طراحی کنترل‌کنندۀ فازی‌عصبی بهینه برای توربین بادی سرعت ثابت

نوع مقاله: مقاله علمی فارسی

نویسندگان

1 - استادیار، دانشکده مهندسی برق - دانشگاه سمنان - سمنان - ایران

2 کارشناسی ارشد، دانشکده مهندسی برق - دانشگاه سمنان - سمنان - ایران

چکیده

در این مقاله، یک کنترل‌کنندۀ فازی‌عصبی تطبیقی بهینه‌شده با الگوریتم ژنتیک برای بهبود عملکرد توربین بادی سرعتْ ثابت طراحی شده است. این کنترل‌کننده در ابتدا با راه‌اندازی نرم، کاهش دامنۀ جریان هجومی‌ و کاهش بیشینۀ گشتاور الکترومغناطیسی را در لحظه اتصال ژنراتور باعث می‌شود. همچنین پس از راه‌اندازی و در طی عملکرد معمول توربین، با کنترل بهینه زاویۀ پره توربین، باعث جذب حداکثر انرژی باد و کاهش نوسانات توان خواهد‌ شد. برای هر بخش کنترلی، متغیرهای ورودی مناسب با تابع هدف در نظر گرفته خواهند شد. توابع عضویت پارامترهای خروجی در بخش فازی کنترل، تابعی خطی از توابع عضویت ورودی‌ها انتخاب می‌شوند. برای کاهش جریان راه‌اندازی، زاویۀ آتش سوئیچ‌های مبدل و برای عملکرد معمول، زاویۀ پره توربین کنترل خواهند شد. علاوه بر روش پیشنهادی، کنترل مدّنظر با دو روش فازی و فازی‌عصبی تطبیقی بهینه‌نشده، انجام و هر سه روش با هم مقایسه خواهند شد. محدودسازی جریان راه‌اندازی و ملایم‌سازی نوسانات توان در عملکرد عادی توربین به خوبی با روش مذکور صورت می‌پذیرد.
 

کلیدواژه‌ها

موضوعات


عنوان مقاله [English]

Design of an optimized Adaptive Neural Fuzzy controller for Constant Speed Wind Turbine

نویسندگان [English]

  • Hamid Reza Izadfar 1
  • Reza Nikzad 2
2 semnan
چکیده [English]

In this paper, an adaptive neural fuzzy controller witch optimized with genetic algorithm is introduced for performance improvement of a fixed speed wind turbine. This controller, at first, operates as a soft starter and limits the magnitude of inrush current.This object done by control of trigger angle of switches in the converter. The switching angle will be controlled by torque and speed.Then and in normal operation, with optimized control of turbine pitch angle, the fluctuations of active power and mechanical torque will be mollification. The shaft speed and error of active power are the decision variables for this purpose. In section of fuzzy logic the membership function of outputs define as the linear function of input's membership functions. In addition to proposed method, the controller set with fuzzy logic and ANFIS algorithms. The output parameters of wind turbine under all three methods, will be analyzed and compared.It is shown the proposed method has the better response.

کلیدواژه‌ها [English]

  • Adaptive Neural Fuzzy
  • Wind Turbine
  • Pitch Angle
  • soft Starter

1- مقدمه

در سال‌های اخیر توربین‌های بادی همچون سایر منابع انرژی تجدیدپذیر با پیشرفت تکنولوژی و گسترش کاربرد و روبه‌رو بوده‌اند. کاهش هزینه و بهبود کیفیت انرژی تولیدی از موضوعات دلخواه مراجع مختلف به شمار می‌روند. بیشینه‌سازی انرژی جذب‌شده از باد نیز یکی از توابع هدف اصلی در مطالعات طراحی این توربین‌هاست [1]. توربین‌های بادیِ سرعت ثابت، عموماً ژنراتور القایی دارند؛ بنابراین در لحظه راه‌اندازی و به‌منظور مغناطیس‌کنندگی به جذب توان راکتیو زیادی نیازمندند. برای جذب چنین توانی، جریان هجومی بزرگی در لحظه اولیه از شبکه کشیده می‌شود. جریان هجومی و گشتاور الکترومغناطیسی بزرگ تولیدی در لحظه راه‌اندازی، آسیب سیستم الکتریکی و مکانیکی را باعث می‌شوند. شوک و لرزش زیاد ناشی از اتصال مستقیم ژنراتور به شبکه، آسیب به گیربکس و کوپلینگ‌ها و گاهی فروپاشی ولتاژ بعد از بروز خطا در شبکه را باعث می‌شوند [2]. ممکن است تغییرات ولتاژ ناشی از کلیدزنی اتصال ژنراتور به شبکه نیز رخ دهد.

