_{r}}-{\omega }_{s}{\omega }_{r}\)、\({K}_{2}=\frac{{\omega }_{s}{R} _{r}}{\sigma {L}_{r}}+\frac{{\omega }_{r}{R}_{s}}{\sigma {L}_{s}}\)、 \(m={tan}^{-1}(-\frac{{K}_{2}}{{K}_{1}})\), M=\(\sqrt{\frac{1} {{K}_{1}^{2}+{K}_{2}^{2}}}\)、\({a}_{s}=\sqrt{\frac{{R}_{ s}^{2}}{\sigma {L}_{s}}+{\omega }_{s}^{2}}\), \({a}_{r}=\sqrt{{( \frac{{R}_{r}}{\sigma {L}_{r}})}^{2}+{\omega }_{r}^{2}}\), \({b} _{s}={tan}^{-1}(\frac{\sigma {L}_{s}{\omega }_{s}}{{R}_{s}})\), \( {b}_{r}={tan}^{-1}(\frac{\sigma {L}_{r}{\omega }_{r}}{{R}_{r}})\) 、\({c}_{s}=\frac{{R}_{s}{L}_{m}}{\sigma {L}_{s}{L}_{r}}\),そして \({c}_{r}=\frac{{R}_{r}{L}_{m}}{\sigma {L}_{s}{L}_{r}}\)

DFIG の機械動力と動力損失の式は次のとおりです65:

BO は、より最近のインテリジェントなヒューリスティック最適化手法の 1 つです。 Das と Pratihar67 によって開発されました。これは、ピグミーチンパンジーとしてよく知られるボノボの社会的行動と生殖技術の多くの興味深い側面をシミュレートします。ボノボは、最初に分裂タイプが発生し、次に融合タイプが発生する、分裂と融合の種類の社会構造を持っています。分裂型の場合、さまざまな構成とサイズを持ついくつかのグループに分かれ、領土内を移動します。融合型の場合、コミュニティのメンバーと再び融合して特定の活動を実行します。完璧な社会的調和を維持するために、ボノボは無差別交配、制限的交配、配偶者交配、集団外交配といった 4 つの異なる繁殖方法を持っています。自己調整パラメータを使用した探索技術は、さまざまな問題を解決する際の複数の状態に効率的に対処できるように開発されています。さらに、核分裂融合技術は、交配相手を選択するために使用されるメタヒューリスティックアルゴリズムの新しい方法です。図 468、69 に示すように、これらの自然な手法は、最適化問題を解決するために BO で数学的にモデル化されます。

BOのフローチャート。

当初、BO にはポジティブな状況とネガティブな状況の 2 つの状況が含まれます。ポジティブな状況は、平和な生活環境に最も適しています。一方、否定的な状況は、平和で良好な生活のための前述の条件が欠如していることを示します。各反復では、BO はパラメータを初期化することから始まります。 Bo パラメーターには、ユーザー定義パラメーターと非ユーザー定義パラメーターの 2 つのタイプがあります。ユーザー定義のパラメーターは、母集団サイズ (N)、反復数 (it) です。 BO は 2 つの母集団サイズで動作するアルゴリズムです。一定の集団サイズとランダムな集団初期化。一方、位相確率 (\({P}_{p}\))、グループ外交配確率 (\({P}_{xgm}\))、正などの BO のユーザー定義以外のパラメーターは、位相カウント (\(ppc\))、負の位相カウント (\(npc\))、一時的なサブグループサイズ係数 (\({tsgs}_{factor}\))、および方向確率 (\({P} _{d}\))。次に、すべてのボノボの客観値を推定して、現在の状態で集団内のすべてのボノボの中で最良の解であるアルファボノボ (\({\alpha }_{Bo}\)) を特定します。停止基準が達成されない間は、ボノボの核分裂・融合社会戦略を利用して別のボノボが選択され、交尾に参加します。採用される交配戦略は状況のタイプに応じて異なります。肯定的な状況では、制限的交配または無差別交配の確率が高くなります。一方、グループ外またはコンソートシップのいずれかの可能性は、否定的な状況の方が高くなります。特定の状況で両方のタイプの嵌合技術に同等の重要性を与えるために、\({P}_{d}\) の値は最初は 0.5 に設定されます。ただし、その値はフェーズカウント数と現在の状況に基づいて更新されます。 \({P}_{p}\) の値は、肯定的な状況では 0.5 から 1 の間になります。一方、負の状況では \({P}_{p}\) の値は 0 から 0.5 の間になります。 (0, 1) の範囲にある乱数 (r) が \({P}_{p}\) 以下の場合、式 (1) による制限交配または無差別交配によって新しいボノボが作成されます。 (15):

ここで、 \({Bo\_new}_{j}\) と \({\alpha }_{Bo}^{j}\) は、子孫とアルファボノボの \({j}\) 番目の変数です。それぞれ。 j は 1 から d に変化します。ここで、d は、指定された最適化問題の変数の総数です。 \({Bo}_{j}^{i}\) と \({Bo}_{j}^{p}\) は、\({i}\ の \({j}\) 番目の変数を表しますそれぞれ、) 番目と \({p}\) 番目のボノボです。 \({r}_{1}\) は、0 から 1 までの範囲で生成される乱数です。 scsb と scab は、それぞれ、選択された p 番目のボノボと \({\alpha }_{Bo}\) の係数を共有します。 \(g\) は 1 または -1 の 2 つの値のみを取ります。 r が \({P}_{p}\) 以上の場合、式 1、2、3 からの方程式を使用して、グループ外またはコンソートシップ交配技術によって新しいボノボが作成されます。 (16)から(22)まで。範囲 (0, 1) 内の別の乱数 (r2) が \({P}_{xgm}\) 以下の場合、グループ外交配技術によって新しいボノボが生成されます。

