A model predictive control method for load-frequency control in islanded microgrids

Document Type : Research Article

Authors

1 Dep. of Electrical Engineering, Faculty of Engineering, Bu-Ali Sina University

2 Dep. of Electrical Engineering, Bu-Ali Sina University

Abstract

aaaa

Keywords

Main Subjects


1- مقدمه[1]

با افزایش روزافزون مصرف انرژی الکتریکی در جهان، صنعت برق با مسائلی همچون هزینۀ زیاد احداث نیروگاه‌های جدید و توسعۀ شبکه‌های انتقال، فوق توزیع و توزیع، نگرانی‌های زیست محیطی و تغییرات آب و هوایی مواجه شده است. به‌منظور غلبه بر مشکلات مذکور، افزایش قابلیت اطمینان در سرویس‌دهی به مشتریان و کاهش تراکم و تلفات در خطوط انتقال و فوق توزیع، منابع تولید پراکنده و تجدیدپذیر انرژی، گزینه‌های جدید و مناسبی هستند که طی دو دهه اخیر معرفی شده‌اند [1]؛ مزایای منابع انرژی تجدیدپذیر، سبب برنامه‌ریزی برای به‌کارگیری بیشتر آنها در صنعت برق و گسترش روزافزون ریزشبکه‌ها در بیشتر کشورهای جهان شده است [2]. ریزشبکه‌ها، شبکه‌های قدرت کوچکی هستند که از چندین منبع انرژی تجدیدپذیر و بارهای محلی تشکیل شده‌اند. ریزشبکه‌ها عموماً در حالت عادی به یکی از شینه‌های شبکۀ توزیع متصل هستند؛ اما در حالت اضطراری، در صورت رخداد اغتشاش‌های بزرگ، از شبکه قدرت جدا می‌شوند و برخی بارها (بارهای مهم) را تغذیه می‌کنند. با توجه به تغییر درخور توجه سرعت باد، شدت تابش آفتاب، تغییرات و نوسانات بار یکی از مسائل مهم در ریزشبکه‌های جدا از شبکه اصلی، کنترل و میراکردن نوسانات فرکانس و توان هستند. این موضوع هم در بازه‌های زمانی متناظر با بهره‌برداری و مدیریت (که هدف آن میراکردن نوسانات توان است) و هم در بازه‌های زمانی متناظر با کنترل فرکانس‌بار [1](LFC) شایان توجه قرار گرفته است. در موضوع کنترل فرکانس‌بار، هدف، میراکردن سریع نوسانات و اطمینان از عملکرد دینامیکی سیستم است؛ به‌طوری‌که نوسانات در محدودۀ رضایت‌بخشی واقع شوند [3].

تحقیقات متعددی در زمینۀ کنترل فرکانس‌بار در ریزشبکه‌ها ارائه شده‌اند. در [4،6] بر کارهای صورت‌گرفته در این زمینه مروری شده است. تحقیقات مذکور در زمینۀ طراحی کنترل‌کننده‌ها به دو دسته کلی تقسیم می‌شوند: کنترل‌کننده‌های مبتنی بر روش‌های مرسوم و کنترل‌کننده‌های مبتنی بر روش‌های فرا ابتکاری.

در [7،8] کنترل‌کننده‌های مبتنی بر کنترل تناسبی - انتگرالی (PI[2]) و کنترل‌کننده تناسبی - انتگرالی - مشتقگیر (PID[3]) مبتنی بر تعیین ضرائب با روش زیگلر - نیکولز [9] و مرتبه کسری [10] را برای کنترل فرکانس‌بار در ریزشبکه ارائه داده‌اند. در [11،13] از روش‌های کنترل مقاوم برای طراحی کنترل‌کننده استفاده شده است؛ به‌طوری‌که مراجع [11،12] کنترل اچ - بینهایت (H) و [13] الگوریتم سیر تکاملی مبتنی بر روش تکرار D-K[4] را ارائه داده‌اند. در [14،18] روش کنترل افتی (در [14،16] کنترل مبتنی افت خطی، [17] کنترل مبتنی بر افت غیر خطی و [18] کنترل مبتنی بر افت خطی همراه با بارهای کنترل‌پذیر) برای کنترل فرکانس‌بار در ریزشبکه ارائه شده است. در [19] از کنترل مد لغزشی مبتنی بر مشاهده‌گر برای کنترل فرکانس‌بار در ریزشبکه استفاده شده است.

از کنترل‌کننده‌های مبتنی بر الگوریتم‌های فراابتکاری به مواردی همچون الگوریتم ژنتیک (GA[5]) [20]، الگوریتم ازدحام ذرات (PSO[6]) [21]، الگوریتم رفتار اجتماعی عنکبوت (SSO[7]) [22]، الگوریتم جست‌وجوی جغرافیای زیستی (BBO[8]) برای تنظیم PID [23] و الگوریتم جست‌وجوی هارمونی توسعه یافته [24] برای کنترل فرکانس‌بار در ریزشبکه اشاره می‌شود. مراجع [25،27] از کنترل‌کننده فازی که ضرایب آن با استفاده از الگوریتم ازدحام ذرات تعیین شده‌اند [25] و منطق فازی نوع دو [26،27] برای کنترل فرکانس‌بار استفاده شده‌اند.

مرجع [28،29] نیز از کنترل ثانویه فرکانس بر روی مبدل منابع تولید انرژی تجدیدپذیر برای کنترل فرکانس‌بار استفاده کرده‌اند.