توربین‌های بادی با ژنراتورهای القایی مستقیم وصل‌شده به شبکه با توان بیشتر از KW800 معمولاً به راه‌انداز نرم مجهز هستند [3]. وظیفه اصلی راه‌انداز نرم، ایجاد یک ایزولاسیون الکتریکی بین توربین و شبکه برای زمان بسیار کوتاه در لحظه راه‌اندازی است [3]. این راه‌انداز، جریان هجومی و ضربان گشتاور را با افزایش تدریجی ولتاژ در ژنراتور کاهش می‌دهد. همچنین افت ولتاژ ناشی از جریان راه‌اندازی بزرگ کاهش می‌یابد.

کاهش مصرف انرژیِ راه‌انداز نرم با کاهش ولتاژ اعمالی به ماشین زمانی به‌دست می‌آید که گشتاور بار مورد نیاز بتواند در شاری کمتر از شار نامی ماشین تولید شود. این روش تلفات هسته و تلفات مسی استاتور را نیز کاهش می‌دهد. تنظیم متناسب شار مغناطیسی با بار و کاهش تلفات ماشین، افزایش راندمان در لحظه راه‌اندازی را باعث می‌شود [4]. از دیگر مزایای استفاده از راه‌انداز نرم، جبران‌سازی استاتیکی توان راکتیو ژنراتور در لحظه راه‌اندازی است [5]. به علت اثر غیرخطی و هارمونیک‌زابودن ادوات الکترونیک قدرت و کاهش تلفات کل سیستم، بعد از اتمام پروسه راه‌اندازی، راه‌انداز نرم از مدار خارج می‌شود. برخی از روش‌های راه‌اندازی نرم و همچنین افزایش بهره‌وری و کاهش مصرف انرژی در لحظه راه‌اندازی موتورها و ژنراتورهای القایی در [8-6] معرفی شده است.

پارامتر اصلی کنترل راه‌انداز، پالس آتش اعمالی به تایریستورهاست که با یک زاویه تأخیر مشخص در هر سیکل به آن اعمال می‌شود. با تغییر این زاویه، زمان روشن‌شدن تایریستور در آن سیکل تغییر‌ می‌یابد. زاویۀ آتش مناسب برای راه‌اندازی سیستم با توجه به ضریب توان سیستم تعیین می‌شود. برای زوایای آتش کمتر از 150 درجه رابطه بین زاویه آتش و ولتاژ خروجی ژنراتور کاملاً غیرخطی است و به ضریب توان ژنراتور بستگی دارد [8] . زاویۀ آتش مناسب برای راه‌اندازی ژنراتور القایی که خاصیت اهمی - سلفی دارد، کمتر از 90 درجه است.

برای کنترل مستقیم زاویۀ آتش معمولاً از یک کنترل‌کنندۀ حلقه بسته به‌منظور تنظیم جریان راه‌اندازی در یک مقدار مطلوب استفاده می‌شود. کنترل‌کننده با مقایسه مقادیر خروجی و مرجع، زاویۀ آتش مطلوب راه‌انداز را تولید می‌کند. یکی از پرکاربردترین کنترل‌کننده‌ها در سیستم‌های الکتریکی، نوع کلاسیک PID است. کنترل‌کننده PID، ساختاری ساده، پایداریِ خوب و قابلیت اطمینان بالا دارد. PID براساس مدل دقیق ریاضی سیستم طراحی می‌شود. مدل کنترلی توربین بادی با ژنراتور القایی از نوع مرتبه بالا و غیرخطی است؛ بنابراین طراحی دقیق کنترل‌کننده PID کار دشواری خواهد بود. کنترل‌کننده‌های فازی به مدل دقیق ریاضی سیستم کنترلی نیاز ندارند. این کنترل‌کننده‌ها برای سیستم‌های پیچیده، متغیر با زمان و مدل‌های غیرخطی بسیار مناسب هستند. امروزه روش‌های کنترل هوشمند دیگری نظیر شبکه‌های عصبی و کنترل‌کننده‌های فازی‌عصبی تطبیقی (ANFIS) نیز در سیستم‌های دینامیکی غیرخطی به شکل وسیع استفاده می‌شوند. درواقع، سیستم استنتاج فازی‌عصبی تطبیقی یک نوع کنترل‌کننده فازی است که با دریافت داده‌هایی از ورودی‌ها و خروجی، توزیع بهینه توابع عضویت را تخمین می‌زند و رفتار کنترلی سیستم را از روی‌داده‌ها پیش‌بینی می‌کند. مزیت کنترل‌کننده فازی‌عصبی نسبت به کنترل‌کننده‌های فازی معمولی در قابلیت خود بهینه‌سازی و حداقل‌سازی خطای آموزش است. درواقع، ANFIS از شبکه‌های عصبی استفاده می‌کند تا یک کنترل‌کننده فازی از نوع تاکاگی – سوگنو را به شکل بهینه تنظیم کند [9]. در [11-10] نمونه‌ای از کاربرد ANFIS در افزایش کارایی و کاهش تلفات توان در راه‌اندازی ماشین‌های القایی آمده است. علاوه بر جریان هجومی، نوسانات توان خروجی توربین بادی از دیگر موضوعات مهم کیفیت عملکرد توربین به‌شمار می‌رود. مرجع [10] استراتژی‌های ملایم‌سازی نوسانات توان، نظیر سیستم‌های بر پایه ذخیره‌ساز انرژی و بدون آن را مرور کرده است.

