Nachricht

Aug 29, 2023

PSO-abgestimmter Intervalltyp

Wissenschaftliche Berichte Band 13,

Wissenschaftliche Berichte Band 13, Artikelnummer: 8724 (2023) Diesen Artikel zitieren

169 Zugriffe

Details zu den Metriken

Heutzutage integrieren die meisten modernen Energiesysteme neben zentralen konventionellen Kraftwerken auch konzentrierte erneuerbare Energiequellen wie Solar- und Windparks. Die Ausgangsleistung dieser konzentrierten erneuerbaren Energieressourcen variiert kontinuierlich je nach Wetterbedingungen wie Sonneneinstrahlung oder Windgeschwindigkeit und -richtung. Die Schwankung ihrer Ausgangsleistung kann in Megawatt liegen. In dieser Arbeit wurde ein robuster sekundärer Lastfrequenzregler (LFC) vorgeschlagen, der auf einer künstlichen intelligenten Technik basiert, die als Intervall-Typ-2-Fuzzy-Logic-Regler (IT2FLC) bezeichnet wird, für ein Zwei-Bereichs-Mehrquellen-Verbundstromsystem mit zentralen Solarpark-Kraftwerken in jedem Bereich unter Berücksichtigung von Nichtlinearitäten im Energiesystem. IT2FLC hat Unklarheiten, Verzerrungen und Ungenauigkeiten bei den Eingangssignalen des Stromnetzes berücksichtigt, die durch Wetterschwankungen und Nichtlinearitäten des Systems verursacht wurden. Zusätzlich zu LFC wurde ein weiterer Controller vorgeschlagen, der ebenfalls auf IT2FLC basiert, um die Ausgangsleistung der zentralen Solarparks in jedem Erzeugungsbereich während bewölkter Perioden anstelle der Maximum Power Point Tracking-Methode (MPPT) zu steuern und so die Stabilität zu verbessern Stromnetz während Störungsperioden. Um die Leistung des vorgeschlagenen LFC zu verbessern, wurde die Partikelschwarmoptimierungstechnik (PSO) verwendet, um die vorgeschlagenen LFC-Gewinne zu optimieren und den stationären Fehler, den Über-/Unterschusswert, die Einschwingzeit und die Systemoszillation für das untersuchte Energiesystem zu minimieren Frequenz. Die Leistung und Überlegenheit des vorgeschlagenen PSO-abgestimmten IT2FLC wird bewertet und mit einem anderen LFC verglichen, der auf einem PSO-abgestimmten kaskadierten PID-Regler basiert, während starke Bedarfslast- und Sonneneinstrahlungsänderungen angewendet werden. Die Simulation wurde mit dem Programm Matlab/Simulink durchgeführt.

Die meisten modernen Smart Grids nutzen große erneuerbare Energieressourcen wie Photovoltaikkraftwerke im Versorgungsmaßstab, die auch als Solarparks bekannt sind. Diese Solarparks sind zentralisiert und liefern den Strom auf Versorgungsebene in mehreren Megawatt1,2 im Gegensatz zu auf dem Dach montierten Gebäuden mit dezentraler Erzeugung PV-Module, die Strom in kleinem Maßstab auf der Nachfrageebene und in begrenzter Größe produzieren3,4. Der aus Solarparks erzeugte Strom zeichnet sich durch große Ausgangsleistung, aber auch durch von der Sonneneinstrahlung abhängige Leistung aus, die in bewölkten Perioden oder bei Wetterschwankungen stark schwankt5,6.

Auf der Nachfrageseite hingegen wurden durch intelligente Netze große Nachfragelasten wie öffentliche Ladestationen für Elektrofahrzeuge (EV) erhöht, die fast 5 % der gesamten Nachfragelast in den Vereinigten Staaten ausmachen7. Diese Ladestationen für Elektrofahrzeuge zeichnen sich durch große, variable und unvorhersehbare Bedarfslasten8 aus.