یکی از کنترل‌کننده‌های مناسب برای در نظر گرفتن عدم‌قطعیت‌های گوناگون در یک سیستم، کنترل پیش‌بین است که توانایی پیش‌بینی رخدادهای آینده و اتخاذ اعمال کنترلی مناسب را داراست [30]. در [31،32] کنترل پیش‌بین (MPC[9])، در [33] کنترل پیش‌بین دو سطحی و در [34] از کنترل پیش‌بین چندگانه با در نظر گرفتن شارژ و دشارژ خوروهای هیبریدی الکتریکی برای کاهش نوسانات توان منابع در بازه‌های زمانی متناظر با بهره‌برداری و مدیریت ریزشبکه (اعمال سیگنال‌های کنترلی در بازه‌های زمانی چند دقیقه‌ای) استفاده شده است. همچنین در [35] روشی برای ارائه کنترل هماهنگ پره‌های توربین بادی و خودروهای هیبرید الکتریکی، مبتنی بر کنترل پیش‌بین، به‌منظور کاهش نوسانات توان و فرکانس در ریزشبکه ارائه شده است.

در مقاله حاضر یک کنترل پیش‌بین برای کنترل فرکانس‌بار در یک ریزشبکه ارائه شده است. روش کنترل پیشنهادی در حلقۀ کنترل ثانویه فرکانس استفاده می‌شود و سیگنال کنترلی به منابع انرژی تجدیدپذیر در ریزشبکه اعمال می‌شود. ریزشبکه در نظر گرفته شده دربردارندۀ انواع منابع انرژی تجدیدپذیر است که مدل دینامیکی (سیگنال کوچک) آنها حول نقطۀ کار قرار گرفته و معادلات حالت ریزشبکه استخراج شده است. کنترل‌کننده پیشنهادی برای میراکردن تغییرات فرکانس ریزشبکه در شرایط معمولی و همچنین در هنگام عدم‌قطعیت‌ و تغییر پارامترها نسبت به کنترل‌کننده‌هایی همچون ZN-PI[10]، Fuzzy-PI[11]، CPSO-FOPID[12] و [13]CPSO-PID عملکرد مطلوب‌تر و بهتری ارائه می‌دهد. بنابراین نوآوری مقاله عبارت‌اند از: 1- ارائه روشی جدید برای میراکردن نوسانات فرکانس در ریزشبکه (جدا از شبکه اصلی) مبتنی بر کنترل پیش‌بین؛ 2- اثبات کارایی و عملکرد بهتر کنترل‌کننده پیشنهادی در میراکردن فرکانس (در شرایط معمولی و همچنین در مواجهه با عدم‌قطعیت پارامترها) در مقایسه با دیگر کنترل‌کننده‌ها، با شبیه‌سازی و مقایسه نتایج عملکرد آنها در مسئله کنترل بار - فرکانس.

مقاله در بخش‌های زیر تدوین شده است؛ بخش دوم: ساختار کلی ریزشبکه و استراتژی کنترلی؛ بخش سوم: عملکرد دینامیکی اجزاء ریزشبکه؛ بخش چهارم: کنترل‌کننده پیش‌بین مبتنی بر مدل؛ بخش پنجم: شبیه‌سازی و بخش ششم: نتیجه‌گیری و مراجع.

 

2- ساختار کلی ریزشبکه‌ها و استراتژی کنترلی موجود

2-1- ساختار ریزشبکه

شکل (1) شماتیک ریزشبکه مطالعه‌شده را نشان می‌دهد که در حالت جدا از شبکه اصلی قرار دارد. ریزشبکه استفاده‌شده شامل یک سلول خورشیدی (PV[14]) ، یک دیزل ژنراتور معمولی (DEG[15])، یک توربین بادی (WTG[16])، یک پیل سوختی(FC[17])، و دو منبع ذخیره انرژی شامل باتری (BESS[18]) و چرخ طیار (FESS[19]) و الکترولایزر (AE[20]) هستند [25،36]. منابع انرژی استفاده‌شده در ریزشبکه‌ با مبدل‌های الکترونیک قدرت به باس اصلی متصل می‌شوند و از همین مبدل‌ها توان تزریقی آنها به باس اصلی کنترل می‌شود.

 

شکل (1): شماتیک ریزشبکه [36]

 

2-2- مدل سیگنال کوچک اجزای ریزشبکه

برای بررسی مسئله کنترل بار - فرکانس در ریزشبکه، لازم است از مدل سیگنال کوچک منابع انرژی تجدیدپذیر و ذخیره‌سازها (که حول نقطه کار خطی شده‌اند) استفاده شود. مدل سیگنال کوچک هر یک از اجزای ریزشبکه عبارت‌اند از:

2-2-1- توربین بادی (WTG)

مدل دینامیکی توربین بادی برای تحلیل سیگنال کوچک با رابطه (1) و تابع مشخصه آن با رابطه (2) بیان می‌شود [25،37]

(1)

 

(2)

 

در روابط (1) و (2)،  و  به‌ترتیب بهره و ثابت زمانی توربین بادی، : ضریبی عددی که بیان‌کنندۀ درصد توان توربین بادی است که به ریزشبکه تحویل می‌شود،: تغییرات توان الکتریکی خروجی توربین بادی و : تغییرات توان بادی هستند. توان مکانیکی بادی استحصال‌شده ()از رابطه (3) به‌دست می‌آید [25].

(3)

 

در رابطه (3)، : ضریب بهره‌برداری توربین،
: چگالی هوا ،: سطح جاروب‌شده از پره  و : سرعت باد (m/s) هستند.

2-2-2- سلول خورشیدی (PV)

مدل دینامیکی سلول خورشیدی در تحلیل سیگنال کوچک با رابطه (4) و تابع مشخصه آن با رابطه (5) بیان می‌شوند [25،37].

(4)

 

(5)

 

در روابط (4) و (5)، و  به‌ترتیب بهره و ثابت زمانی سلول خورشیدی، : تغییرات توان الکتریکی خروجی سلول خورشیدی و : تغییرات شدت تابش خورشید هستند. توان الکتریکی سلول خورشیدی
() از رابطه (6) به‌دست می‌آید [25،37].

(6)

 

در رابطه (6)، : بازده سلول خورشیدی،: مساحت سلول خورشیدی ، : شدت تابش خورشیدی  و : دمای محیط () هستند.