یکی از دغدغه‌های اصلی استفاده از سیستم کنترل زاویه پره، طراحی کنترل‌کننده مناسب برای آن است. در مرجع [12] یک  کنترل‌کننده PID بر مبنای روش مکان ریشه برای کنترل زاویه پره توربین‌های بادی سرعت ثابت طراحی شده است. مرجع [13] دو مدل کنترلی ساده‌شده بر مبنای مدل سیستم کنترل زاویه پره ارائه کرده است. یک کنترل‌کننده زاویه گام پره با استفاده از روش کنترل حالت لغزان در [14] معرفی شده است. اثر مدل‌ کنترل‌کننده زاویه پره بر رفتار حالت گذرای مزارع بادی متصل به شبکه، از نظر اغتشاشات الکتریکی و مکانیکی، در مرجع [15] بررسی شده است.

در مرجع [16] یک کنترل‌کننده فازی برای کنترل توان اکتیو و راکتیو تولیدی توربین بادی سرعت ثابت طراحی شده است. این کنترل‌کننده با دریافت ولتاژ استاتور و سرعت باد ورودی، زاویۀ پره توربین و نوسانات توان اکتیو و راکتیو را کنترل می‌کند. در [17] یک کنترل‌کنندۀ هیبرید شامل کنترل‌کننده‌های فازی و PI طراحی شده است. کنترل‌کننده با دریافت پارامترهای خطای سرعت ژنراتور و مشتق آن، ضرایب Kp و Ki را در PI تولید می‌کند. در مراجع [20-18] نیز نمونه‌هایی از کنترل‌کننده‌های فازی زاویۀ پره توربین بادی با ورودی‌ها و شرایط متفاوت طراحی شده‌اند.

طراحی کنترل‌کننده بهینه و مطلوب برای کنترل زاویۀ پره توربین در شرایط کاری مختلف همواره اهمیت خاصی دارد. در این مقاله، یک کنترل‌کنندۀ فازی – عصبی بهینه‌شده با الگوریتم ژنتیک، طراحی و تنظیم شده است. کنترل‌کنندۀ مذکور ابتدا با در نظر گرفتن گشتاور و سرعت ژنراتور ورودی، وظیفۀ کنترل بهینه راه‌انداز را بر عهده دارد، سپس در عملکرد معمول توربین، با کنترل زاویۀ پره، کیفیت پارامترهای خروجی را تضمین می‌کند. عموم روش‌های کنترل بهینۀ صورت‌گرفته بر توربین‌های بادی به‌صورت فازی یا ژنتیک به تنهایی است. استفاده از الگوریتم ژنتیک در یافتن ضرایب بهینه مشارکت توابع عضویت و نیز ورودی‌های تعریف‌شده برای کنترل‌کننده، از نقاط تمایز این تحقیق با پژوهش‌های پیشین به شمار می‌رود. الگوریتم ژنتیک وظیفۀ تنظیم بهینه پارامترهای فازی سوگنو – تاکاگی را به عهده دارد. همچنین یکی از دیگر وجوه تمایز این مقاله با تحقیقات گذشته در نظر گرفتن دو تابع هدف در کنترل توربین بادی است. ابتدا در مرحله راه‌اندازی با کنترل زاویۀ آتش، جریان هجومی ژنراتور در محدودۀ مجاز و مناسب قرار می‌گیرد. سپس با رسیدن سرعت توربین به مقدار سنکرون، کنترل راه‌انداز به اتمام می‌رسد و زاویۀ پره توربین برای کاهش نوسانات توان اکتیو به‌عنوان متغیر کنترلی مدنظر قرار می‌گیرد.

