کنترل بار فرکانس در یک سیستم قدرت چند ناحیه‌ای با مشارکت منابع انرژی تجدید پذیر و خودروی الکتریکی با استفاده از کنترل ‌کننده pid مرتبه کسری مبتنی بر شبکه عصبی موجک

با تجدید ساختار سیستم قدرت و ادغام منابع انرژی تجدید پذیر مختلف با رفتار دینامیکی پیچیده و عدم قطعیت های عملکردی زیاد، مبحث کنترل بار فرکانس، پیچیدگی های بیشتری پیدا کرده است. در این مقاله برای یک سیستم قدرت ترکیبی دو ناحیه ای که شامل نیروگاه حرارتی با در نظر گرفتن عوامل غیرخطی مانند باند مرده گاورنر و محدودیت میزان تولید و منابع انرژی تجدیدپذیر شامل توربین بادی، نیروگاه خورشیدی-حرارتی، الکترولایزر، پیل سوختی و خودرو برقی پلاگین است، یک ساختار کنترل بار فرکانس تطبیقی مرتبه کسری، مبتنی بر شبکه های عصبی موجک خود بازگشتی و کنترل کننده مرتبه کسری با نام کنترل کننده تناسبی-انتگرالی-مشتقی (pid) مرتبه کسری مبتنی بر شبکه عصبی موجک (awnnfopid) پیشنهاد شده است. برای مقایسه عملکرد کنترل کننده awnnfopid پیشنهادی چهار سناریو متفاوت در نظر گرفته شده و نتایج با کنترل کننده های سنتی انتگرال گیر (i)، متناسب-انتگرال گیر (pi)، pid و همچنین با کنترل کننده pid مرتبه کسری (fopid) بهینه مقایسه شده است. نتایج شبیه سازی ها نشان دهنده عملکرد بسیار مناسب کنترل کننده awnnfopid پیشنهادی بر اساس شاخص های عملکردی زمان نشست، زمان صعود، حداکثر فراجهش، حداکثر فروجهش، انتگرال زمانی قدر مطلق خطا (itae) و انتگرال قدر مطلق خطا (iae) در مقایسه با سایر کنترل کننده به کار رفته برای سیستم قدرت مورد مطالعه است.

load frequency control in a hybrid power system considering renewable energy sources and electric vehicles using fractional order pid controller based on wavelet neural network

restructuring of power systems and integration of different renewable energy sources with complex dynamic behaviors and high structural uncertainties has made the issue of load frequency control more important. for a hybrid power system that includes a thermal power plant taking into account nonlinear limitations such as the governor dead band and generator rate constraints and renewable energy sources including a wind turbine, solar-thermal power plant, electrolyzer, fuel cell, and plug-in electric vehicle, this paper proposes an adaptive wavelet neural network fractional order pid controller (awnnfopid) based on self-recursive wavelet neural networks and fractional order pid controller. to compare the performance of the proposed awnnfopid controller, four different scenarios are considered and the simulation results are compared with traditional i, pi, and pid controllers as well as with the optimized fopid controller. the simulation results show that the proposed awnnfopid controller has better performances than the other control strategies used for the studied hybrid power system based on performance indicators such as settling time, rise time, maximum overshoot, maximum undershoot, integral time absolute error (itae), and integral absolute error (iae).