2-2-3- دیزل ژنراتور (DEG)

دیزل ژنراتور نقش عمده‌ای در ریزشبکه هیبرید مستقل دارد؛ به‌طوری‌که هنگام افزایش بار، بخشی از تأمین توان لازم برای رسیدن به وضعیت تعادل (توان) را برعهده دارد. مدل دینامیکی دیزل ژنراتور در تحلیل سیگنال کوچک با رابطه (7) و تابع مشخصه آن در رابطه (8) بیان می‌شود [10].

(7)

 

(8)

 

در روابط (7) و (8)،  و  به ترتیب بهره و ثابت زمانی و سیستم دیزل ژنراتور؛ R: ضریب افتی سرعت،: تغییرات توان دیزل ژنراتور و: تغییرات سیگنال ورودی به دیزل ژنراتور،: تغییرات سیگنال اعمالی کنترل‌کننده به دیزل ژنراتور و: تغییرات فرکانس هستند.

2-2-4- الکترولایزر (AE)

الکترولایزر، هیدروژن لازم را برای پیل سوختی فراهم می‌کند. توان الکترولایزر با بخشی از توان توربین بادی
() فراهم می‌شود. مدل دینامیکی الکترولایزر در تحلیل سیگنال کوچک با رابطه (9) و تابع مشخصه آن در رابطه (10) توصیف شده است [10،37].

(9)

 

(10)

 
 

در روابط (9) و (10)،  و  به‌ترتیب بهره و ثابت زمانی الکترولایزر، : تغییرات هیدروژن تولیدی الکترولایزر و : تغییرات توان ورودی به الکترولایزر هستند.

2-2-5- پیل سوختی (FC)

پیل سوختی با استفاده از هیدروژن تولیدی با الکترولایزر، انرژی الکتریکی تولید می‌کند. مدل دینامیکی پیل سوختی در تحلیل سیگنال کوچک با رابطه (11) و تابع مشخصه آن در رابطه (12) توصیف شده است [10،37].

(11)

 

(12)

 

در رابطه (12) و  به ترتیب بهره و ثابت زمانی پیل سوختی و : تغییرات توان الکتریکی خروجی پیل سوختی هستند.

2-2-6- سیستم ذخیرۀ باتری (BESS) و چرخ طیار (FESS)

سیستم ذخیره باتری (چرخ طیار)، انرژی الکتریکی دریافتی را به‌صورت انرژی شیمیایی (مکانیکی) ذخیره می‌کند. باتری و چرخ طیار مازاد انرژی در ریزشبکه را ذخیره و کمبود انرژی الکتریکی را تأمین می‌کنند. در تحلیل سیگنال کوچک، مدل دینامیکی باتری و چرخ طیار به‌ترتیب با روابط (13) و (14) و توابع مشخصه آنها با روابط (15) و (16) بیان می‌شوند [28،37].

(13)

 

(14)

 

(15)

 

(16)

 

در روابط (13) الی (16)،  و  به‌ترتیب بهره و ثابت زمانی سیستم باتری،  و  به‌ترتیب بهره و ثابت زمانی سیستم چرخ طیار،  تغییرات توان تولید/جذب شده (مثبت/منفی) از باتری،  تغییرات توان تولید/جذب شده (مثبت/منفی) از چرخ طیار، : تغییرات سیگنال اعمالی کنترل‌کننده به سیستم باتری و : تغییرات سیگنال اعمالی کنترل‌کننده به سیستم چرخ طیار هستند.

2-2-7- تغییرات فرکانس و توان ریزشبکه

تغییرات توان در ریزشبکه، تغییرات فرکانس را سبب می‌شود. مدل دینامیکی ریزشبکه، برای تحلیل سیگنال کوچک با رابطه (17) بیان می‌شود [37].

 

(17)

در رابطه (17)، D: ثابت میرایی سیستم (pu)، M: ثابت اینرسی سیستم (pu)،: تغییرات فرکانس سیستم (pu) و: تغییرات توان سیستم (pu) هستند که از روابط (18) و (19) محاسبه می‌شوند.

(18)

 

(19)

 

در روابط (18) و (19)، : تغییرات منتجه توان الکتریکی منابع ریزشبکه و : تغییرات بار ریزشبکه هستند که به‌صورت بار توان ثابت در نظر گرفته می‌شوند. شکل (2) مدل سیگنال کوچک ریزشبکه را به‌صورت بلوکی از اجزاء مختلف نشان می‌دهد.

 

شکل (2): مدل دینامیکی ریزشبکه

 

2-3- کنترل فرکانس

همان‌طور که در شکل (2) ملاحظه می‌شود، در صورت رخداد اغتشاشی در ریزشبکه و به هم خوردن تعادل توان، فرکانس تغییر می‌کند. برای بازگشت فرکانس به مقدار نامی در دو سطح عمل می‌شود: کنترل اولیه و کنترل ثانویه فرکانس [38].

الف- کنترل اولیه فرکانس

همان‌طور که در شکل (2) ملاحظه می‌شود، در ریزشبکه مطالعه‌شده، کنترل اولیه فرکانس با حلقه افتی دیزل ژنراتور مطابق رابطه (20) صورت می‌گیرد؛ که در آن R: ضریب افتی (pu) است.

(20)

 

ب- کنترل ثانویه

حلقه کنترلی اولیه، فرکانس افت‌کرده را محدود می‌کند؛ اما در برگرداندن فرکانس به مقدار نامی ناتوان است؛ بنابراین از حلقه تعاملی دیگری با نام کنترل ثانویه فرکانس استفاده می‌شود [38]. با توجه به شکل (2)، در این مقاله از کنترل‌کننده پیش‌بین مبتنی بر مدل برای بازگرداندن فرکانس به مقدار نامی در حلقه کنترلی ثانویه استفاده شده است.

