کنترل بهینه نوسانات ولتاژ و فرکانس ریز شبکه متصل در شرایط اغتشاشات شدید به کمک الگوریتم ترکیبی pso-ann

امروزه استفاده از منابع تجدید پذیر گسترش یافته است اما این منابع دارای ماهیتی ناپایدار و نوسانی هستند که باعث کاهش قابلیت اطمینان و کیفیت توان سیستم می شود. علاوه بر غیرقابل پیش بینی بودن منابع تجدید پذیر، بروز اغتشاشات شدید و ناشناخته نیز چالش برانگیز است. در این میان ذخیره سازهای انرژی نقش اساسی در ساختار ریزشبکه ها دارند. گسترش و استفاده بهینه از سیستم­های ذخیره­ساز انرژی برای برطرف کردن مشکلات ذکر شده، می­تواند راه­کار مناسبی باشد. در این مقاله یک استراتژی کنترلی جدید برای سیستم ذخیره­ساز انرژی باتری ارائه شده است. هدف این سیستم کنترلی بازیابی ولتاژ و فرکانس ریزشبکه و در نتیجه افزایش کیفیت توان آن، در صورت بروز اغتشاشات مختلف است. برای بهینه سازی سیستم کنترلی از الگوریتم اجتماع ذرات و شبکه عصبی مصنوعی(pso-ann) استفاده شده است. ضرایب کنترل کننده ها به کمک یک شبکه عصبی مصنوعی که با مجموعه­ای از داده های ورودی و خروجی آموزش دیده است، بدست آمده و در طی فرآیند بهینه سازی کنترل کننده­ها  تحت اختلالات مختلف با استفاده از pso به صورت آنلاین تنظیم می شوند.

optimum control of voltage and frequency fluctuations of the connected microgrid in the conditions of severe disturbances using the combined pso-ann algorithm

in recent times, the use of renewable resources has expanded. however, due to their inherent nature, these resources are unstable (transient), leading to a decrease in power quality. additionally, the unpredictability of renewable sources poses severe and unknown challenges. energy storage systems play a fundamental role in the structure of microgrids. to address the mentioned problems, optimal utilization and expansion of energy storage systems can be a suitable option. in this article, a novel control strategy for battery energy storage systems is proposed. the goal of this control system is to recover voltage and frequency in the microgrid, thereby enhancing its power quality, especially in the presence of a wide spectrum of disturbances. to optimize the control system, the particle swarm optimization (pso) algorithm and an artificial neural network (ann) are employed. the controller coefficients are tuned using ann training with a set of input-output data during the optimization process. under various disturbances, the pso algorithm dynamically adjusts the controller parameters online.