Aufgrund aller oben genannten Smart-Grids-Probleme sowohl auf der Versorgungs- als auch auf der Nachfrageseite wird die Frequenz des Stromnetzes in Smart Grids durch starke Änderungen der auf Versorgungsebene erzeugten Energie aufgrund der Integration von Solarparks sowie durch starke Änderungen der Nachfragelast aufgrund der zunehmenden Anzahl von Solarparks gestört Ladestationen für Elektrofahrzeuge.

Es wurden mehrere Studien durchgeführt, um einen robusten Lastfrequenzregler für vernetzte Energiesysteme vorzuschlagen. In diesen Studien wurden klassische Regler wie PI-, PID- und kaskadierte PID-Regler vorgeschlagen, in anderen Studien wurden jedoch moderne Regler vorgeschlagen, die auf Techniken der künstlichen Intelligenz wie Fuzzy-Logik-Systemen und neuronalen Netzen basieren, um die klassische Reglermethode vollständig zu ersetzen, während andere Hybridregler vorgeschlagen haben, die Klassik und Moderne kombinieren Reglermethoden wie Gain-Scheduled-Adaptive-Regler, Fuzzy-PI- und Fuzzy-PID-Regler. In9 wurde der PSO-abgestimmte PID-Regler als Frequenzregler für ein zweibereichsverbundenes Stromnetz eingesetzt, wobei der vorgeschlagene Regler im Vergleich zu herkömmlichen PI- und PID-Reglern für verschiedene Szenarien von Bedarfslaständerungen weniger Überschwingspitzen und Einschwingzeiten erreicht hat. In 10 wurde ein auf den Firefly-Algorithmus (FA) abgestimmter 2DOF-PID-Regler als Lastfrequenzregler für ein Zwei-Bereichs-Energiesystem vorgeschlagen, bei dem Simulationen für zwei verschiedene Szenarien der Änderung der Bedarfslast in jedem Erzeugungsbereich durchgeführt wurden, um die Überlegenheit von zu beweisen Der vorgeschlagene Regler verfügt über einen auf FA abgestimmten PID-Regler. Ein neuartiger Ansatz wurde 11 vorgeschlagen, indem eine proportionale Verstärkung für die innere Rückkopplung des PID-Reglers hinzugefügt wurde, der den PID-P-Regler als LFC für ein Zwei-Bereichs-Mehrquellen-Stromversorgungssystem bezeichnete, während die Verstärkungen des vorgeschlagenen Reglers mithilfe der PSO-Technik optimiert wurden. Die Überlegenheit des vorgeschlagenen Reglers wurde im Vergleich zu anderen Reglern wie dem auf einen genetischen Algorithmus (GA) abgestimmten PID-Regler und dem 2DOF-PID-Regler untersucht. Im Jahr 12 wurden die PID-Verstärkungen mithilfe eines Lozi-Karten-basierten chaotischen Optimierungsalgorithmus (LCOA) für eine neue vorgeschlagene Zielfunktion abgestimmt. Außerdem wurde eine Vergleichsstudie zwischen dem vorgeschlagenen Regler und anderen Techniken zur Optimierung des PID-Reglers wie GA, PSO und simuliertes Tempern durchgeführt (SA) wo die vorgeschlagene Technik eine bessere Leistung erbracht hat als andere Techniken. Der Typ-1-Fuzzy-Logik-Regler (T1FLC) wurde 13 als Haupt-LFC für ein Zwei-Bereichs-Energiesystem vorgeschlagen, das ein Solarparkkraftwerk und eine Reduktions-Oxidations-Flow-Batterie (RFB) als schnelle aktive Stromquelle bei Störungen integriert. Der vorgeschlagene Regler weist eine bessere Leistung auf im Vergleich zum PID-Regler bei starker Bedarfslast und Änderungen der Sonneneinstrahlung. In14 wurde vorgeschlagen, dass T1FLC als LFC für ein Zwei-Bereichs-Energiesystem mit Interline-Power-Flow-Controller (IPFC) fungiert, während die Verstärkungen für den vorgeschlagenen Controller durch einen PI-Regler gesteuert wurden, der vorgeschlagene Controller sowie IPFC haben zur Verbesserung beigetragen Stabilität des Stromversorgungssystems und Reduzierung der Systemschwingungen. Der auf den Whale-Optimierungsalgorithmus (WOA) abgestimmte IT2FLC wurde 15 für ein Zwei-Bereichs-Stromversorgungssystem mit einem thyristorgesteuerten Phasenschieber (TCPS) in der Verbindungsleitung als Leistungsflussregler vorgeschlagen. Der vorgeschlagene Regler hat die dynamische Leistung des Stromsystems im Vergleich zu T1FLC verbessert, weil IT2FLC hat die Unsicherheit im Feedbacksignal bewältigt. In16 wurde ein auf den T1FLC abgestimmter Algorithmus für künstliche Bienenvölker vorgeschlagen, um die Reservewirkleistung der Windkraftanlage bei Bedarfslaständerungen in Mikronetzstromsystemen zu steuern, wobei die Reservewirkleistung die Differenz zwischen der maximalen Ausgangsleistung der Windkraftanlage und der Sollleistung ist. Die geladene Turbinenleistung wurde verbessert, während der vorgeschlagene Regler die dynamische Leistung der Turbinenrotordrehzahl, des Nickwinkelverhaltens und der Gesamtfrequenz des Mikronetzsystems verbessert hat. Ein optimaler adaptiver IT1FLC wurde 17 vorgeschlagen, um die entlastete Ausgangsleistung von PV-Modulen in Mikronetzstromsystemen bei starken Bedarfslaststörungen zu steuern. Während die Robustheit des vorgeschlagenen Reglers gegenüber Unsicherheiten bei den Parametern des Stromversorgungssystems untersucht wurde, hat der vorgeschlagene Regler eine deutliche Verbesserung erzielt den Frequenzgang durch Verringerung der Frequenzabweichung sowie der Einschwingzeit des Systems.