 

3- کنترل‌کننده پیش‌بین مبتنی بر مدل

3-1- ساختار کلی

کنترل‌کننده پیش‌بین مبتنی بر مدل در محدوده وسیعی از کاربردها در صنایع مختلف ازقبیل فرآیندهای شیمیایی، صنعت نفت و سیستم‌های الکترومکانیکی استفاده شده است [30]. ساختار کلی کنترل‌کننده پیش‌بین در شکل (3) نشان داده شده است. با توجه به شکل (3)، در کنترل‌کننده مذکور، با استفاده از مدلی از سیستم، رفتار آینده آن، پیش‌بینی و کنترل می‌شود. در این کنترل‌کننده، با حداقل‌کردن یک تابع هزینه، سیگنال کنترلی به‌دست می‌آید. مقادیر سیگنال کنترلی در افق کنترل، طوری تعیین می‌شوند که خروجی سیستم در آینده بر روی افق معین، مسیر مرجع تعیین‌شده را دنبال کند. برای این منظور، باید تابع هزینه حداقل شود که عموماً به‌صورت مربع انحراف متغیرهای کنترل‌شونده از مقدار مطلوب و مجموع مربعات سیگنال‌های کنترلی در نظر گرفته می‌شود. رابطه (21)، تابع هزینه و رابطه (22) و (23) به‌ترتیب قیودی اعمالی روی سیگنال‌های کنترلی و خروجی را نشان می‌دهند [30].

(21)

 

(22)

 

(23)

 

در روابط (21) تا (23)، : تابع هزینه‌ای است که باید حداقل شود؛ N1: افق پایین پیش‌بینی، N2: افق بالای پیش‌بینی، Nu: افق کنترل، : مقدار پیش‌بینی‌شده سیگنال خروجی در لحظه k+j، درصورتی‌که سیستم در لحظه k قرار داشته باشد، : خروجی مرجع در ‌افق کنترل در لحظه k+j، : سیگنال کنترلی محاسبه‌شده برای زمان ، درصورتی‌که سیستم در لحظه k قرار داشته باشد، : فاکتور توزین (ضرائب وزنی خطا) و : فاکتور توزین (ضرائب وزنی سیگنال کنترلی) هستند. شکل (4)، ترتیب زمانی محاسبه سیگنال‌های کنترلی و نحوه محاسبه آنها را نشان می‌دهد.

 

شکل (3):ساختار کلی کنترل‌کننده پیش‌بین

 

شکل (4):ترتیب زمانی سیگنال‌ها در کنترل‌کننده پیش‌بین

3-2- طراحی کنترل‌کننده پیش‌بین

تغییر در توان تولیدی منابع و بار در ریزشبکه، تغییر در فرکانس را سبب می‌شود. منابع توان ریزشبکه به دو دسته تقسیم می‌شوند؛ الف- منابع کنترل‌پذیر: شامل دیزل ژنراتور، سیستم ذخیره باتری و چرخ طیار؛ ب- منابع کنترل‌ناپذیر شامل پیل سوختی، توربین بادی و سلول خورشیدی. در طراحی کنترل‌کننده پیش‌بین، تغییرات منابع توان کنترل‌ناپذیر به‌صورت اغتشاش قابل پیش‌بینی و تغییرات بار به‌صورت اغتشاش غیرقابل پیش‌بینی در نظر گرفته می‌شوند. شکل (5) ساختار کنترل‌کننده پیش‌بین پیشنهادی ریزشبکه و سیگنال‌های ورودی و خروجی آن را نشان می‌دهد. معادلات حالت کنترل‌کننده پیش‌بین به‌صورت زیر هستند.

 

(24)

 

 

در رابطه (24)، X: بردار متغیرهای حالت، A: ماتریس فضای حالت، U: بردار خروجی کنترلی، B: ماتریس ضرائب، W: بردار اغتشاش (ورودی کنترل‌ناپذیر) و D: ماتریس ضرایب اغتشاش هستند.

 

شکل (5): ساختار کنترل‌کننده پیش‌بین پیشنهادی ریزشبکه

 

در کنترل‌کننده پیشنهادی (با توجه به شکل (5)) در مرحلۀ اول تغییرات منابع توان و بار و همچنین فرکانس ریزشبکه ارزیابی و اندازه‌گیری می‌شوند؛ سپس در مرحله بعدی، پیش‌بینی خروجی سیستم (تغییرات فرکانس) و اعمال سیگنال‌های مناسب کنترل‌کننده با توجه به قانون صورت می‌گیرند. روابط حاکم بر رفتار کنترل‌کننده با استفاده از روابط (25) تا (32) توصیف می‌شوند.

(25)

 

 

subject to

(26)

 

(27)

 

(28)

 

(29)

 
 

(30)

(31)

 

(32)

 

در روابط فوق، رابطه (25) تابع هدفی است که به‌صورت برنامه‌ریزی مربعی تنظیم شده است و با حداقل‌کردن آن، مجموعه سیگنال‌های کنترلی (رابطه (30)) به‌دست می‌آیند؛ رابطه (26) نحوۀ محاسبه سیگنال  را در هر گام زمانی بیان می‌کند.  ضرایب عددی است که از حل مسئله به‌دست می‌آیند (با حداقل‌شدن J). رابطه (27) حداقل و حداکثر دامنۀ سیگنال کنترلی اعمالی را در هر گام زمانی نشان می‌دهد. روابط (28) و (29) به ترتیب محدودۀ ضرایب انتخاب‌شده در تابع هدف را نشان می‌دهند. رابطه (31) نحوۀ محاسبه متغیرهای حالت را در هر گام زمانی بیان می‌کند و رابطه (32) سیگنال‌های کنترلی در نظر گرفته شده برای منابع ذخیره انرژی را نشان می‌دهد. همچنین در محاسبات صورت‌گرفته شاخص زیر نیز به‌دست می‌آید.

(33)

 

از شاخص معرفی‌شده در رابطه (33) برای مقایسه روش‌های کنترلی - در بخش شبیه‌سازی - استفاده می‌شود.