سایر بخش‌های مقاله به شرح زیر است. در بخش 2 مدل توربین بادی و روابط الکتریکی و مکانیکی حاکم بر آن بیان می‌شود. بخش 3 روش طراحی کنترل‌کننده را تشریح می‌کند. سرانجام در بخش 4 نتیجۀ مقاله آمده است.

 

 

1- مدل توربین بادی سرعت ثابت

توربین بادی سرعت ثابت متشکل از اجزا مختلفی چون ژنراتور القایی، رتور و جعبه دنده، سیستم‌های کنترلی، سیستم‌های انحراف و ترمز، دکل و... است. در شبیه‌سازی‌های سیستم‌های قدرت، معمولاً رفتار توربین بادی سرعت ثابت از مدل رتور، پیشرانه و سیستم تولید با یک ژنراتور القایی قفس سنجابی و خازن‌های جبران‌ساز ارزیابی می‌شود. مدل پیشرانه با دو جرم بیان می‌شود. جرم اول بیان‌کنندۀ رتور توربین بادی (پره‌ها و شفت سرعت پایین) و جرم دوم بیان‌کنندۀ رتور ژنراتور (شفت سرعت بالا) است. شکل (1) آن را نشان می‌دهد.

 

 

شکل (1): مدل پیشرانه توربین

 

روابط ریاضی حاکم بر این بخش به‌صورت زیر است.

(1)

 

(2)

 

(3)

 

 

که در آن ωr , Jr , ωm , Jm ، به‌ترتیب سرعت و اینرسی توربین بادی و ژنراتور ، TM و Te نیز به ترتیب، گشتاور مکانیکی ژنراتور و گشتاور الکترومغناطیسی ژنراتور هستند. پارامترهای Kmc و Dmc نیز، ضرایب سختی و میرایی کوپلینگ‌های مکانیکی هستند. معادلات ولتاژ، شارهای پیوندی و گشتاور الکترومغناطیسی ژنراتور نیز به‌صورت زیر هستند.

(4)

 

(5)

 

(6)

 

 

2- طراحی کنترل‌کننده توربین بادی

شمای کلی سیستم توربین بادی به همراه کنترل‌کننده مدّنظر در شکل (2) مشاهده می‌شود. این سیستم شامل توربین بادی، سیستم کنترل، ترانسفورماتور اتصال به شبکه است. سیستم استنتاج فازی‌عصبی تطبیقی یا ANFIS کنترل‌کنندۀ هوشمند برای این سیستم است. ساختار پایه کنترل‌کننده فازی‌عصبی بر طبق کنترل‌کنندۀ فازی از نوع تاکاگی - سوگنو است.

ورودی‌های کنترل‌کننده برای راه‌اندازی نرم، گشتاور الکترومغناطیسی و سرعت محور ماشین و برای کاهش نوسانات توان در عملکرد معمول توربین، خطای توان اکتیو ژنراتور و سرعت باد است. خروجی‌های کنترل‌کننده در مرحله راه‌اندازی، زاویۀ آتش و برای کاهش نوسانات توان در عملکرد معمول زاویه پرۀ توربین هستند. توابع عضویت ورودی‌ها از جنس تابع گوسی و به‌صورت رابطه (7) هستند.

(7)

 

 

که در آن a و 𝜎 به ترتیب نقطه مرکزی و واریانس تابع گوسی است که به‌صورت بهینه با ANFIS تعیین می‌شوند. مشخصات اصلی توربین و ژنراتور مدّنظر مطابق جدول (1) هستند.

 

2-1- کنترل راه‌انداز نرم

بلوک دیاگرام کنترلی راه‌انداز در شکل (3) آمده است. تابع عضویت خروجی kام از نوع خطی و به‌صورت رابطه (8) تعریف می‌شود.

 

                                (8)

که در آن Ak،BkوCkضرایب دلخواه برای خروجی kام هستند که با ANFIS به‌صورت بهینه تعیین می‌شوند. مطابق رابطه (7) به‌ازای هر تابع عضویت برای هر ورودی 2 پارامتر و طبق رابطه (8) برای هر تابع عضویت خروجی 3 پارامتر وجود خواهد داشت. شکل (4) نمایی از ساختار کروموزوم (متغیرهای تصمیم) را برای آموزش ANFIS نشان می‌دهد که i و j و k به ترتیب تعداد ورودی‌ها، تعداد توابع عضویت هر ورودی و تعداد توابع عضویت خروجی (یا تعداد خروجی) هستند؛ بنابراین تعداد متغیرهای تصمیم، i×j×3×k عدد است. محدوده تغییر پارامترها بین 100-0.05 تا 1000.05و بسیار کوچک انتخاب می‌شوند.