Um die Frequenz des Stromnetzes aufgrund von Störungen zu stabilisieren, die auf der Versorgungs- oder Versorgungsseite erzeugt werden, muss im Stromnetz ein robuster Lastfrequenzregler eingesetzt werden, um die Erzeugung aus konventionellen Kraftwerken sowie die Ausgangsleistung aus erneuerbaren Energiequellen zu steuern. Dieser Controller soll Folgendes erreichen:

Regulierung der von zentralen konventionellen Kraftwerken wie Wärme-, Wasser- und Gaskraftwerken erzeugten Ausgangsleistung unter Berücksichtigung von Nichtlinearitäten im Modell, wie z. B. Erzeugungsratenbeschränkung (GRC) und Reglertotzone (GDB).

Behalten Sie die Frequenzabweichungsniveaus innerhalb der CSP-Grenzwerte (Controller Standard Performance) bei18.

Halten Sie die Austauschleistung (Verbindungsleitungsleistung) zwischen den Erzeugungsgebieten innerhalb der vorab festgelegten Werte.

Kontrollieren Sie die Ausgangsleistung des Solarparks in jedem Erzeugungsbereich während bewölkter Perioden, um das Stromsystem in diesen Perioden zu stabilisieren.

Hält die Stabilität des Stromversorgungssystems bei schwerwiegenden Änderungen der Lastlast aufrecht, z. B. bei der Nachfrage von Ladestationen für Elektrofahrzeuge oder bei Stromausfällen großer Lastlasten aufgrund eines Ausfalls von Übertragungsleitungen.

Die meisten klassischen Regler wie (PI, PID oder kaskadierte PID) können die Systemfrequenzprobleme in modernen Stromversorgungssystemen nicht ohne kontinuierliche adaptive Abstimmung ihrer Verstärkungen bewältigen, und zwar aus verschiedenen Gründen wie Ungenauigkeit der Reglereingangssignale in modernen Stromversorgungssystemen, Unsicherheiten bei den Parametern des Stromversorgungssystems usw -Linearitäten in diesen Energiesystemen wie GRC und GDB.