کنترل پیش‌بین علاوه بر میراکردن فرکانس ریزشبکه، باید سطح ولتاژ ریزشبکه را نیز با مبدل‌های منابع توان و همچنین سیستم تحریک دیزل ژنراتور، کنترل و تنظیم کند. نحوه کنترل ولتاژ در ریزشبکه موضوع مستقلی است و در چارچوب مقاله حاضر نیست؛ بنابراین، در ضمیمۀ الف به چگونگی کنترل ولتاژ در ریزشبکه (جدا از شبکه اصلی) به‌صورت خلاصه اشاره شده است.

 

5- شبیه‌سازی

همان‌طور که در بخش سوم بیان شد، انواع منابع انرژی تجدیدپذیر، در ریزشبکۀ شبیه‌سازی‌شده در نظر گرفته شده‌اند. مقادیر پارامترهای منابع انرژی تجدیدپذیر در جدول (1) نشان داده شده‌اند [10].

جدول (1): مقادیر پارامترهای منابع انرژی ریزشبکه [10]

مقدار

پارامتر

مقدار

پارامتر

1.5

TWTG(s)

0.012

D(pu/HZ)

0.5

TAE(s)

0.1667

2H(pu s)

1

KWTG

0.1

TFESS(s)

3

R(Hz/pu)

0.1

TBESS(s)

0.6

Kt

4

TFC(s)

1/300

KDEG

1/100

KFC

-1/100

KFESS

1/500

KAE

1

KPV

-1/300

KBESS

1.8

TPV

2

TDEG(s)

پارامترهای کنترل پیش‌بین نیز به‌صورت زیر در نظر گرفته شده‌اند.

 

0

 

5

 

2

وزن روی متغیرهای دستکاری‌شده

0

وزن روی سرعت متغیرهای دستکاری‌شده

0.1

وزن روی سیگنال خروجی

2 تا 0

فواصل زمانی نمونه‌برداری

0.0002 sec

مقادیر حداکثر و حداقل سیگنال کنترلی
() مطابق زیر تنظیم می‌شوند. [30].

1pu

حداکثر مقدار سیگنال کنترلی

0.1pu

حداقل مقدار سیگنال کنترلی

همچنین حداکثر و حداقل انحراف فرکانس (پریونیت) به‌صورت زیر در نظر گرفته می‌شوند.

1pu

ماکزیمم انحراف فرکانس

-1pu

مینیمم انحراف فرکانس

 

برای ارزیابی عملکرد روش کنترلی پیشنهادی، شبیه‌سازی در محیط متلب/سیمولینک صورت گرفته است. اغتشاشات وارده بر ریزشبکه (از نوع تغییرات ناگهانی بار و تغییرات منابع تولید پراکنده) مطابق شکل های (6) تا (8) به ریزشبکه اعمال می‌شوند. اغتشاش‌ شکل (6) مربوط به تغییر توان سلول خورشیدی، شکل (7) مربوط به تغییر توان توربین بادی و اغتشاش و شکل (8) مربوط به تغییر بار ریزشبکه هستند [10].

 

شکل (6): تغییر توان سلول خورشیدی (pu)[10]

 

شکل (7): تغییر توان توربین بادی (pu) [10]

 

 

شکل (8): تغیرات بار ریزشبکه (pu)[10]

 

شبیه‌سازی در 5 سناریو بررسی شده است.

سناریو 1: در این سناریو، عملکرد کنترل‌کننده‌های CPSO-FOPID و CPSO-PID (ضرایب و پارامترهای کنترل‌کننده‌ها از [10] اخذ شده‌اند) و کنترل پیشنهادی به اغتشاش‌های شکل (6) تا (8) ارزیابی می‌شوند که هم‌زمان به ریزشبکه اعمال می‌شوند. عملکرد کنترل‌کننده‌ها، برای میراکردن نوسانات فرکانس ریزشبکه، در شکل (9) نشان داده شده‌اند. همان‌طور که ملاحظه می‌شود عملکرد کنترل‌کننده پیشنهادی نسبت به دیگر کنترل‌کننده‌ها بهتر است؛ به‌طوری‌که نوسانات فرکانس، دامنه فراجهش و فروجهش کمتری دارند و در تعداد نوسانات کمتری میرا می‌شوند.

سناریو 2: مانند سناریو 1 است؛ اما برای ارزیابی عملکرد مقاوم کنترل‌کننده‌ها فرض شده است که پارامتر (2H) نیز می‌تواند در بازه [1 1.5]×0.1667 تغییر کند [10]. پاسخ کنترل‌کننده‌ها به اعمال هم‌زمان اغتشاش‌های شکل (6) تا (8)، در شکل (10) نشان داده شده‌اند. همان‌طور که ملاحظه می‌شود کنترل‌کننده پیشنهادی در این حالت نیز عملکرد بهتری نسبت به دیگر کنترل‌کننده‌ها دارد.

سناریو 3: مانند سناریو 1 است؛ اما برای ارزیابی عملکرد مقاوم کنترل‌کننده‌ها فرض شده است که پارامتر (2H) نیز می‌تواند در بازه [0.5 1]×0.1667 تغییر کند [10]. پاسخ کنترل‌کننده‌ها به اعمال هم‌زمان اغتشاش‌ها در شکل (11) نشان داده شده‌اند. در این حالت نیز کنترل‌کننده پیشنهادی عملکرد بهتری نسبت به دیگر کنترل‌کننده‌ها دارد.

سناریو 4: در این سناریو اغتشاشی بار پله‌ای مطابق شکل (12) به ریزشبکه اعمال شده است [25] برای مقایسه‌کردن پاسخ کنترل‌کننده‌های مختلف با هم، در سناریوهای (4) و (5) از پارامترهای منابع انرژی تجدیدپذیر ارائه شده در [25] استفاده شده است. شکل (13) عملکرد کنترل‌کننده‌های ZN-PI و Fuzzy-PI و کنترل‌کننده پیشنهادی را نشان می‌دهد (ضرایب و پارامترهای کنترل‌کننده‌های ZN-PI و Fuzzy-PI از [25] اخذ شده‌اند). عملکرد کنترل‌کننده پیشنهادی نسبت به کنترل‌کننده‌های مذکور به نحو چشمگیری بهتر است.