ここで、 \({\tau }_{1}\) と \({\tau }_{2}\) は、 \({Bo\_new}_{j}\) の値を決定するために使用される 2 つの中間測定値です。 r3 は乱数です。 \({r}_{4}\) は 0 から 1 までの乱数であり、0 には等しくありません。r5 と r6 は 0 から 1 までの 2 つの乱数です。 \({Var\_min}_{j}\ ) と \({Var\_max}_{j}\) は、それぞれ \({j}\) 番目の変数に対応する下限と上限の値です。次に、 \(Bo\_new\) の適応度値が \({Bo}^{i}\) よりも優れている場合、または 0 と 1 の間の乱数が \({P} 以下である場合） _{xgm}\)、\(Bo\_new\) は受け入れられます。さらに、ボノボ集団内の \({Bo}^{i}\) が新しいものに置き換えられます。ただし、 \(Bo\_new\) の適応度値が \({\alpha }_{Bo}\) の適応度値と比較して優れていることが判明した場合、 \(Bo\_new\) は \( {\alpha }_{Bo}\)。最後に、現在の反復の \({\alpha }_{Bo}\) の適合度値が前の反復の適合度よりも優れている場合、BO のパラメーターが変更されます。

この論文で使用されている風力タービンと DFIG のパラメータを表 1 に示します。この論文では、MATLAB ソフトウェアを使用して、DFIG と風力タービンの解析定常状態モデルを開発しています。注入されるローター電圧、風力タービンのピッチ角、および最大 DFIG 機械出力の最適な大きさと角度は、3 つの最適化手法によって得られます。 BO、DTA、PSO では、ステーター電圧が 0.2 \({V}_{s}^{rated}\) から 0.9 \({V}_{s} に低下する際に、ステーターとローターの電流が定格値よりも小さくなります) ^{rated}\) は、風速 (4 ～ 25 m/s) のすべての値で 0.1 ステップで計算されます。

最適化目的関数 (\({OF}_{1}\)) は、式 1 に示すように、DFIG 機械動力と固定子無効電力の合計を最小化します。ここで、符号は風速ごとに負になります。 (23)。目的関数は、ローター電圧の大きさと角度という 2 つの入力変数の変化によって達成されます。

実行可能な解決策の場合、ペナルティはゼロに等しくなります。目的関数の不等制約は、式 1 に示されています。 (24)。

ここで、\({P}_{mech}\) は DFIG 機械動力、\({I}_{{s}_{rated}}\) および \({I}_{{r}_{rated}} \) はそれぞれステーターとローターの定格値、\({P}_{t\_max}\) は特定の風速における最大許容風力タービン出力です。ステータ電圧が 0.2 \({V}_{s}\) から 0.9 \({V}_{s}\) に低下したときに、ステータとロータの電流が定格値を超えないようにする最大の DFIG 機械出力を取得した後風速のすべての値 (4 ～ 25 m/s) で、3 つの最適化方法を使用して、風力タービンの出力が DFIG の最大機械出力と等しくなる基準風車ピッチ角を取得します。 4 ～ 25 m/s のすべての風速で基準ピッチ角を取得するために使用される目的関数は次のとおりです。

ここで、\({P}_{turbine}\) は風力タービンの出力、\({P}_{mech\_max}\) は \({OF}_{1}\) から得られる最大 DFIG 機械出力です。。結果の正確性を保証するために、3 つの最適化アルゴリズムの結果が比較されます。 3 つの最適化戦略のそれぞれを使用して 50 回の試行を行った後、目的関数が最も低い最適なソリューションが選択されます。 3 つの最適化手法の場合、反復数と母集団サイズはそれぞれ 200 と 1000 です。表 2 は、3 つの最適化手法のパラメーター設定を示しています。一方、表 3 は、固定子電圧が \({0.9V}_{s}^ に低下した場合の、風速 12 m/s における \({OF}_{1}\) に対する 3 つの最適化手法の結果の統計を示しています。 {評価済み}\)。表 4 は、風速 12 m/s および \({V}_{s}\)=\({0.9V}_ における \({OF}_{2}\) の 3 つの最適化手法の結果の統計を示しています。 {s}^{評価}\)。図 5 と図 6 は、固定子電圧が \({0.9V}_{s}^{rated}\) から \({0.2V}_{s}^{rated} に低下した場合の風速に対する DFIG の特性を示しています。 \) すべての風速範囲にわたって。図 7 は、固定子電圧が \({0.9V}_{s}^{rated}\) から \({0.2V}_{s}^{rated}\ に低下した場合の風力タービンの特性と風速を示しています。 ) すべての風速範囲にわたって。表 5、6、および 7 は、\({V}_{w}\)= 12 m/s および \({0.9V}_{s}^{ から変化する固定子電圧における 3 つの最適化方法の DFIG 特性の比較を示しています)評価済み}\) から \({0.2V}_{s}^{評価済み}\) まで。

風速 Vs = \({0.2V}_{s}^{rated}\) ～ \({0.9V}_{s}^{rated}\) における DFIG 特性 (a) ローター電圧の大きさ (b)回転子電圧角 (c) DFIG 機械的出力 (d) 固定子無効電力。

風速 Vs = \({0.2V}_{s}^{rated}\) ～ \({0.9V}_{s}^{rated}\) における DFIG 特性 (a) 固定子有効電力 (b)回転子有効電力 (c) 固定子電流 (d) 回転子電流。

\({V}_{s}\) = \({0.2V}_{s}^{rated}\) ～ \({0.9V}_{s}^{rated} の風速での風力タービンの特性\) (a) 風力タービンの出力 (b) 風力タービンのトルク (c) 風力タービンの回転速度 (d) 出力係数 (e) 先端速度比 (f) ピッチ角。