In dieser Arbeit wurde IT2FLC als LFC für ein Zwei-Bereichs-Verbundstromsystem ohne Leistungsflussregler in der Verbindungsleitung vorgeschlagen, wie in Abb. 1 gezeigt, während ein anderer IT2FLC vorgeschlagen wurde, um die Ausgangsleistung der Solarparkstation während bewölkter Störungsperioden zu steuern. IT2FLC ist eine der künstlichen intelligenten Techniken, die als LFC für Stromversorgungssysteme eingesetzt werden können. Es gibt viele Gründe, die IT2FLC klassischen Controllern überlegen machen, wie zum Beispiel:

Es handelt sich um einen robusten Controller, bei dem keine präzisen Eingaben erforderlich sind15.

Im Allgemeinen sind Fuzzy-Logic-Systeme in der Lage, komplexe Probleme zu lösen, da sie dem menschlichen Denken ähneln13.

IT2FLC kann Unsicherheiten und Verzerrungen in Eingangssignalen besser verarbeiten als T1FLC19.

Flexibilität und Einfachheit der Änderung der Controller-Struktur und -Leistung durch Hinzufügen oder Löschen der Regelbasis20.

Untersuchtes Energiesystem mit zwei Bereichen und mehreren Quellen.

Als eine der besten Optimierungstechniken, die bei LFC-Problemen11,13,15 verwendet wurde, wurde in dieser Arbeit PSO vorgeschlagen, um die IT2FLC-Gewinne zu optimieren und die Leistung des vorgeschlagenen Controllers zu verbessern. PSO ist eine metaheuristische Technik, die von der Bewegung von Schwärmen wie Vögeln oder Fischschwärmen bei der Nahrungssuche inspiriert ist21. Diese Technik optimiert die Lösung eines Problems durch die Annahme einer bestimmten Anzahl von Kandidatenlösungen, die auch Partikel genannt werden. Diese Partikel bewegen sich gemäß einer mathematischen Funktion durch den Suchraum, während jedes Partikel seine Position und Geschwindigkeit in Richtung der besten Schwarm- oder globalen Position für jede Iteration ändert des Suchens22. Für kleindimensionale Suchräume wie die Optimierung der Gewinne des in dieser Arbeit vorgeschlagenen Controllers hat PSO den Vorteil gegenüber anderen metaheuristischen Optimierungstechniken wie GA, WOA oder GWO, bei denen es schnell zur global besten Lösung konvergiert und gleichzeitig einige Parameter optimiert23 .

Die Überlegenheit des vorgeschlagenen Reglers wird im Vergleich zur Leistung des PSO-abgestimmten PID-P-Reglers untersucht, der in 11 für dasselbe untersuchte Stromsystem vorgeschlagen wurde (siehe Abb. 1), wobei erhebliche Änderungen für die Bedarfslast und die Sonneneinstrahlungswerte vorgenommen werden. Die vorgeschlagene Leistungssteigerung des Reglers durch das Hinzufügen einer schnellen aktiven Leistungsquelle wie RFB wird im Simulationsabschnitt im Vergleich zur Leistung des Systems ohne Frequenzstabilisator untersucht.