سناریو 5: در این سناریو، شرایط مشابه سناریو 4 است؛ اما اغتشاش وارد بر ریزشبکه، اغتشاشی بار پله‌ای نسبتاً شدیدی مطابق شکل (14) است [25]. عملکرد کنترل‌کننده پیشنهادی و کنترل‌کننده‌های ZN-PI و Fuzzy-PI برای میراکردن تغییرات فرکانس در شکل (15) نشان داده شده‌اند. عملکرد کنترل‌کننده پیشنهادی نسبت به دیگر کنترل‌کننده‌ها به نحو چشمگیری در این سناریو نیز مطلوب‌تر است.

برای ارزیابی بهتر کنترل‌کننده پیشنهادی و کنترل‌کننده‌های ZN-PI و Fuzzy-PI، شاخصی مطابق رابطه (33) تعریف می‌شود [25] نتایج اررزیابی کنترل‌کننده‌های مختلف در سناریوهای (4) و (5) در جدول (2) نشان داده شده‌اند. ملاحظه می‌شود که عملکرد کنترل‌کننده پیشنهادی نسبت به دیگر کنترل‌کننده‌ها بهتر است.

جدول (2): عملکرد کنترل‌کننده‌ها براساس شاخص در سناریوهای 4 و 5

ZN-PI

[25]

Fuzzy-PI [25]

کنترل‌کننده

MPC

 

سناریو

00024/0+

00020/0+

0001374/0+

4

00426/0+

00272/0+

00109/0+

5

 

 

 

شکل (9): عملکرد کنترل‌کننده‌ها برای میراکردن تغییرات فرکانس در سناریو 1

 

 

شکل (10): عملکرد کنترل‌کننده‌ها برای میراکردن تغییرات فرکانس در سناریو 2

 

 

 

شکل (11): عملکرد کنترل‌کننده‌ها برای میراکردن تغییرات فرکانس در سناریو 3

 

 

شکل (12): اغتشاش بار به‌صورت چندپله‌

 

 

شکل (13): عملکرد کنترل‌کننده‌های مختلف برای میراکردن فرکانس در سناریو 4

 

شکل (14): اغتشاش بار پله‌ای نسبتاً شدید

 

 

شکل (15): عملکرد کنترل‌کننده‌های مختلف برای میراکردن فرکانس در سناریو 5

 


6- نتیجه‌گیری

یکی از موضوعات بااهمیت در کنترل ریزشبکه‌های جدا از شبکه اصلی، کنترل فرکانس است. در این مقاله، روشی مقاوم مبتنی بر کنترل پیش‌بین مدل برای کنترل بار - فرکانس در ریزشبکه ارائه شده است. کنترل‌کننده پیشنهادی، سیگنال‌های کنترل را به منابع انرژی تجدیدپذیر با حلقه ثانویه کنترل اعمال می‌کند. برای بررسی کنترل پیشنهادی، ریزشبکه‌ای دربردارندۀ انواع منابع انرژی تجدیدپذیر در محیط متلب/سیمولینک شبیه‌سازی شده است. مقایسه نتایج به‌دست‌آمده با کنترل‌کننده‌هایی همچونZN-PI ، Fuzzy-PI، CPSO-FOPID و CPSO-PID، بیان‌کنندۀ عملکرد بهتر و مطلوب‌تر کنترل‌کننده پیشنهادی برای میراکردن نوسانات فرکانس و عملکرد مقاوم آن در مقابل عدم‌قطعیت و تغییرات پارامترهای ریزشبکه هستند.

 

ضمیمه الف

در ریزشبکه مستقل از شبکه اصلی، تغییر در سطح توان، سبب تغییر در ولتاژ و فرکانس ریزشبکه می‌شود؛ بنابراین کنترل ولتاژ و فرکانس ضروری است. کنترل ولتاژ دیزل ژنراتور از راه سیستم تحریک و کنترل منابع انرژی تجدیدپذیر ذخیره انرژی از راه مبدل‌های (DC/AC) صورت می‌گیرند. شکل (الف-1) بلوک دیاگرام سیستم تحریک دیزل ژنراتور و شکل (الف-2) بلوک دیاگرام مبدل منابع توان را نشان می‌دهند [42]. کنترل ولتاژ دیزل ژنراتور با تنظیم ولتاژ مرجع (Vref) و کنترل مبدل‌ با بلوک تولید سیگنال ولتاژ و فرکانس مرجع (V-F Reference Generator) صورت می‌گیرند [42]. درواقع، با استفاده از سیگنال‌های کنترلی و دیگر اطلاعات موجود، سیگنال‌های ولتاژ مرجع برای دیزل ژنراتور و همچنین سیگنال ولتاژ و فرکانس مرجع برای منابع توان کنترل‌پذیر و کنترل‌ناپذیر تولید می‌شوند. شکل‌های (الف-3) تا (الف-5) بلوک دیاگرام تولید سیگنال‌های مرجع را به‌صورت شماتیکی به ترتیب برای دیزل ژنراتور، منابع انرژی تجدیدپذیر کنترل‌پذیر، و منابع انرژی تجدیدپذیر کنترل‌ناپذیر نشان داده‌اند. مرجع، جزئیات عملکرد مبدل‌ها برای کنترل ولتاژ ریزشبکه جدا از شبکه اصلی را بررسی کرده است [42].