تابع هزینه برای الگوریتم در این مسئله معیار جذر میانگین مربعات خطا یا RMSE است.

خطای آموزش به‌صورت اختلاف بین خروجی هدف و خروجی واقعی کنترل‌کننده تعریف می‌شود. RMSE به‌صورت رابطه (9) بیان می‌شود.

       (9)

 

جدول (1): مشخصات ژنراتور و توربین [21]

واحد

مقدار

پارامتر

مگا وات

3/2

توان نامی ژنراتور

مگا وات

344/2

توان مکانیکی توربین

ولت

690

ولتاژ نامی

هرتز

50

فرکانس

دور در دقیقه

1512

سرعت نامی روتور

آمپر

2168

جریان نامی استاتور

-

888/0

ضریب توان نامی

-

008/0-

لغزش نامی

-

2

تعداد جفت قطب

 

شکل (2): توربین بادی و کنترل‌کننده

 

شکل (3): بلوک دیاگرام کنترلی راه‌انداز نرم

                           

.................

         

 

 

شکل (4): ساختار کروموزوم برای آموزش ANFIS

 

N تعداد کل داده‌های آموزش است. به علت پیچیده و غیرخطی‌بودن سیستم، استخراج رابطه ریاضی تابع هدف بسیار دشوار و گاه غیرممکن است؛ بنابراین، از مدل فازی سیستم برای محاسبه تابع هدف استفاده می‌شود. با نوشتن پایگاه قواعد مناسب با استفاده از تحلیل سیستم، مدل فازی آن طراحی می‌شود. فلوچارت پروسه کاری الگوریتم در شکل (5) آمده است. همچنین در جدول (2) پارامترهای الگوریتم ژنتیک در کنترل‌کنندۀ فازی‌عصبی ذکر شده‌اند.

توابع عضویت ورودی و خروجی‌های کنترل‌کننده در شکل‌ (6) آمده است. توابع عضویت خروجی‌های سوگنو به‌صورت تابع هستند.

شکل (7) خروجی ANFIS آموزش‌دیده به کمک الگوریتم ژنتیک در مقایسه با مقدار خروجی مطلوب در داده‌های آموزش یکسان و همچنین خطای آموزش و معیار RMSE را برای 110 نمونه داده‌ آموزش نشان می‌دهد.

در شبیه‌سازی‌ راه‌انداز توربین بادی، سرعت بادm/s 11 فرض می‌شود. در زمان t=0 تمام شرایط اولیه الکتریکی سیستم صفر است و تنها ژنراتور، سرعت اولیه rpm1470 یا لغزش 033/0 را دارد. در ثانیه 8/0t= ماشین به سرعت سنکرون رسیده است و راه‌انداز با بریکرها اتصال کوتاه می‌شود. درخور ذکر است توربین به‌صورت پیش‌فرض راه‌انداز مکانیکی دارد؛ یعنی در ابتدای راه‌اندازی تا لحظه رسیدن ژنراتور به سرعت سنکرون گشتاور مکانیکی اعمالی به ژنراتور حدود pu2/0 است و به محض رسیدن ژنراتور به سرعت سنکرون (rpm 1500) گشتاور اعمالی به ژنراتور pu 1 می‌شود.

قبل از شروع شبیه‌سازی، آموزش کنترل‌کننده فازی –عصبی با الگوریتم ژنتیک، انجام و کنترل‌کننده بهینه تولیدشده برای شبیه‌سازی سیستم استفاده می‌شود. در هنگام پروسه راه‌اندازی همواره دو پارامتر گشتاور الکترومغناطیسی و سرعت محور ژنراتور با کنترل‌کننده دریافت می‌شود.

با اتصال توربین بادی به شبکه، گشتاور الکترومغناطیسی تولیدی ژنراتور القایی پس از رسیدن به مقدار بیشینه به صفر میل می‌کند و هم‌زمان سرعت ژنراتور به سرعت سنکرون نزدیک می‌شود. به تبع آن جریان ژنراتور نیز از مقدار ماکزیمم کاهش می‌یابد.

جدول (2): پارامترهای ژنتیک در کنترلر فازی- عصبی

مقدار

پارامتر

مقدار

پارامتر

05/0

نرخ جهش

100

جمعیت اولیه

8

فشار انتخاب

1000

تعداد نسل

چرخ طیار

روش انتخاب

7/0

نرخ تقاطع

20

j

2

i

20

تعداد قوانین فازی

20

k

 

 

شکل (5): فلوچارت الگوریتم ژنتیک

بیشترین مقدار جریان راه‌اندازی در لحظه‌ای است که گشتاور الکترومغناطیسی و لغزش، هر دو در بیشترین مقدار مثبت خود باشند؛ بنابراین، کنترل‌کننده باید در این حالت بیشترین زاویۀ آتش را تولید کند تا ولتاژ پایانه ژنراتور کوچک باشد و ژنراتور توان راکتیو کمتری از شبکه بکشد و درنتیجه، جریان ژنراتور کاهش یابد. شکل‌های (8) و (9) جریان راه‌اندازی را در دو حالت بدون کنترل و با روش پیشنهادی مقاله نشان می‌دهد.

