تشخیص جزیره ای شدن واحدهای تولید پراکنده اینورتری با ایجاد گذرای اجباری در فرکانس سیستم به کمک شبکه های عصبی احتمالاتی

سال انتشار: 1393
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 214

فایل این مقاله در 12 صفحه با فرمت PDF قابل دریافت می باشد

این مقاله در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

JR_ISEE-5-4_008

تاریخ نمایه سازی: 6 دی 1400

چکیده مقاله:

در این مقاله روشی هوشمند با استفاده از شبکه عصبی و تبدیل موجک برای تشخیص جزیره ای شدن برای واحدهای تولید پراکنده مبتنی بر اینورتر ارائه شده است. روش ارائه شده مبتنی بر تغییر مرجع توان راکتیو در واسط کنترل اینورتر به منظور ایجاد یک گذرای اجباری کوچک در فرکانس و مشتق آن است. در شرایطی که واحد تولید پراکنده در جزیره قرار گرفته باشد، تغییر در مرجع توان راکتیو باعث تغییر در فرکانس سیستم و مشتق آن و ایجاد گذرایی در آنها خواهد شد. ایده اصلی این مقاله، استفاده از گذرای ایجاد شده در فرکانس و مشتق آن در شرایط جزیره ای شدن است. در این روش شبکه عصبی احتمالاتی (PNN) به وسیله شاخص استخراج شده از اطلاعات مشتق فرکانس، به وسیله تبدیل موجک گسسته (DWT) در شرایط جزیره و غیر جزیره تحت آموزش قرار می گیرد. شبیه سازی ها با استفاده از نرم افزار PSCAD/EMTDC و تحلیل ها در نرم افزار MATLAB انجام شده است. نتایج شبیه سازی ها نشان می دهد که روش پیشنهادی در شرایط مختلف عملکرد مناسبی از خود نشان می دهد.

کلیدواژه ها:

واحدهای تولید پراکنده اینورتری ، تشخیص جزیره ای شدن ، تبدیل موجک ، شبکه عصبی احتمالاتی

نویسندگان

عباداله کامیاب

دانشگاه فردوسی مشهد- دانشکده مهندسی - گروه مهندسی برق- قدرت

جواد ساده

دانشگاه فردوسی مشهد- دانشکده مهندسی - گروه مهندسی برق- قدرت

حمید یعقوبی

دانشگاه سمنان- دانشکده مهندسی برق و کامپیوتر - گروه مهندسی برق – قدرت

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • Salman S.K., Kin D.J., Weller G., “New loss of main ...
  • M.A. Refern, O. Usta, G. Fielding, “Protection against loss of ...
  • Ropp M.E., Begovic M., Rohatgi A., “Analysis and performance assessment ...
  • Smith G.A., Onions P.A., Infield D.G., “Predicting islanding operation of ...
  • Kunte R.S., Wenzhong G., “Comparison and review of islanding detection ...
  • Velasco D., Trujillo C. L., Garsera G., Figueres E., “Review ...
  • Bower W., Ropp M., “Evaluation of islanding detection methods for ...
  • Kamyab E., Sadeh J., “Inverter based distributed generator islanding detection ...
  • Kamyab E., Sadeh J., “islanding detection method for photovoltaic distributed ...
  • Heidari orejloo M, Seifossadat S, Gharibreza E., “Design and simulation ...
  • Picton P.,“Neural networks,”, ISBN: ۹۷۸۰۳۳۳۹۴۸۹۹۶, pp.۱۰۲–۱۰۹, ۲۰۰۰ ...
  • Lotfi A., Benyetton A., “Using probabilistic neural networks for hardwritten ...
  • M.Tripathy, R.P.Maheshwari and H.K.Verma, “Power transformer differential protection based on ...
  • Mishra S., Bhende C.N., and Panigrahi B.K., “Detection and classification ...
  • Hu W.B., Li K.C., and Zhao D.J., “A novel probabilistic ...
  • Gaing Z.L, “Wavelet-based neural network for power disturbance recognition and ...
  • Kundur P., Power System Stability and Control, New York, McGraw ...
  • Diamantaras K., Duch W. and Iliadis L.S., Artifical neural networks, ...
  • UL ۱۷۴۱ Standard for Static inverter and charge controllers for ...
  • IEEE Recommended practice for utility interface of photovoltaic systems, IEEE ...
  • نمایش کامل مراجع