結果から、3 つの最適化手法は非常に近い結果をもたらし、ピッチ角とローター電圧値のこれらの解決策が最適な解決策であることが証明されています。これらの得られた最適なローター電圧とピッチ角により、ローターとステーターの電流が定格電流を超えないことを保証し、電圧低下時に系統電圧をサポートする最大のステーター無効電力を提供するという、この LVRT 機能の 2 つの目標が達成されます。したがって、LVRT 能力は、DFIG コンバータコントローラでこれらの基準ピッチ角と回転子電圧を使用することによって改善できます。結果は、風速が定格風速近くに達するまで、ステーター電圧ディップの増加と風速の増加に伴ってローター電圧の大きさが減少し、定格風速を超える風速ではローター電圧がわずかに増加し、その後固定されることを示しています。。一方、ローター電圧角は、風速が定格値より低い場合は約 0° ～ 12°、風速が定格より高い場合は約 -144° ～ -167°になります。電圧低下により、DFIG の最大機械出力は、通常の状態では 2.4 MW ではなく 1.7 MW に減少しました。一方、最大固定子電力は 2 MW ではなく 1.45 MW に減少しました。固定子無効電力は、固定子電圧ディップと風速のすべての範囲で、固定子電圧ディップが増加するにつれて減少します。ローター電流は、ステーターの電圧降下と風速の全範囲に対して定格値 (1823 A) で一定です。一方、ステータ電流は定格値 (1760 A) よりも低くなります。ピッチ角値の範囲は、固定子電圧ディップと風速のすべての範囲で約 0° ～ 35° です。

グリッド電圧の低下に応じたローター電流およびステーター電流に対するローター電圧の過渡的挙動を表示するには、Simulink-Matlab の DFIG の動的モデルが使用され、最適化手法から取得されたローター電圧の値がローター。図 8 は、固定子電圧が \({0.7V}_{s}^{rated}\) および \({0.4V}_{s} に低下したときの風速 12 m/s における回転子電流と固定子電流の波形を示しています。 ^{評価}\)。ローター電流とステーター電流の波形は、最適化技術から得られる定常状態の電流値に達します。

\({V}_{W}\)=12 m/s、\({V}_{s}\) = \({0.7V}_{s}^{rated}\) での DFIG 波形\({V}_{W}\)=12 m/s、\({V}_{s}\) = \({0.4V}_{s}^{定格}\) (a) ローター電圧(b) 回転子電流 (c) 固定子電流。

この記事には、著者らによる動物を使った研究は含まれていません。

ニューラルネットワークとファジーロジックの組み合わせにより、複雑な問題解決や非線形アプリケーションに広く推奨されている AFIS が生成されました。メンバーシップ関数を大幅に変更することで必要な性能を得ることができるからである。ファジーロジックは、ファジー集合理論、ファジー if-then ルール、および情報の粒度や不正確さに対処する近似推論の重要な原則を提供します。ニューラルネットワークは、層間の相互接続を調整することで適応および学習することができます。このメソッドの組み込みは 2 レベルのアプローチであり、最初のレベルでモデル化されたシステムの入出力データから抽出されたルールを使用して、初期ファジーモデルとその入力変数が導出されます。次に、次のレベルで初期ファジーモデルルールを微調整するためにニューラルネットワークが使用され、システムの最終的な AFIS モデルの作成につながります70、71、72。

提案されたコントローラで AFIS を採用する主な利点は、変化する風速または固定子の DFIG 電圧に対応するための収束時間が速いことです。 BO アルゴリズムによって、噴射ローター電圧と風力タービンのピッチ角の最適な大きさと角度を取得した後、これらの値は AFIS コントローラーのトレーニングに使用されます。図 9 に示すように、出力が 3 つあるため、使用される提案された AFIS 構成は 3 つの AFIS コントローラーになります。最初の AFIS コントローラーの出力は、注入された DFIG ローター電圧の大きさの値です。一方、2 番目の AFIS コントローラーの出力は注入された DFIG ローター電圧の角度値であり、3 番目の AFIS コントローラーの出力は風力タービンのピッチ角です。風速と固定子の DFIG 電圧は 3 つの AFIS コントローラーに入力されます。表 8 は、3 つの AFIS コントローラーのトレーニングパフォーマンスを示しています。表 9 は、AFIS コントローラーのトレーニングでは使用されない特定の風速と固定子電圧における、提案された AFIS コントローラーと BO アルゴリズムの結果の比較を示しています。結果は、提案された AFIS コントローラーと BO アルゴリズムが非常に近い結果を与えることを示し、これは提案された AFIS コントローラーの有効性を証明します。

提案された AFIS 構成。

LVRT 機能を達成するために、この文書では、注入される DFIG ローター電圧の最適な基準の大きさと角度の値、およびローターとステーターの電流が定格値を超えず、最大の出力を確実に提供するために可能な限り最大の DFIG 機械的出力を提供する基準ピッチ角を導入しました。すべての動作風速における障害時に系統電圧をサポートするための無効電力。最近の最適化アルゴリズム。 BO は論文の目的を達成するために使用されました。結果の正確性を確認するために、BO の結果を他の 2 つの最適化アルゴリズムと比較しました。 PSOとDTA。 3 つの最適化アルゴリズムにより非常に近い結果が得られ、ローター電圧値とピッチ角のこれらの解が、いかなる風速やステーター電圧のディップでも最適なソリューションであることが証明されました。ロータ電圧の大きさは一般に、ステータ電圧ディップの増加とともに減少し、その範囲はステータ電圧ディップおよび風速の全範囲に対して約 0 ～ 210 V であると結論付けられます。一方、ローター電圧角度は約 12° ～ -167°、ピッチ角値の範囲は約 0° ～ 35° です。電圧低下により、DFIG の最大機械出力は、通常状態では 2.4 MW ではなく 1.7 MW に減少しました。一方、最大固定子電力は 2 MW ではなく 1.45 MW に減少しました。ステーターとローターの電流は、ステーターの電圧降下と風速のすべての範囲で定格値を超えません。 ANFIS コントローラは、ステータ電圧のディップや風速に応じて、ロータ電圧と風力タービンのピッチ角の値を予測するための適応コントローラとして採用されました。 2.4 MW 風力タービンモデルと鉄損を考慮した DFIG の定常状態モデルを備えた提案されたコントローラーを研究し、Matlab 環境を使用してシミュレーションしました。 AFIS コントローラーは、BO の結果と比較して許容可能な結果を達成しました。