 

 

 

شکل (الف-1): بلوک دیاگرام سیستم تحریک دیزل ژنراتور

 

VSC: Voltage source converter;CCM: Current control mode; VCM: Voltage control mode; PLL: Phase locked loop

شکل (الف-2): بلوک دیاگرام مبدل توان منابع

 

شکل (الف-3): بلوک دیاگرام تولید ولتاژ مرجع دیزل ژنراتور

 

شکل (الف-4): بلوک دیاگرام تولید ولتاژ مرجع برای مبدل منابع توان کنترل‌پذیر

 

شکل (الف-5): بلوک دیاگرام تولید ولتاژ مرجع برای مبدل منابع توان کنترل‌ناپذیر



 

 

 


[1] Load frequency control (LFC)

[2] Proportional Integral (PI)

[3] Proportional Integral differential (PID)

[4] Robust control using μ-synthesis and D-K iteration

[5] Genetic Algorithm (GA)

[6] Particle Swarm Optimization (PSO)

[7] Social-spider optimizer (SSO)

[8] Biogeography-based optimization (BBO)

[9] Model predictive control (MPC)

[10] Zigler-Nicoles based PI (ZN-PI)

[11] Fuzzy based PI (Fuzzy-PI)

[12] Canonical based Fractional order PID (CPSO-FOPID)

[13] Canonical PSO based PID (CPSO-PID)

[14] Photo voltaic (PV)

[15] Diesel Engine Generator (DEG)

[16] Wind Turbine Generator (WTG)

[17] Fuel Cell (FC)

[18] Battery energy storage system (BESS)

[19] Flywheel energy storage system (FESS)

[20] Aqua electrolyzer (AE)