Das untersuchte Zwei-Bereichs-Mehrquellen-Stromversorgungssystem wurde 11,13,15 eingeführt. Das Energiesystem verfügt über zwei Erzeugungsbereiche, wobei jeder Erzeugungsbereich über mehrere Erzeugungseinheiten verfügt. In Bereich 1 gibt es jeweils Dampf-, Wasser- und Windkraftwerke zum Nachheizen, während in Bereich 2 Dampf-, Wasser- und Dieselkraftwerke zum Nachheizen vorhanden sind. RFB als Frequenzstabilisator wurde für das untersuchte Stromnetz im Jahr 13 dimensioniert und im Bereich 1 zentriert, um in Störungsperioden, die durch Nachfragelast oder starke Änderungen der Sonneneinstrahlung verursacht werden, Strom sofort zu absorbieren oder abzuleiten, da die typische Zeitkonstante für RFB nur 0,5 ms beträgt .24. Die beiden Erzeugungsgebiete sind durch eine Verbindungsleitung miteinander verbunden. Neben der Hauptaufgabe des vorgeschlagenen LFC, die Frequenz des Stromnetzes zu steuern, verfügt die Verbindungsleitung im untersuchten Stromnetz über keinen Leistungsflussregler, was die Bedeutung der LFC-Robustheit erhöht, um die gemeinsame Leistung der Verbindungsleitung zu erhalten zwischen Erzeugungsgebieten innerhalb der vorab festgelegten Werte. In jedes Erzeugungsgebiet wurde ein Solarparkkraftwerk mit einer Wirkleistungskapazität von 10 % der Grundleistung des Stromnetzes integriert. Unter normalen Betriebsbedingungen steuert der Maximum Power Point Tracker (MPPT) den Hauptwechselrichter des Solarparks.

Um die Ausgangsleistung des Solarparks zu maximieren. Im Gegensatz dazu kann die Maximierung der Ausgangsleistung des Solarparks bei Störungen oder bewölkten Perioden Auswirkungen auf die Stabilität des Stromsystems haben. Folglich wurden in 13 und 15 Solarpark-Regler auf Basis von T1FLC bzw. IT2FLC vorgeschlagen, um die Ausgangsleistung des Solarparks in Störungsperioden zu steuern, die entweder durch starke Laständerungen oder Änderungen der Sonneneinstrahlung verursacht werden. Der vorgeschlagene Solarpark-Controller in15 auf Basis von IT2FLC wurde in dieser Arbeit zur Steuerung von Solarpark-Kraftwerken verwendet, die in Bereich 1 und Bereich 2 integriert sind.

Gemäß Abb. 1 führen alle Änderungen der Bedarfslast der Fläche 1 (\(P_{D1}\)) oder der Bedarfslast der Fläche 2 (\(P_{D2}\)) oder beider zu einem Ungleichgewicht zwischen dem Stromsystem erzeugter Strom und Bedarfslast, was sich folglich auf die Frequenz des gesamten Stromsystems auswirkt, und nicht nur auf die Frequenz des Gebiets, in dem diese Änderung der Bedarfslast aufgrund der Verbindungsleitung auftritt, die die Erzeugungsbereiche des Stromsystems miteinander verbindet.

Der Bereichskontrollfehler (\(ACE\)) ist definiert als der Betrag der erzeugten Leistung, der von einem bestimmten Bereich aus erhöht oder verringert werden muss, um das Gleichgewicht zwischen der erzeugten Leistung und der Bedarfslast aufrechtzuerhalten. \(ACE\) für das untersuchte Energiesystem kann mathematisch wie in den Gleichungen ausgedrückt werden. (1,2) für den Bereichskontrollfehler in Bereich-1 bzw. Bereich-2:

wobei \(B_{1}\) und \(B_{2}\) Frequenz-Bias-Sensoren für Fläche-1 bzw. Fläche-2 sind, während \(\Delta P_{tie12}\) die geteilte Leistung durch die Verbindung ist. Linie zwischen den Erzeugungsgebieten.

Das Ungleichgewicht zwischen Erzeugung und Nachfrage in Energiesystemen, die erneuerbare Ressourcen integrieren, kann auch durch Änderungen in der aus diesen erneuerbaren Ressourcen wie Solarparks erzeugten Energie verursacht werden. Sowohl Änderungen in der Nachfragelast als auch in der erzeugten Energie erzeugen in beiden Bereichen \(ACE\). Der vorgeschlagene LFC in jedem Gebiet ist dafür verantwortlich, die erzeugte Energie in seinem Gebiet zu erhöhen oder zu verringern und gleichzeitig die folgenden Ziele zu erreichen:

Verkürzung der Einschwingzeit bei Übergangsperioden.

