ریزشبکه روی کشتی:کنترل فرکانس-بار ریزشبکه با در نظر گرفتن انرژی امواج دریا به وسیله کنترل‌کننده پیش‌بین مدل بهینه‌شده

کنترل بار-فرکانس یکی از موضوعات مهم در کنترل ریز شبکه‌هایی است که به ‌صورت مستقل از شبکه اصلی بهره‌برداری می‌شوند. در این مقاله به مسئله کنترل بار-فرکانس در ریزشبکه روی کشتی پرداخته شده است: منابعی مانند باتری و چرخ طیار به عنوان منابع کنترل پذیر در مسئله کنترل بار فرکانس در نظر گرفته شده اند و از کنترل کننده پیش بین مدل به عنوان کنترل کننده برای طراحی سیستم کنترل بار-فرکانس به کار برده شده است. پارامترهای وزن کنترل کننده پیش بین مدل که نقش اساسی در تعیین عملکرد این کنترل کننده دارند به وسیله الگوریتم ازدحام ذرات مبتنی بر دیوانگی بهینه شده است. استفاده از الگوریتم پیشنهادی سبب افزایش سرعت همگرایی شده است. نتایج کنترل‌کننده پیشنهادی، در چند سناریو مختلف و با در نظر گرفتن عدم قطعیت پارامترها با کنترل‌کننده‌های تناسبیانتگرالی فازی نوع یک و دو چند هدفه بهینه شده با الگوریتم سیاه چاله، کنترل کننده تناسبیانتگرالی فازی و کنترل کننده تناسبیانتگرالی زیگلرنیکولز مقایسه شده است. موثر بودن روش پیشنهادی از لحاظ سرعت پاسخ و کاهش فراجهش و فروجهش و مقاوم در برابر عدم قطعیت پارامترها نشان داده شده است. کنترل کننده پیشنهادی سرعت پاسخ سریعتری نسبت به سایر روشهای کنترلی مرسوم داشته است و تقریبا سرعت پاسخ به نوسانات را 7% بهبود یافته است، همچنین کنترل کننده پیشنهادی در کاهش فراجهش و کاهش فروجهش عملکرد بهتری داشته است و از لحاظ کاهش فراجهش و کاهش فروجهش نوسانات نزدیک به 5% بهبود داشته است. شبیه‌سازی درنرم افزار متلب (سیمولینک) انجام شده است.

Microgrid on the ship: load Frequency control of the microgrid, taking into account the Sea Wave energy by the optimized model predictive controller

Loadfrequency control is among the important concerns in controlling microgrids, which are operated independently of the main grid. In this paper, loadfrequency control in microgrids on ships is studied. Resources such as batteries and flywheels are considered controllable resources in loadfrequency control. Besides, the model predictive control is used as the controller to design a loadfrequency control system. The model predictive control weight parameters, which play a substantial role in determining the performance of this controller, are optimized using the crazinessbased particle swarm optimization algorithm. The proposed algorithm accelerates convergence. The results of the proposed controller are compared under several different scenarios considering the uncertainty of parameters using MultiObjective Fuzzy Type 1 PI and MultiObjective interval Fuzzy Type 2 PI controllers, which are optimized by the black hole algorithm, the fuzzy proportional integral controllers, and Ziegler–Nichols proportional integral controllers. The effectiveness of the proposed method with regard to the response speed, the decrease in overshoot and undershoot, and robustness against the parameter uncertainties is indicated. The proposed controller responds faster than the other conventional control methods and accelerates the process of responding to oscillations by 7%. In addition, the proposed controller performs better in reducing overshoot and reducing undershoot and it shows a 5% improvement with regard to the decrease in overshoot and undershoot in the oscillations. Simulations are also carried out in MATLAB (Simulink).