 

 

 

شکل (6): توابع عضویت ورودی‌های کنترل‌کننده

 

 

شکل (7): خروجی ANFIS آموزش‌دیده با الگوریتم ژنتیک در مقایسه با مقدار خروجی مطلوب

 

 

شکل (8): جریان ژنراتور بدون راه‌انداز

 

 

شکل (9): جریان ژنراتور با راه‌انداز پیشنهادی

 

شکل (10) زوایای آتش کلیدهای تعیین‌شده با روش پیشنهادی را نشان می‌دهد. همچنین در شکل (11) نمای سه‌بعدی پاسخ این کنترل‌کننده دیده می‌شود.

به‌منظور تعیین کیفیت روش پیشنهادی، کنترل راه‌انداز نرم علاوه بر روش پیشنهادی (فازی‌عصبی تطبیقی بهینه)، با دو روش فازی و فازی‌عصبی تطبیقی نیز، انجام و نتایج مقایسه می‌شود.

دامنه جریان راه‌اندازی حاصل از سه روش مختلف کنترلی در شکل (12) آمده است. دامنه جریان ابتدایی با روش پیشنهادی، مقدار کوچک‌تر و مطلوب‌تری را داراست. شکل‌های (13) و (14) به‌ترتیب، تغییرات توان راکتیو و گشتاور الکترومغناطیسی ژنراتور را در راه‌اندازی نشان می‌دهند. گشتاور الکترومغناطیسی تولیدی در ژنراتور نیز در روش پیشنهادی کاهش یافته است. علت آن کمتربودن جریان راه‌اندازی در ژنراتوراست. کاهش این گشتاور به معنی کاهش گشتاور مکانیکی توربین و تنش کمتر است.

 

شکل (10): زوایای آتش به‌دست‌آمده با الگوریتم پیشنهادی

 

 

 

شکل (11): پاسخ سه‌بعدی کنترل‌کننده

 

 

شکل (12): جریان راه‌اندازی با روش‌های مختلف کنترلی

 

 

شکل (13): توان راکتیو ژنراتور در حضور کنترلرهای مختلف

 

شکل (14): گشتاور ژنراتور در حضور کنترلرهای مختلف

 

2-2- کنترل زاویۀ پره توربین

در حین کار عادی، ملایم‌سازی تغییرات توان اکتیو ژنراتور برای توربین بادی اهمیت دارد. یکی از روش‌های مناسب کنترل نوسانات توان اکتیو، کنترل زاویۀ پره است؛ البته همۀ توربین‌های بادی، بخش متحرک در پره‌های توربین را ندارند. این قابلیت معمولاً در توربین‌های بادی سرعت ثابت با محور افقی وجود دارد. در این بخش کنترل‌کننده با روش فازی‌عصبی تطبیقی بهینه‌شده با ژنتیک این مهم را انجام می‌دهد. روش الگوریتم کاملاً مشابه حالت قبل (شکل5) و پارامترهای تنظیمی ژنتیک نیز مطابق جدول 2 است. بلوک دیاگرام کنترلی سیستم در شکل (14) مشاهده می‌شود. در طراحی کنترلر، از دو پارامتر خطای توان اکتیو و سرعت باد برای آموزش استفاده می‌شود و خروجی، زاویۀ پره توربین است. تابع عضویت خروجی، تابعی خطی و مطابق رابطه 10 است.

                                 (10)

P و ω، خطای توان اکتیو و سرعت باد (ورودی‌های کنترلر) و β، زاویۀ پره توربین است. مقادیر بهینه ضرایب Ak، Bk و Ck نیز با ANFIS تعیین می‌شوند.

جدول (3) اطلاعات کنترلی ANFIS را ارائه‌ می‌دهد.

 

 

 

 

 

جدول (3): پارمترهای کنترلر فازی عصبی

مقدار

پارامتر

مقدار

پارامتر

خطی

نوع توابع عضویت خروجی

گوسی

نوع توابع عضویت ورودی

36

تعداد توابع عضویت خروجی

6

تعداد توابع عضویت ورودی

20

تعداد دفعات آموزش

46

تعداد قوانین فازی

48415/0

خطای آموزش

تفکیک شبکه

الگوریتم آموزش

 

شکل (14): بلوک دیاگرام کنترل زاویۀ پره

 

توابع عضویت متغیرهای ورودی کنترل‌کننده در شکل (15) مشاهده می‌شوند.