Minimieren Sie Über-/Unterschreitungen bei der Systemfrequenz.

Minimieren Sie den stationären Frequenzfehler des Stromversorgungssystems.

Halten Sie die Verbindungsleitungsleistung innerhalb der voreingestellten Werte.

Die Nichtlinearitäten im untersuchten Energiesystem wie GDB und GRC in konventionellen Kraftwerken wie Wärme- und Wasserkraftwerken wirken sich auf die Präzision der \(ACE\)-Werte aus, was wiederum zu Unsicherheiten im Eingangssignal für den vorgeschlagenen Regler führt. Diese Unsicherheiten können die Stabilität des Stromnetzes beeinträchtigen und sich auf die Leistung von LFC auswirken. IT2FLC berücksichtigt in dieser Arbeit diese Unsicherheitsgrade im Eingangssignal, die die Leistung von IT2FLC im Vergleich zu T1FLC19 verbessern.

Der vorgeschlagene LFC ist zentralisiert und weist in jedem Erzeugungsbereich eine identische Struktur auf, wie in Abb. 2 dargestellt

Vereinfachte Struktur des zentralen IT2FLC für LFC in Bereich 1 und Bereich 2.

Der vorgeschlagene Controller verfügt in jedem Bereich über zwei Eingänge: \(ACE\) und die Änderung des Bereichssteuerungsfehlers (\(\Delta ACE\)). \(\Delta ACE\) wird im vorgeschlagenen Regler berücksichtigt, um den Grad der Schwankung der Netzfrequenz zu minimieren. Die Reglereingangssignale sollten logischerweise im Bereich von (− 1:1) PU liegen, was bedeutet, dass das Steuersignal vom LFC an die Kraftwerke 100 % (1 PU) der Nennwirkleistungskapazität des Stromversorgungssystems nicht überschreiten darf Der Mindestwert der Reduzierung der Erzeugungskapazität von Kraftwerken darf nicht weniger als 100 % (− 1 PU) der Nennwirkleistungskapazität des Stromnetzes betragen. Alle Werte kleiner oder größer als (− 1:1) sind Verzerrungssignale, die in Übergangsperioden auftreten können. Diese Verzerrungen können zu Fehlfunktionen des LFC und folglich zu Instabilität des Stromsystems führen. Die Skalierungsfaktoren \(K_{e}\) und \(K_{\Delta e}\) werden mit den Eingangssignalen \(ACE\) und \ multipliziert. (\Delta ACE\), um die Eingaben zwischen (-1:1) zu normalisieren. Das skalierte \(ACE\) wurde in Abhängigkeit von der Art der Störung im Stromnetz in sieben Kategorien von Dreieckszugehörigkeitsfunktionen eingeteilt, wie in Abb. 3 dargestellt.

Vorgeschlagene \(ACE\)-Mitgliedschaftsfunktion.

Dabei steht HDL für einen starken Anstieg der Bedarfslast, MDL für einen mittleren Anstieg der Bedarfslast, LDL für einen geringen Anstieg der Bedarfslast und Z für keine Änderung der Bedarfslast oder der Stromerzeugung im Stromnetz und im System stabil. Andererseits bedeutet HG einen hohen Anstieg der erzeugten Leistung im Vergleich zur Bedarfslast, MG einen mittleren Anstieg der erzeugten Leistung und LG einen geringen Anstieg der erzeugten Leistung im Vergleich zur Bedarfslast. Die Unsicherheit im \(ACE\)-Signal aufgrund von Verzerrungen oder Nichtlinearitäten im Stromversorgungssystem wurde im grauen Bereich in der Zugehörigkeitsfunktion dargestellt, die als Fußabdruck des Unsicherheitsniveaus bezeichnet wird. Dieser Bereich wird in dieser Arbeit als fester Wert angenommen mit 10 % Unsicherheit.