この研究の結果を裏付けるデータは、合理的な要求に応じて責任著者から入手できます。

風力エネルギー変換システム

二次励磁誘導発電機

低電圧ライドスルー

Bonobo オプティマイザー

運転訓練オプティマイザー

粒子群オプティマイザー

適応ニューロファジー推論システム

風力タービンの捕捉電力 (W)

風力タービンの出力係数

空気密度

風車ブレード半径 (m)

風速 (m/s)

カットイン風速 (m/s)

定格風速(m/s)

カットアウト風速(m/s)

先端速度比（rad）

ピッチ角(°)

風力タービン回転速度 (rad/s)

相固定子抵抗 (\(\Omega \))

ステーターを基準とした位相ローター抵抗 (\(\Omega \))

磁化抵抗 (\(\オメガ \))

漏れステータインダクタンス (H)

ステーターを基準としたロータの漏れインダクタンス (H)

励磁インダクタンス(H)

ステータ角周波数 (rad/s)

ローター角周波数 (rad/s)

スリップ

極数

固定子電圧の大きさ (V)

回転子の基準電圧の大きさ (V)

ローター電圧角度 (°)

ステータ電流(A)

ローター換算電流(A)

有効ステータ電力 (W)

ステータ無効電力 (W)

アクティブローター出力 (W)

ローター無効電力 (W)

DFIG 機械出力 (W)

鉄損(W)

固定子銅損(W)

ローター銅損(W)

Pradhan, PP および Subudhi, B. 風力エネルギー変換システム用の ARMAX-DFIG モデルベースの適応コントローラー。風工学 46、12–22。 https://doi.org/10.1177/0309524X211000718 (2021)。

記事 Google Scholar

Sahu, S. & Behera, S. 風力エネルギー変換システムにおける最新の制御アプリケーションに関するレビュー。エネルギー環境。 33、223–262。 https://doi.org/10.1177/0958305X21995929 (2021)。

記事 Google Scholar

Barra、PHA、de Carvalho、WC、Menezes、TS、Fernandes、RAS、および Coury、DV 高出力エネルギー貯蔵システムを使用した風力発電の平滑化に関するレビュー。更新します。持続する。エネルギー改訂 137、110455。https://doi.org/10.1016/j.rser.2020.110455 (2021)。

記事 Google Scholar

Senapati, MK、Pradhan, C.、Nayak, PK、Padmanaban, S. & Gjengedal, T. DFIG ベースの風力システムにおける低電圧ライドスルー強化のための修正された減磁制御戦略。 IET 更新。発電機。 14、3487–3499。 https://doi.org/10.1049/iet-rpg.2019.1128 (2020)。

記事 Google Scholar

Priyavarthini, S.、Nagamani, C.、Ilango, GS & Rani, MAA DVR を備えた系統接続風力発電所におけるサグ/うねり緩和と無効電力サポートを同時に行うための制御の改善。内部。Ｊ．Ｅｌｅｃｔｒ．電力エネルギーシステム 101、38–49。 https://doi.org/10.1016/j.ijepes.2018.03.016 (2018)。

記事 Google Scholar

Tripathi、SM、Tiwari、AN、Singh、D。系統統合型風力発電システムにおける PMSG の ω および T 制御による低電圧ライドスルーの強化。 IETジェネレーター。トランスミット。配布します。 13、1979 ～ 1988 年。 https://doi.org/10.1049/iet-gtd.2018.6275 (2019)。

記事 Google Scholar

Yang, B.、Yu, T.、Shu, H.、Dong, J. & Jiang, L. 非線形摂動オブザーバーによる最適な電力抽出のための風力エネルギー変換システムの堅牢なスライディングモード制御。応用エネルギー 210、711–723。 https://doi.org/10.1016/j.apenergy.2017.08.027 (2018)。

記事 Google Scholar

Raghavendran, CR、Roselyn, JP、Sowmmya, U.、Devaraj, D. グリッド接続された DFIG ベースの WECS における効果的な電力伝送と低次数一般化積分器シーケンスに基づく故障ライドスルー戦略。内部。Ｊ．Ｅｌｅｃｔｒ．電力エネルギーシステム 130、106809。https://doi.org/10.1016/j.ijepes.2021.106809 (2021)。

記事 Google Scholar

マヘラ、OP、シャイク、AG グリッドインターフェース風力発電システムの包括的な概要。更新します。持続する。エネルギー改訂 57、260–281。 https://doi.org/10.1016/j.rser.2015.12.048 (2016)。

記事 Google Scholar

Kumar, V.、AS、Pandey、SK シンハ、AFIS 制御の STATCOM を使用した DFIG ベースの風力発電統合電力システムの安定性の向上。エネルギー 13、4707。https://doi.org/10.3390/en13184707 (2020)。

記事 Google Scholar

Aydin, E.、Polat, A. & Ergene LT 風力発電アプリケーションにおける DFIG のベクトル制御。 2016 年の再生可能エネルギーの研究と応用に関する IEEE 国際会議 (ICRERA)、478–483 (2016)。 https://doi.org/10.1109/ICRERA.2016.7884383