شکل (16) پاسخ سه‌بعدی کنترل‌کننده را نشان می‌دهد. تغییرات گشتاور و سرعت محور ژنراتور برای حالت کنترل‌نشده و کنترل‌شده در شکل‌های (17) و (18) نشان داده شده است. با توجه به اینکه تفاوت پارامترها در این دو حالت، امری بدیهی و پیش‌بینی‌شده است، علاوه بر روش پیشنهادی، مانند راه‌انداز نرم، زاویۀ پره نیز با روش ANFIS و فازی، کنترل و نتایج با هم مقایسه و تحلیل می‌شوند.

در این تحلیل، سرعت باد مبنا (نامی) برای سیستم 9m/s در نظر گرفته شده است. همچنین فرض می‌شود زاویۀ پره اولیه قبل از شروع شبیه‌سازی، صفر است.

نمودار تغییرات سرعت باد در شکل (19) نشان داده شده است. تغییرات زاویۀ پره توربین برای دو روش ANFIS و ANFIS بهینه‌شده در شکل (20) دیده ‌می‌شوند.

تغییرات توان اکتیو ژنراتور به‌ازای سه روش کنترلی مختلف در شکل (10) آمده‌اند. به علت ماهیت مکانیکی و اینرسی بالای سیستم، حساسیت سیستم نسبت به تغییرات زاویۀ پره کند است؛ بنابراین پاسخ سیستم با کنترل‌کننده‌های مختلف به تغییرات سرعت باد تقریباً مشابه است. بااین‌حال، رفتار نرم‌تر و خطی‌تر کنترل‌کننده پیشنهادی به‌ویژه در زمان‌های کوچک‌تر از 2 ثانیه مشاهده می‌شود. تغییرات گشتاور مکانیکی توربین و گشتاور الکترومغناطیسی ژنراتور به‌ازای کنترل‌کننده‌های مختلف به ترتیب در شکل‌های (22) و (23) معرفی شده‌اند. تغییرات سرعت محور ژنراتور نیز در شکل (43) آمده است. نتایج شبیه‌سازی به مدت 10 ثانیه نمایش داده‌ شده است تا مقایسه شکل‌ها با همدیگر راحت‌تر انجام گیرد.

روش پیشنهادی مقاله به ارائه تغییرات نرم‌تر در این پارامترها منجر شده است.

 

 

 

شکل (15): توابع عضویت پارامترهای ورودی

شکل (16): نمای سه‌بعدی پاسخ ANFIS

 

شکل (17): تغییرات گشتاور ژنراتور

 

شکل (18): تغییرات سرعت محور ژنراتور

 

 

شکل (19): تغییرات سرعت باد

شکل (20): تغییرات زاویۀ پره توربین

 

شکل (21): تغییرات توان اکتیو ژنراتور

 

شکل (22): تغییرات توان مکانیکی

 

شکل (23): تغییرات گشتاور ژنراتور

 

شکل (24): تغییرات سرعت ژنراتور

 

3- نتیجه‌گیری

در این مقاله، یک کنترل‌کننده فازی‌عصبی تطبیقی بهینه‌شده با الگوریتم ژنتیک برای یک توربین بادی سرعت ثابت، طراحی و تحلیل شد. این کنترل‌کننده در ابتدا با تنظیم بهینه زاویۀ آتش راه‌انداز جریان هجومی را به میزان چشمگیری محدود کرد. در عملکرد معمول نیز با تنظیم زاویۀ پره توربین از تغییرات نامناسب توان اکتیو کاست. ورودی‌های جدیدی برای کنترل‌کننده در هر دو قسمت در نظر گرفته شد. از کارهای دیگر مقاله، انجام کنترل با دو روش دیگر، یعنی روش‌های فازی و فازی‌عصبی تطبیقی برای مقایسه است. در مجموع، روش پیشنهادی عملکرد بهتری به‌خصوص در راه‌اندازی نشان داد.

 

   [1]      Salehe Afsharian, Ali Karimpour, "A Multiple Model Predictive Control for Maximum Energy

Extraction from Variable Speed Wind Power Systems", Computational Intelligence in Electrical Engineering, 7th year, No. 1, spring 2016.

