کنترل بهینه مبتنی بر پیش‌بین مدل (mpc) و شبکه عصبی مصنوعی (ann) برای مبدل بازوی تناوبی (aac) مورد استفاده در سیستمhvdc

این پژوهش به طراحییک چارچوب کنترل پیش‌بین مدل (mpc) برای تنظیم جریان و ولتاژ در مبدل بازوی تناوبی (aac) می‌پردازد. نوآوری اصلی کار، بهینه‌سازی ضرایب وزنی توابع هزینهmpc با بهره‌گیری از شبکه عصبی مصنوعی (ann) است. برای این منظور، یک شبکه عصبی با دو ورودیو دو خروجی توسعه داده شده است؛ ورودی‌هاشامل ولتاژ لینکdc و خطای آن نسبت به مقدار مرجع بوده و خروجی‌ها به ترتیب ضرایب وزنی توابع هزینه جریان و ولتاژ هستند که در فرآیند تصمیم‌گیریmpc استفاده می‌شوند. به این ترتیب، کنترلر قادر خواهد بود متناسب با شرایط دینامیکی سیستم—از جمله وقوع خطاهایac و dc—ضرایب بهینه را انتخاب کرده و دستورات کنترلی مناسب برای سوئیچ‌هایaac تولید کند. از آنجا که اهداف متعدد در mpc تنها در صورت تنظیم صحیح ضرایب وزنی قابل تحقق هستند، عدم تنظیم مناسب می‌تواند به ناپایداری کنترلر و در نهایت سیستم منجر شود، به‌ویژه در شرایط اغتشاش. برای ارزیابی کارایی روش پیشنهادی، شبیه‌سازی‌های مختلفی روی شبکه hvdc تحت سناریوی خطایac انجام شده است. در ادامه، عملکرد کنترلر پیشنهادی با mpc متعارف بدون بهینه‌سازی مبتنی بر nn مقایسه می‌گردد. نتایج بیانگر آن است که روش ترکیبیmpc–ann در شرایط خطا از دقت بالاتری در دنبال‌کردن مقادیر مرجع برخوردار بوده و نسبت به روش غیر بهینه عملکرد مطلوب‌تری ارائه می‌دهد.

optimal model predictive control based on artificial neural networks for the alternate arm converter in hvdc systems

this study presents the design of a model predictive control (mpc) framework for regulating current and voltage in an alternate arm converter (aac) employed in high-voltage direct current (hvdc) systems. the main contribution lies in optimizing the weighting factors of the mpc cost function using an artificial neural network (ann). to this end, a neural network with two inputs and two outputs is developed: the inputs correspond to the dc-link voltage and its deviation from the reference value, while the outputs provide the optimized weighting coefficients for the current and voltage cost functions, which are then utilized in the mpc decision-making process. consequently, the controller can dynamically adjust the weighting factors according to system operating conditions—including ac and dc faults—and generate appropriate switching commands for the aac. since achieving the multiple objectives of mpc critically depends on the correct tuning of weighting factors, improper selection may lead to controller instability and even system failure, particularly under disturbances. to validate the effectiveness of the proposed method, comprehensive simulations are performed on an hvdc network subject to ac fault scenarios. the performance of the proposed mpc–ann scheme is further compared with that of conventional mpc without ann-based optimization. the results demonstrate that the hybrid approach achieves superior reference-tracking accuracy and enhanced fault tolerance compared to its non-optimized counterpart.