کنترل فرکانس-بار ریزشبکه دو ناحیه‌ای به وسیله کنترل‌کننده پیش‌بین مدل بهینه‌شده

کنترل بارفرکانس در ریزشبکه ایزوله بسیار مهم است، با اغتشاش بار، فرکانس ریزشبکه نوسان پیدا می‌کند و این نوسان باید توسط سیستم کنترل بارفرکانس(کنترل ثانویه) میرا گردد. در این مقاله تعداد کنترل کننده‌ها مورد استفاده برای منابع ذخیره انرژی موجود در ریزشبکه کاهش پیدا کرده است(پیچیدگی کمتر) و از کنترل پیش‌بین مدل(mpc) که پارامترهای وزن آن با استفاده از الگوریتم ترکیبی جدید ازدحام ذرات مبتنی بر دیوانگیجستجوی الگوبهینه شده(hcrpsops)، برای کنترل بارفرکانس در ریزشبکه دو ناحیه‌ای استفاده شده است. نتایج کنترل‌کننده پیشنهادی، در چند سناریو مختلف و با در نظر گرفتن تغییرات بار و منابع تولید پراکنده ریزشبکه با روش‌های مانند کنترل‌کننده pid بهینه‌شده با الگوریتم رفتار اجتماعی عنکبوت(sso) و کنترل کننده پیش بین مدل که پارامترهای وزن آن با الگوریتم ازدحام ذرات مبتنی بردیوانگی (crpso) (برای نشان دادن کارایی الگوریتم ترکیبی جدید)، مقایسه شده است و موثر بودن روش پیشنهادی از لحاظ سرعت پاسخ و کاهش فراجهش و فرجهش، کنترل کننده کمتر(پیچیدگی کمتر) نشان داده شده است. شبیه‌سازی با استفاده از نرم افزار متلب انجام شده است.

Load frequency control in a two area microgrid by Optimized model predictive controller

Loadfrequency control in an isolated microgrid is very important.By turbulence the load, the frequency of the microgrid begins to oscillate which must be damped using the loadfrequency control system (secondary control). In this paper, we have reduced the number of utilized controllers for the power supplies in the microgrid (less complexity) and we have incorporated the Model Predictive Controller (MPC), whose weight parameters are optimized using the novel Hybrid Craziness based Particle Swarm OptimizationPattern Search (HCRPSOPS) algorithm, for controlling the loadfrequency in a twoarea microgrid. The results of the proposed controller, in a number of different scenarios, are compared with other methods such as the PID controller optimized with the Social Spider Optimization (SSO) algorithm and the model predictive controller whose weight parameters are obtained using the Craziness based Particle Swarm Optimization (CRPSO) algorithm (to demonstrate the efficiency of the novel hybrid algorithm), considering load variations and the distribution of the sources in the microgrid. We have demonstrated the efficiency of the proposed method in terms of response speed, overshoot/undershoot reduction and control complexity(less complex). Simulations are performed using MATLAB software