   [2]      L. Mihet, F.Blaabjerg and I.Boldea, "Wind Turbine Generator Modeling and Simulation where Rotational Speed is the controlled Variables" IEEE Transactions on Energy Conversion, Vol. 40, No. 1, 2004.

   [3]      S.Mishra, S. Debdas, Y.Kashap, "Inrush Current Limitation in Wind Generators by SCR Based Soft Starter during Grid Cunnection" American Journal of Engineering Research, Vol. 2, No. 10, pp.154-159, 2013.

   [4]      K.Mohanasundaram, K. Sathiyasekar, N.Rajasekar, "Neuro Fuzzy Controller for High Performance Induction Motor Drives" International Journal of Computer Applications, Vol. 38, No. 10, 2012.

   [5]      R.Peters, D. Muthumuni, T.Bartel, "Stator VAR Compensation of a fixed Speed Stall Control Wind Turbine during Start up" Journal on Electric Power Systems Research (Elsevier), Vol. 80, No. 4,pp 400-405, 2010.

   [6]      M.A.Chowdury, N. Hosseinzadeh,W.X.Shen, "Smoothing Wind Power Flactuations by Fuzzy Logic Pitch Angle Controller" Journal on Renewable Energy(Elsevier), Vol. 38, No. 10, pp.224-233, 2012.

   [7]      A.M. Howlader, N.Uraski, A.Youna, "A review of output power smoothing methods for wind energy conversion systems" Journal on Renewable and Sustainable Energy Reviews , Vol. 26, No. 11, pp.135-146, 2013.

   [8]      S.Tunyasrirut, B. Wangsilabatra, T.Sukari, "Phase control thyristor based for a grid connected induction generator for wind turbine system" IEEE International Conference on Control, Automation and Systams, 2010.

   [9]      T.Thiringer, "Grid Friendly Connecting of Constant Speed Wind Turbines Using External Resistors" IEEE Transaction on Energy Conversion, Vol. 17, No. 4, 2002.

[10]      W.Deleroi, J.B.Woudstra, A.A.Fahim, "Analysis and application of three phase induction motor voltage controller with improved transient performance" IEEE Transaction on Industry Applications, Vol. 25, No. 2, 1989.

[11]      H. Amooshahi, R. Hooshmand, A.Khodabakhshian, M. Moazzami, "A New Optimal Under Frequency Load Shedding in Micro Grids in Presence of Wind Turbines by using ANFIS Networks", Computational Intelligence in Electrical Engineering, 3th year, No. 3, Autumn 2011.

[12]      C.Jauch, S.M.Islam, P.Sorensen, B.B.Jensen, "Design of a wind turbine pitch angle controller for power system stabilization" Journal on Renewable Energy(Elsevier), Vol. 32, No. 4, 2007.

[13]      L.Lin, J.Jang, Y.Yang, "Comparison of pitch angle control models of wind farm for power system analysis" IEEE Power and Energy Socity General Meeting Calgary, 2009

[14]      M.Yang, B.Xiaowi, Y.Yang, Z.Han, "The sliding mode pitch angle controller design for squirrel cage induction generator wind power generation system" IEEE 33rd Chinese Control Conference, 2014.

[15]      F.A.R.Al-Jowder, "Influence of modelling pitch angle controller on transient behavior of fixed speed wind farm" IEEE GCC Conference and Exhibition, 2011.

[16]      L.Krichen, B.Francois, A.Ouali, "A fuzzy logic supervisor foe active and reactive power control of a fixed speed wind energy conversion system" Journal Electric Power Systems Research, Vol. 78, No. 3, pp.418-424, 2008.

[17]      P.Garasi, M. Watanabe, Y.Mitani, "Power smoothing of wind turbine generator using fuzzy-PI angle controller" Australasian University Power Engineering Conference, 2014.

[18]      T.L.Van, T.H.Nguyen, D.Lee, "Advanced Pitch Angle Control Based on Fuzzy Logic for Variable Speed Wind Turbine Systems" IEEE Transaction on Energy Conversion, Vol.30, No.2, 2015.

[19]      A.V.A.Macedo, W.S.Mota, "Real Time Simulations of Wind Turbine with Pitch Angle Control Using Fuzzy Logic" 11th IEEE/IAS International Conference on Industry Applications, 2014.

[20]      M.Q.Duong, F.Grimaccia, S.Leva, "Pitch Angle Control Using Hybrid Controller for all Operating Regions of SCIG Wind Turbine System" Journal on Renewable Energy(Elsevier), Vol. 70, No. 4, pp.197-203, 2014.

[21]      B. Wu, Y. Lang, N. Zargari, S. Kouro, "Power Conversion and Control of Wind Energy Systems", John Wiley & Sons, 2011.