[1]   Fereidoon P. Sioshansi, “Distributed generation and its implications for the utility industry”, Academic Press, 2014.
[2]   F. Habibi, A. H. Naghshbandy, H. Bevrani, “Robust voltage controller design for an isolated microgrid using Kharitonov’s theorem and D-stability concept”, Int. J. of Electrical Power & Energy System, Vol. 44, No. 1, pp. 656-665, Jan. 2013.
[3]   S.K. Pandey, S.R. Mohanty and N. Kishor, “A literature survey on load–frequency control for conventional and distribution generation power systems”, Renew. Sustain. Energy Rev., Vol. 25, pp. 318-334, 2013.
[4]   C. Chowdhury, S. P. chowdhury, and P. Crossley, “Microgrids and Active Distribution Networks”, the Institution of Engineering and Technology”, London, 2009.
[5]   A.R. Teel, A. Subbaraman, A. Sferlazza, “Stability analysis for stochastic hybrid systems: A survey”, Automatica, Vol. 50, pp. 2435–2456, 2014.
[6]   A.M. Bouzid, J.M. Guerrero, A. Cheriti, et al., “A survey on control of electric power distributed generation systems for microgrid applications”, Renew. Sustain. Energy Rev., Vol. 44, pp. 751-766, 2015.
[7]   R. Dhanalakshmi, S. Palaniswami, “Load frequency control of wind diesel hydro hybrid power system using conventional PI controller”, European J. Scient. Res., Vol. 60, No. 4, pp. 630-641, 2011.
[8]   P.K. Ray, S.R. Mohanty, N. Kishor, “Proportional-integral controller based small-signal analysis of hybrid distributed generation systems”, Energy Conver. Manage., Vol. 52, No. 4, pp. 1943-1954, 2011.
[9]   G. Mallesham, S. Mishra, S. Member, A.N. Jha, “Ziegler-Nichols based controller parameters tuning for load frequency control in a microgrid”, International Conference on Energy, Automation, and Signal, Odisha, pp. 1–8, 28-30 Dec. 2011,
[10]  I. Pan, S. Das, “Fractional order AGC for distributed energy resources using robust optimization”, IEEE Trans.Smart Grid, Vol. 7, No. 5, pp. 2175-2186, Sept. 2015.
[11]  K. Masui and T. Namerikawa, “Load frequency control of a microgrid based on H∞ control considering response speed of generators”, 54th IEEE Conference on Decision and Control (CDC), Osaka, pp. 5895-5902, 2015.
[12]  Singh, V.P., Mohanty, S.R., Kishor, N., Ray, P.K., “Robust H-infinity load frequency control in hybrid distributed generation system”, Int J. Electr. Power Energy Syst., Vol. 46, pp. 294-305, 2013.
[13]  S. M. Azizi and S. A. Khajehoddin, “Robust load frequency control in islanded microgrid systems using μ-synthesis and D-K iteration, 2016 Annual IEEE Systems Conference (SysCon), Orlando, FL, pp. 1-8, 2016.
[14]  X. Huang, Z. Wang, J. Jiang, “Control and load-dispatching strategies for a microgrid with a DC/AC inverter of fixed frequency”, Electrical power and Energy Systems, Vol. 43, pp. 1127-1136, 2012.
[15]  Q. Shafiee, J. M. Guerrero, and J. C. Vasquez, “Distributed Secondary control for Islanded Microgrid – A novel approach”, IEEE Transactions on Power Electronics, Vol. 29, No. 2, pp. 1018-1031. 2014.
[16]  A. Elrayyah; F. Cingoz; Y. Sozer, “Smart Loads Management Using Droop-Based Control in Integrated Microgrid Systems”, to be appeared in IEEE Journal of Emerging and Selected Topics in Power Electronics, DOI: 10.1109/JESTPE.2017.2666786.
[17]  F. Cingoz, A. Elrayyah and Y. Sozer, “Plug-and-Play nonlinear droop construction scheme to optimize islanded microgrid operations”, IEEE Transactions on Power Electronics, Vol. 32, No. 4, pp. 2743-2756, April 2017.
[18]  R. Rana; M. Singh; S. Mishra, “Design of modified droop controller for frequency support in microgrid using fleet of electric vehicles”, to be appeared in IEEE Transactions on Power Systems, doi: 10.1109/TPWRS.2017.2651906.
[19]  C. Mu, Y. Tang and H. He, “Observer-based sliding mode frequency control for micro-grid with photovoltaic energy integration”, 2016 IEEE Power and Energy Society General Meeting (PESGM), Boston, pp. 1-5, 2016.
[20]  D.C. Das, A.K. Roy, N. Sinha, “GA based frequency controller for solar thermal–diesel–wind hybrid energy generation/energy storage system”, Int J. Electr. Power Energy Syst., Vol. 43, No. 1, pp. 262–279, 2012.
[21]  S.K. Pandey, S.R. Mohanty, N. Kishor, J.P.S. Catalão, “Frequency regulation in hybrid power systems using particle swarm optimization and linear matrix inequalities based robust controller design”, Int J. Electr. Power Energy Syst., Vol. 63, pp. 887–900, 2014.
[22]  A. A. El-Fergany and M. A. El-Hameed, “Efficient frequency controllers for autonomous two-area hybrid microgrid system using social-spider optimiser”, IET Generation, Transmission & Distribution, Vol. 11, No. 3, pp. 637-648, 2017.
[23]  R.H. Kumar, S. Ushakumari, “Biogeography-based Tuning of PID controllers for load frequency control in microgrid”, 2014 International Conference on Circuit, Power and Computing Technologies [ICCPCT], Nagercoil, pp. 797-802, 2014.
[24]  G. Shankar, V. Mukherjee, “Load frequency control of an autonomous hybrid power system by quasi-oppositional harmony search algorithm”, Int J. Electr. Power Energy Syst., Vol. 78, pp. 715–734, 2016.
[25]  H. Bevrani, F. Habibi, P. Babahajyani, M. Watanabe and Y. Mitani, “Intelligent frequency control in an ac microgrid: online pso-based fuzzy tuning approach”, IEEE Transactions on Smart Grid, Vol. 3, No. 4, pp. 1935-1944, Dec. 2012.
[26]  M. H. Khooban, T. Niknam, F. Blaabjerg, P. Davari, and T. Dragicevic, “A robust adaptive load frequency control for micro-grids.” ISA Transactions, Vol. 65, pp. 220-229, 2016.
[27]  M. H. Khooban, T. Niknam, F. Blaabjerg, P. Davari, and T. Dragicevic, “A new load frequency control strategy for micro-grids with considering electrical vehicles”, Electric Power Systems Research, Vol. 143, pp. 585-598, 2017.
[28]  P. F .Frack , E. Pedro, E.H. Watanabe, R. W. Doncker and S. Hanno, “Control strategy design for frequency control in automous smart microgrids”, Procedings of the 5th IEEE International Symposium on power Electronics for Distributed Generation Systems, pp .1-8 . 2014.
[29]  F. S. Tidjani, A. Hamadi, A. Chandra, P. Pillay and A. Ndtoungou, “Optimization of standalone microgrid considering active damping technique and smart power management using fuzzy logic supervisor”, IEEE Transactions on Smart Grid, Vol. 8, No. 1, pp. 475-484, Jan. 2017.
[30]  EF. Camacho, CB. Alba, “Model predictive control”, Springer Science & Business Media; 2013.
[31]  A. Parisio, E. Rikos, G. Tzamalis, L. Glielmo, “Use of model predictive control for experimental microgrid optimization”, Applied Energy. Vol. 115, pp. 37-46, 2014.
[32]  A. K. Verma, H. B. Gooi, A. Ukil, N. R. Tummuru and S. K. Kollimalla, “Microgrid frequency stabilization using model predictive controller, “2016 IEEE PES Transmission & Distribution Conference and Exposition-Latin America (PES T&D-LA), Morelia, pp. 1-6, 2016.
[33]  S. Raimondi Cominesi, M. Farina, L. Giulioni, B. Picasso and R. Scattolini, “A two-layer stochastic model predictive control scheme for microgrids”, to be appeared in IEEE Transactions on Control Systems Technology, DOI: 10.1109/TCST.2017.2657606.
[34]  J. Pahasa and I. Ngamroo, “PHEVs bidirectional charging/discharging and soc control for microgrid frequency stabilization using multiple mpc”, IEEE Transactions on Smart Grid, Vol. 6, No. 2, pp. 526-533, March 2015.
[35]  J. Pahasa and I. Ngamroo, “Coordinated Control of Wind Turbine Blade Pitch Angle and PHEVs Using MPCs for Load Frequency Control of Microgrid”, IEEE Systems Journal, Vol. 10, No. 1, pp. 97-105, March 2016.
[36]  J. Pecas Lopes, A. Moreira, and A. G. Madureira”, Defining control strategies for microgrids islanded operation”, IEEE Trans. on power Systems, Vol. 21, No. 2, pp. 919-920, May 2006.
[37]  D. J. Lee and  L. Wang, “Small-signal stability analysis of an autonomous hybrid renewable energy power generation/energy storage system part I: time-domain simulations”, IEEE Trans. on Energy Conversion, Vol. 23, No. 1, pp. 311-320, Mar. 2008.
[38]  H. Bevrani, “Robust power System Frequency Control”, Springer, 2009.
[39]  T. Senjyu, T. Nakaji, K. Uezato, and T. Funabashi, “A hybrid power system using alternative energy facilities in isolated island”, IEEE Trans. on Energy Conversion, Vol. 20, No. 2, pp. 406-414, Jun. 2005.
[40]  M. K. Hao, F. Liu, X. Zhang, and C. Z. Yu, “Study on control strategy of energy storage system used in micro-grid”, Power Electronics, Vol. 4, No. 19, pp. 45-47, 2012.
[41]  N. Ghaffarzadeh, A. Salimi, “A new control method of photovoltaic-battery hybrid system connected to the electrical network by using model predictive controller”, Computational Intelligence in Electrical Engineering, Vol. 6, No. 2, pp. 29-40, 2016.
[42]  M. Farrokhabadi, C. A. Cañizares and K. Bhattacharya, “Frequency Control in Isolated/Islanded Microgrids Through Voltage Regulation”, IEEE Transactions on Smart Grid, Vol. 8, No. 3, pp. 1185-1194, May 2017.