Das skalierte \(\Delta ACE\) wurde außerdem in sieben Kategorien gleicher Dreieckszugehörigkeitsfunktionen (hoch negativ, mittel negativ, niedrig negativ, Null, niedrig positiv, mittel positiv und hoch positiv) oder (HN, MN, LN, Z) eingeteilt , LP, MP, HP), wie in Abb. 4 dargestellt. Die Unsicherheit im \(\Delta ACE\)-Signal aufgrund von Systemschwingungen wurde im grauen Bereich in der Zugehörigkeitsfunktion dargestellt und ebenfalls als fester Wert mit 10 % angenommen. der Unsicherheit.

Vorgeschlagene \(\Delta ACE\)-Mitgliedschaftsfunktion.

Das vorgeschlagene Reglerausgangssignal zum Erhöhen oder Verringern der Erzeugung aus den Kraftwerken hängt von der Kombination des Sprachstatus \(ACE\) und \(\Delta ACE\) ab, der in der Regelbasistabelle zusammengefasst werden kann. Die Regelbasis hängt hauptsächlich von der Überlegung des Designers und der Systemerfahrung ab, wie in der vorgeschlagenen Regelbasis in der Tabelle gezeigt. 1.

Gemäß Tabelle 1 ist die vorgeschlagene Ausgabeaktion des IT2FLC-Controllers auch in sieben Status kategorisiert (HN, MN, LN, Z, LP, MP, HP). Die gemäß der vorgeschlagenen Regelbasis erforderliche Aktion wird dann auf die Zugehörigkeitsfunktion des Controller-Ausgangs angewendet, wie in Abb. 5 gezeigt, wo die Controller-Aktion in einem aufgerufenen Prozess in einen digitalen oder scharfen Wert im Bereich von (-1:1) PU umgewandelt wird Defuzzifizierung25.

Vorgeschlagene Controller-Ausgabe-Mitgliedschaftsfunktion.

In dieser Arbeit wurde der in26 vorgeschlagene PSO-Algorithmus verwendet, um die Leistung des vorgeschlagenen LFC zu verbessern. Das Ziel von PSO besteht darin, die Controller-Skalierungsfaktoren \(K_{e}\) und \(K_{\Delta e}\) abzustimmen, um den Gesamtfehler des Stromversorgungssystems zu minimieren. Der Gesamtfehler des Stromversorgungssystems wurde in dieser Arbeit wie in Gleichung ausgedrückt definiert. (3).

Um den Frequenzfehler des Stromversorgungssystems und die Systemoszillation zu minimieren sowie die Einschwingzeit des Systems zu verkürzen, wurde in dieser Arbeit die in13,15 vorgeschlagene Mehrzielfunktion vorgeschlagen, um die Fitness jedes Partikels im Schwarm zu bewerten. Die Zielfunktion wird in Gleichung ausgedrückt. (4) während die Simulationszeit 60 s beträgt.

Die vorgeschlagene Zielfunktion kombiniert fraktioniert die Merkmale von zwei verschiedenen einzelnen Zielfunktionen, nämlich dem integralen quadratischen Fehler (ISE) und dem integralen quadratischen Zeitfehler (ITSE), ISE \(\left( {\int_{0}^{60\,s} {OE^{2} \cdot d} } \right)\) neigt dazu, Über-/Unterschießwerte in der Netzfrequenz während der Übergangsperiode zu reduzieren, da dadurch große Fehler stärker bestraft werden als kleinere Fehler, da das Quadrat eines großen Fehlers gleich ist größer. Andererseits tendiert ITSE \(\left( {\int_{0}^{60\,s} {t \cdot OE^{2} \cdot d} } \right)\) dazu, die Netzfrequenz zu minimieren Steady-State-Fehler, da kleine Fehler stärker bestraft werden als große Fehler, indem die kleinen Fehler mit der Zeit multipliziert werden. Die Bewertung der vorgeschlagenen Zielfunktion und ihrer Überlegenheit gegenüber einzelnen Zielfunktionen wurde ausführlich in 13 vorgestellt. Der Bruchwert für jede einzelne Zielfunktion bestimmt das Ziel der Optimierungstechnik, die auch von der Systemerfahrung abhängt.