ハヌーン、NMS 他一般的なコンデンサに基づいた 3 レベル STATCOM と、ゼロ電圧障害ライドスルー機能を実現する DFIG コンバータの設計。 IEEE アクセス 9、105153 ～ 105179。 https://doi.org/10.1109/ACCESS.2021.3098187 (2021)。

記事 Google Scholar

Sompracha, C.、Jayaweera, D.、Tricoli, P. 風力タービン用二次給電誘導発電機のエネルギー効率を向上させる粒子群最適化技術。 J.Eng. 2019、4890–4895。 https://doi.org/10.1049/joe.2018.9348 (2019)。

記事 Google Scholar

Chen, H.、Zuo, Y.、Chau, KT、Zhao, W. & Lee, CHT 風力発電用の最新の電気機械とドライブ: 機会と課題のレビュー。 IET 更新。発電機。 15 年、1864 ～ 1887 年。 https://doi.org/10.1049/rpg2.12114 (2021)。

記事 Google Scholar

Gupta, S. & Shukla, A. コンバータ間で無効電力を最適に共有するためのアルゴリズムを使用して、DFIG 駆動風力タービンの動的モデリングを改善しました。持続する。エネルギー技術評価。 51、101961。https://doi.org/10.1016/j.seta.2022.101961 (2022)。

記事 Google Scholar

Liu, R.、Yang, E.、Chen, J.、Niu, S. 二次励磁誘導発電機における新しい軸受電流抑制アプローチ。 IEEE アクセス 7、171525 ～ 171532。 https://doi.org/10.1109/ACCESS.2019.2955803 (2019)。

記事 Google Scholar

Marques, GD & Iacchetti, MF DC ネットワークの DFIG トポロジー: 制御および設計機能のレビュー。 IEEEトランス。パワーエレクトロン。 34、1299–1316。 https://doi.org/10.1109/TPEL.2018.2829546 (2019)。

記事 ADS Google Scholar

Radaideh, A.、Bodoor, MM および Al-Quraan, A. 最適なゲインスケジューリングを備えた LQR コントローラーを使用した、風力タービンベースの DFIG の有効電力および無効電力制御。Ｊ．Ｅｌｅｃｔｒ．計算します。工学 2021、1218236。 https://doi.org/10.1155/2021/1218236 (2021)。

記事 Google Scholar

フスト、JJ、ムワシル、F. & ユング、J.-W. 二重給電誘導発電機ベースの風力タービン: 故障ライドスルー戦略の包括的なレビュー。更新します。持続する。エネルギー改訂 45、447–467。 https://doi.org/10.1016/j.rser.2015.01.064 (2015)。

記事 Google Scholar

Tilli, A.、Conficoni, C. & Hashemi, A. 過酷な平衡および不平衡電圧低下下での二次給電誘導発電機の効果的な制御ソリューション。コントロール。工学練習してください。 84、172–182。 https://doi.org/10.1016/j.conengprac.2018.11.014 (2019)。

記事 Google Scholar

Hossam-Eldin、AA、Negm Abdallah、E.、Elgamal、MS & AboRas、KM 並列スイッチ型フィードバック制御 DVR を使用した、系統接続 THIPWM 起動の DCMLI ベースの DFIG の障害ライドスルー。 IET Gen. Transm. 配布します。 14、945–954。 https://doi.org/10.1049/iet-gtd.2019.0215 (2020)。

記事 Google Scholar

Tian, J.、Su, C.、Chen, Z. 二重給電誘導発電機を備えた風力タービンの無効電力能力。 IECON 2013 — IEEE Industrial Electronics Society の第 39 回年次会議、5312–5317 (2013)。 https://doi.org/10.1109/IECON.2013.6699999。

アスガー、R.ら。系統故障時の低電圧ライドスルー強化と DFIG-WT の無効電力サポートのために、スイッチタイプの故障電流制限器を修正しました。 IET 更新。発電機 14、1481 ～ 1490 年。 https://doi.org/10.1049/iet-rpg.2019.1058 (2020)。

記事 Google Scholar

Ali、MAS、Mehmood、KK、Baloch、S.、Kim、C.-H. DFIG ベースの WECS の LVRT 機能を向上させるためにローター側コンバーター制御設計を変更しました。電力システム解像度 186、106403。https://doi.org/10.1016/j.epsr.2020.106403 (2020)。

記事 Google Scholar

Elsisi, M.、Tran, MQ、Mahmoud, K.、Lehtonen, M. & Darwish, MMF 風力エネルギー変換システム用の、風速変動に対する AFIS ベースのブレードピッチコントローラーの堅牢な設計。 IEEE アクセス 9、37894 ～ 37904。 https://doi.org/10.1109/ACCESS.2021.3063053 (2021)。

記事 Google Scholar

Vidal, J.、Abad, G.、Arza, J.、Aurtenechea, S. 高出力二次給電誘導発電機ベースの風力タービンを実現する低電圧ライド用の単相 DC クローバートポロジ。 IEEEトランス。エネルギー変換者。 28、768–781。 https://doi.org/10.1109/TEC.2013.2273227 (2013)。

記事 ADS Google Scholar

Sava, GN、Costinas, S.、Golovanov, N.、Leva, S. & Quan, DM DFIG 風力タービンのアクティブバール保護スキームの比較。 2014 年の第 16 回高調波と電力品質に関する国際会議 (ICHQP)、669–673 (2014)。 https://doi.org/10.1109/ICHQP.2014.6842860。

Noureldeen, O. & Hamdan, I. 適応ニューロファジィ推論システムを使用した DFIG 風力エネルギー変換システムの故障タイプ保護技術に基づく新しい制御可能なバール。守る。最新の電源システムを制御します。 3、35。 https://doi.org/10.1186/s41601-018-0106-0 (2018)。

