کاهش نوسانات زیر سنکرون با استفاده از ادوات D-FACTS با کنترل کننده های هوشمند
Publish Year: 1395
Type: Journal paper
Language: Persian
View: 257
This Paper With 12 Page And PDF Format Ready To Download
- Certificate
- I'm the author of the paper
این Paper در بخشهای موضوعی زیر دسته بندی شده است:
Export:
Document National Code:
JR_JIPET-7-26_001
Index date: 9 January 2022
کاهش نوسانات زیر سنکرون با استفاده از ادوات D-FACTS با کنترل کننده های هوشمند abstract
هنگامی که یک توربین-ژنراتور به یک خط انتقال طولانی وصل می شود ممکن است عوارض جانبی مانند پدیده SSR در آن به وجود آید. هدف این است که با استفاده از قابلیت های جبران کننده سری (DSSC) به عنوان یک عضو از خانواده D- FACTS به کاهش SSR پرداخته شود. برای رسیدن به هدف مورد نظر از کنترل کننده فازی، بهینه سازی ازدحام ذرات (PSO) و شبکه عصبی استفاده شده است. بهینه سازی ازدحام ذرات (PSO) بر اساس کنترل کننده میرایی مرسوم (CDC)، منطق فازی بر اساس کنترل میرایی (FLBDC) و شبکه عصبی نیز بر اساس کنترل میرایی با استفاده از آموزش داده های سرعت و تغییرات سرعت طراحی شده اند. پایداری سیستم از طریق شبیه سازی در حوزه زمان و با مطالعه شاخص عملکرد (PI) بر اساس دینامیک سیستم قدرت مورد بررسی قرار گرفته است. نتایج شبیه سازی با استفاده از نرم افزار Matlab / Simulinkآورده شده است. موارد مورد مطالعه به منظور نشان دادن این واقعیت است که الگوریتم های مربوطه قادر به کاهش تشدیدهای زیر سنکرون می باشند. نشان داده شده که کنترل کننده فازی و الگوریتم بهینه سازی PSOبه همراه شبکه عصبی به خوبی می توانند این نوسانات را کاهش دهند.
کاهش نوسانات زیر سنکرون با استفاده از ادوات D-FACTS با کنترل کننده های هوشمند Keywords:
ادوات FACTS , نوسان های زیر سنکرون (SSR) , کنترل کننده فازی , بهینه سازی ازدحام ذرات(PSO) , شبکه عصبی مصنوعی(ANN)
کاهش نوسانات زیر سنکرون با استفاده از ادوات D-FACTS با کنترل کننده های هوشمند authors
زهرا امینی خویی
گروه مهندسی برق ، دانشکده فنی و مهندسی، دانشگاه شهرکرد، شهرکرد، چهارمحال و بختیاری، ایران
عباس کارگر
گروه مهندسی برق ، دانشکده فنی و مهندسی، دانشگاه شهرکرد، شهرکرد، چهارمحال و بختیاری، ایران
مراجع و منابع این Paper:
لیست زیر مراجع و منابع استفاده شده در این Paper 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 Paper لینک شده اند :