記事 Google Scholar

Reddy, K. & Saha, AK 二次給電誘導発電機の最適なバール設定と低電圧ライドスルーへのヒューリスティックなアプローチ。エネルギー 15、9307。https://doi.org/10.3390/en15249307 (2022)。

記事 Google Scholar

ミシガン州モサード、アレニー、A. & アブシアダ、A. 統合電力流コントローラーを使用して風力エネルギー変換システムのパフォーマンスを向上。 IETジェネレーター。トランスミット。配布します。 14 年、1922 ～ 1929 年。 https://doi.org/10.1049/iet-gtd.2019.1112 (2020)。

記事 Google Scholar

Du、KJ 他修正されたブリッジ抵抗型 SFCL を使用した DFIG ベースの風力タービンの LVRT 機能の向上。 IEEEトランス。応用スーパーコンド。 31、1-5。 https://doi.org/10.1109/TASC.2021.3091114 (2021)。

記事 CAS Google Scholar

Nasiri, M. & Arzani, A. PMSG ベースの風力タービンのブレーキチョッパーの堅牢な制御スキーム - 比較評価。内部。Ｊ．Ｅｌｅｃｔｒ．電力エネルギーシステム 134、107322。https://doi.org/10.1016/j.ijepes.2021.107322 (2022)。

記事 Google Scholar

Taveiros、FEV、Barros、LS & Costa、FB DFIG ベースの風力タービンの状態フィードバック予測制御を強化し、LVRT 性能を強化しました。内部。Ｊ．Ｅｌｅｃｔｒ．電力エネルギーシステム 104、943–956。 https://doi.org/10.1016/j.ijepes.2018.07.028 (2019)。

記事 Google Scholar

Manohar, G.、Venkateshwarlu, S.、Jaya Laxmi, A. ハイブリッドアプローチ、つまり効率的な MEHRFA 技術を使用した LVRT 強化のための DFIG ベースの風力エネルギー変換システム (WECS)。ソフトコンピューティング。 25、2559–2574。 https://doi.org/10.1007/s00500-020-05276-x (2021)。

記事 Google Scholar

Reddy, K. & Saha, AK 不均衡な系統電圧の影響を受ける二重給電誘導発電機の制御のためのデュアルベクトルおよび比例共振コントローラーの設計における群知能の利用に関する調査。エネルギー 15、7476。https://doi.org/10.3390/en15207476 (2022)。

記事 Google Scholar

Ali、MAS、Mehmood、KK、Baloch、S.、Kim、C.-H. DFIG ベースの WECS の LVRT 機能を向上させるためにローター側コンバーター制御設計を変更しました。エレクトロ。パワーシステム。解像度 186、106403。https://doi.org/10.1016/j.epsr.2020.106403 (2020)。

記事 Google Scholar

Hiremath, R. & Moger, T. DFIG 駆動風力システムの LVRT 強化のためのスーパーツイスティングアルゴリズムベースのスライディングモード制御を修正しました。エネルギー代表 8、3600–3613。 https://doi.org/10.1016/j.egyr.2022.02.235 (2022)。

記事 Google Scholar

Manohar, G.、Venkateshwarlu, S. & JayaLaxmi, A. 二次給電誘導発電機 (DFIG) ベースの風力エネルギー変換システム (WECS) における LVRT を強化するためのエリートアプローチ: FAMSANFIS アプローチ。柔らかい。計算します。 26、11315–11337。 https://doi.org/10.1007/s00500-022-07419-8 (2022)。

記事 Google Scholar

Chakraborty, A. & Maity, T. 系統接続された DFIG ベースの風力エネルギー変換システム (WECS) の LVRT 機能強化のための適応フィルタリングアルゴリズムの新しいアプリケーション。電力システム解像度 217、109179。https://doi.org/10.1016/j.epsr.2023.109179 (2023)。

記事 Google Scholar

Elhay, EA & Elkholy, MM 水循環アルゴリズムを使用したスイッチトリラクタンスモーターの最適な動的および定常状態の性能。電気学会論文誌エレクトロ。電子。工学 13(6)、882–890。 https://doi.org/10.1002/tee.22642 (2018)。

記事 Google Scholar

Bakir, H.、Merabet, A.、Dhar, RK および Kulaksiz, AA 二重給電誘導発電機風力エネルギーシステムの最適制御に基づく細菌採餌最適化アルゴリズム。 IET 更新。発電機。 14、1850 ～ 1859 年。 https://doi.org/10.1049/iet-rpg.2020.0172 (2020)。

記事 Google Scholar

マサチューセッツ州エルホリーおよびマサチューセッツ州エルハメード粒子群最適化技術に基づいて印加電圧と周波数を制御することによる三相誘導モーターのブレーキ。内部。 J.パワーエレクトロン。ドライブシステム。 (IJPEDS) 5(4)、520–528。 https://doi.org/10.11591/ijpeds.v5.i4.pp520-528 (2015)。

記事 Google Scholar

Bakir, H.、Merabet, A.、Dhar, RK & Kulaksiz, AA 二重給電誘導発電機ベースの風力タービンの制御パラメータ最適化のための水循環技術の実験的評価。工学科学。テクノロジー。内部。 J. 24, 890–898。 https://doi.org/10.1016/j.jestch.2020.12.024 (2021)。

記事 Google Scholar

マサチューセッツ州ソリマン、HM のハサニエン、HZ のアザジ、EE エル・ホリ、SA 州マフムード系統接続された風力発電機の性能向上のためのハイブリッド AFIS-GA ベースの制御方式。 IET 更新。発電機。 12、832–843。 https://doi.org/10.1049/iet-rpg.2017.0576 (2018)。

記事 Google Scholar

Naidu, RPK & Meikandasivam, S. AFIS ベースのハイブリッド MPPT コントローラーを使用したグリッド統合型太陽光発電/風力エネルギーシステムの性能調査。 J.アンビエント。知性。ヒューマニズ。計算します。 12、5147–5159。 https://doi.org/10.1007/s12652-020-01967-3 (2021)。

記事 Google Scholar

Rahman、MMA & Rahim、AHMA ANN および AFIS ベースの風速センサーレス MPPT コントローラーの性能評価。 2016 年の第 5 回情報学、エレクトロニクス、ビジョンに関する国際会議 (ICIEV)、542–546 (2016)。 https://doi.org/10.1109/ICIEV.2016.7760062。

Bui、VT、Hoang、TT、Duong、TL & Truong、DN AFIS 制御の静的無効電力補償装置による系統接続風力発電システムの動的電圧安定性の向上。 2019 年システム科学工学国際会議 (ICSSE)、174–177 (2019)。 https://doi.org/10.1109/ICSSE.2019.8823522

Hosseini, E.、Aghadavoodi, E. & Fernández Ramírez, LM 受動的強化学習を備えたゲインスケジュールされたリカレント AFIS タイプ 2 に基づくピッチ角コントローラーによる風力タービンの応答の改善。更新します。エネルギー 157、897–910。 https://doi.org/10.1016/j.renene.2020.05.060 (2020)。

記事 Google Scholar

Elkholy, MM、Metwally, H.、Regal, GM & Sadek, MA TLBO アルゴリズムと人工ニューラルネットワークを使用した二次給電誘導発電機による風力タービンの効率的な運転。内部。 Rev.モデル。サイマル。 (IREMOS) 9, 464. https://doi.org/10.15866/iremos.v9i6.10309 (2016)。

記事 Google Scholar

Elkholy, MM、Metwally, H.、Regal, GM & Sadek, MA TLBO アルゴリズムと人工ニューラルネットワークを使用した風力タービン駆動 DFIG の最適な有効電力および無効電力制御。内部。 J.リニューアル。エネルギー技術 8、132–153。 https://doi.org/10.1504/ijret.2017.086810 (2017)。

記事 Google Scholar

Mostapha Kalami Heris、MATLAB における粒子群の最適化 (URL: https://yarpiz.com/50/ypea102-particle-swarm-optimization)、Yarpiz、2015 年。

Şen, Z. 修正された風力発電の公式と Betz 制限との比較。内部。 J.エネルギー研究所。 37、959–963。 https://doi.org/10.1002/er.2900 (2013)。

記事 Google Scholar

Slootweg, JG、de Haan, SWH、Polinder, H. & Kling, WL 電力システムダイナミクスシミュレーションで可変速風力タービンを表すための一般モデル。 IEEEトランス。パワーシステム。 18、144–151。 https://doi.org/10.1109/TPWRS.2002.807113 (2003)。

記事 ADS Google Scholar

Wang、J.ら。多変数適応スーパーツイストアプローチに基づく二次給電誘導発電機風力エネルギー変換システムの最大電力点追従制御。内部。Ｊ．Ｅｌｅｃｔｒ．電力エネルギーシステム 124、106347。https://doi.org/10.1016/j.ijepes.2020.106347 (2021)。

記事 Google Scholar

Bossoufi、B. et al. 二次給電誘導発電機風力タービンのバックステップ電力制御のためのルートツリーの最適化: dSPACE の実装。 IEEE アクセス 9、26512 ～ 26522。 https://doi.org/10.1109/ACCESS.2021.3057123 (2021)。

記事 Google Scholar

Giannakis, A.、Karlis, A. & Karnavas, YL 修正されたフェーズロックループとファジーロジックコントローラーによるセンサーレス電力制御に基づく DFIG の組み合わせ制御戦略。更新します。エネルギー 121、489–501。 https://doi.org/10.1016/j.renene.2018.01.052 (2018)。

記事 Google Scholar

Aisenhut, C.、Krug, F.、Schram, C.、Klockl, B. カットイン風速付近のシステムシミュレーション用の風力タービンモデル。 IEEEトランス。エネルギー変換者。 22、414–420。 https://doi.org/10.1109/TEC.2006.875473 (2007)。

記事 ADS Google Scholar

Chen, P.、Han, D. & Li, KC 風力発電システムの最大電力点追跡の堅牢な適応制御。 IEEE アクセス 8、214538 ～ 214550。 https://doi.org/10.1109/ACCESS.2020.3039048 (2020)。

記事 Google Scholar

Youssef, A.-R.、Mousa, HHH & Mohamed, EEM 集中検索エリアを備えた風力発電システム用の自己適応型 P&O MPPT アルゴリズムの開発。更新します。エネルギー 154、875–893。 https://doi.org/10.1016/j.renene.2020.03.050 (2020)。

記事 Google Scholar

González-Hernández, JG、Salas-Cabrera, R.、Vázquez-Bautista, R.、Ong-de-la-Cruz, LM、Rodríguez-Guillén, J. 風力エネルギー変換用の新しい MPPT PI 離散逆作動コントローラーシステム。再生可能エネルギー 178、904–915。 https://doi.org/10.1016/j.renene.2021.06.106 (2021)。

記事 Google Scholar

Elkholy, MM & Abd-Elkader, F. スカラーローター電圧制御と水循環アルゴリズムに基づく二次給電誘導モーターの最適なエネルギー節約。 COMPEL インターナショナルＪ．Ｃｏｍｐｕｔ．数学。エレクトロ。エレクトロ。工学 38、793–814。 https://doi.org/10.1108/COMPEL-05-2018-0225 (2019)。

記事 Google Scholar

Gianto, R. 潮流解析用の DFIG ベースの風力発電所の定常状態モデル。 IET 更新。発電機 15、1724 ～ 1735 年。 https://doi.org/10.1049/rpg2.12141 (2021)。

記事 Google Scholar

Wu, M. & Xie, L. DFIG ベースの風力タービンの定常状態の動作条件を計算。 IEEEトランス。持続する。エネルギー 9、293–301。 https://doi.org/10.1109/TSTE.2017.2731661 (2018)。

記事 ADS Google Scholar

Seshadri Sravan Kumar, V. & Thukaram, D. 潮流解析における二重給電誘導発電機ベースの風力発電所の正確なモデリング。電力システム解像度 155、363–371。 https://doi.org/10.1016/j.epsr.2017.09.011 (2018)。

記事 Google Scholar

Abad, G.、López, J.、Rodríguez, MA、Marroyo, L.、Iwański, G. 二重給電誘導機: 風力発電のモデリングと制御 (2011)。 https://doi.org/10.1002/9781118104965。

Yaramasu, V.、Wu, B.、Sen, PC、Kouro, S. & Narimani, M. 高出力風力エネルギー変換システム: 最先端の新技術。手順 IEEE 103、740 ～ 788。 https://doi.org/10.1109/JPROC.2014.2378692 (2015)。

記事 Google Scholar

Das, AK & Pratihar, DK Bonobo オプティマイザー (BO): 連続空間にわたるパラメーターを自動調整するインテリジェントなヒューリスティックと、エンジニアリング問題へのその応用。応用知性。 52、2942–2974。 https://doi.org/10.1007/s10489-021-02444-w (2022)。

記事 Google Scholar

Das, AK、Nikum, AK、Krishnan, SV & Pratihar, DK 多目的 Bonobo オプティマイザー (MOBO): 複数基準最適化のためのインテリジェントなヒューリスティック。知ってください。情報システム。 62、4407–4444。 https://doi.org/10.1007/s10115-020-01503-x (2020)。

記事 Google Scholar

アブデルガニー、RY 他改良型 bonobo オプティマイザーの開発と太陽電池パラメータ推定へのその応用。持続可能性 13、3863。https://doi.org/10.3390/su13073863 (2021)。

記事 Google Scholar

Walia, N.、Singh, H. & Sharma, A. AFIS: 適応ニューロファジィ推論システム - 調査。内部。Ｊ．Ｃｏｍｐｕｔ．応用 123、32–38。 https://doi.org/10.5120/ijca2015905635 (2015)。

記事 Google Scholar

Denai, MA、Palis, F.、Zeghbib, A. ANFIS ベースの非線形システムのモデリングと制御: チュートリアル。 2004 年のシステム、人間、サイバネティクスに関する IEEE 国際会議 (IEEE カタログ番号 04CH37583)、vol. 4、3433–3438ページ（2004年）。 https://doi.org/10.1109/ICSMC.2004.1400873。

Karaboga, D. & Kaya, E. 適応ネットワークベースのファジー推論システム (AFIS) トレーニングアプローチ: 包括的な調査。アーティフ。知性。改訂 52、2263 ～ 2293。 https://doi.org/10.1007/s10462-017-9610-2 (2019)。

記事 Google Scholar

リファレンスをダウンロードする

科学技術イノベーション資金庁 (STDF) がエジプト知識銀行 (EKB) と協力して提供するオープンアクセス資金。

ザガジグ大学工学部電力機械工学科（エジプト、ザガジグ）

M. アブデラティーフモスタファ、エナス A. エルヘイ、マフムード M. エルホリ

PubMed Google Scholar でこの著者を検索することもできます

MAM は主要な原稿テキストを書き、すべての図と表を作成しました。 EAE-H. そしてMMEは原稿をレビューしました。

M. アブデラティーフ・モスタファへの通信。

著者らは競合する利害関係を宣言していません。

シュプリンガーネイチャーは、発行された地図および所属機関における管轄権の主張に関して中立を保ちます。

オープンアクセスこの記事はクリエイティブコモンズ表示 4.0 国際ライセンスに基づいてライセンスされており、元の著者と情報源に適切なクレジットを表示する限り、あらゆる媒体または形式での使用、共有、翻案、配布、複製が許可されます。クリエイティブコモンズライセンスへのリンクを提供し、変更が加えられたかどうかを示します。この記事内の画像またはその他のサードパーティ素材は、素材のクレジットラインに別段の記載がない限り、記事のクリエイティブコモンズライセンスに含まれています。素材が記事のクリエイティブコモンズライセンスに含まれておらず、意図した使用が法的規制で許可されていない場合、または許可されている使用を超えている場合は、著作権所有者から直接許可を得る必要があります。このライセンスのコピーを表示するには、http://creativecommons.org/licenses/by/4.0/ にアクセスしてください。

転載と許可

マサチューセッツ州モスタファ、EA エルヘイおよびMM エルコーリーボノボ最適化アルゴリズムに基づく風力タービン二次給電誘導発電機の最適な低電圧ライドスルー。 Sci Rep 13、7778 (2023)。 https://doi.org/10.1038/s41598-023-34240-6

引用をダウンロード

受信日: 2022 年 11 月 14 日

受理日: 2023 年 4 月 26 日

公開日: 2023 年 5 月 13 日

DOI: https://doi.org/10.1038/s41598-023-34240-6

次のリンクを共有すると、誰でもこのコンテンツを読むことができます。

申し訳ございませんが、現在この記事の共有リンクは利用できません。

Springer Nature SharedIt コンテンツ共有イニシアチブによって提供

コメントを送信すると、利用規約とコミュニティガイドラインに従うことに同意したことになります。虐待的なもの、または当社の規約やガイドラインに準拠していないものを見つけた場合は、不適切としてフラグを立ててください。