Das in Abb. 6 dargestellte Flussdiagramm veranschaulicht die Schritte des PSO-Algorithmus zur Optimierung der Skalierungsfaktoren des vorgeschlagenen LFC.

PSO-Flussdiagramm zur Optimierung der LFC-Skalierungsfaktoren.

Der PSO-Algorithmus wurde ausgeführt, um die Skalierungsfaktoren für den vorgeschlagenen LFC im untersuchten Stromsystem mithilfe des Matlab/Simulink-Programms gemäß den in Abb. 6 gezeigten Schritten zu optimieren, während eine 10-prozentige Stufenänderung der Bedarfslast in Fläche 1 und Sonneneinstrahlung angewendet wurde Muster wie in Abb. 7 dargestellt. Für 100 Iterationen sind die globalen besten Werte für LFC-Skalierungsfaktoren \(K_{e} = 38,5\) und \(K_{\Delta e} = 22,5\). Der Wert der erhaltenen Skalierungsfaktoren wird im nächsten Abschnitt der Simulation und Ergebnisse verwendet, um die Robustheit des vorgeschlagenen Reglers bei mehreren Netzstörungen zu untersuchen, ohne die Reglerverstärkungen neu abzustimmen.

Muster der Sonneneinstrahlung von hoher bis niedriger Einstrahlung bei t = 35 s.

In diesem Teil der Arbeit wird die Leistung des vorgeschlagenen LFC auf Basis von IT2FLC für das in Abb. 1 gezeigte Stromsystem simuliert. Die Überlegenheit des vorgeschlagenen Reglers gegenüber dem kaskadierten PID-basierten Regler, der in 11 vorgeschlagen und eingeführt wurde, wird untersucht zum Vergleich in13 unter Anwendung von drei verschiedenen Studienfällen. Der Einfluss der Integration von Frequenzstabilisatoren wie RFB wurde in diesen Studienfällen ebenfalls untersucht, um die Rolle von RFB bei der Verbesserung der Leistung des vorgeschlagenen Controllers zu untersuchen. Die Studienfälle lassen sich wie folgt beschreiben:

Erster Fall der Studie: In diesem Fall der Studie wurde eine schrittweise Erhöhung der Bedarfslast in Bereich 1 um 10 % angewendet, während das Muster der Sonneneinstrahlung wie in Abb. 7 dargestellt ist (plötzlicher Rückgang der Sonneneinstrahlung von 1000 auf 500 W/m2). bei t = 35 s). Die Ergebnisse sind in den Abbildungen dargestellt. 8, 9 und 10 für die Frequenzabweichung in Bereich 1, Bereich 2 bzw. die Abweichung in der Verbindungsleitungsleistung.

Zweiter Fall der Studie: In diesem Fall der Studie wurde eine schrittweise Erhöhung der Bedarfslast in den Bereichen 1 und 2 um 20 % angewendet, während das Muster der Sonneneinstrahlung wie in Abb. 7 dargestellt ist. Die Ergebnisse sind in den Abb. 7 dargestellt. 11, 12 und 13 für die Frequenzabweichung in Bereich 1, Bereich 2 bzw. Abweichung in der Verbindungsleitungsleistung.

Dritter Fall der Studie: In diesem Fall der Studie wurde die Bedarfslast in Bereich 1 um 10 % erhöht, während das Muster der Sonneneinstrahlung wie in Abb. 14 dargestellt ist (plötzlicher Anstieg der Sonneneinstrahlung von 500 auf 1000 W/m2 bei t). = 35 s). Die Ergebnisse sind in den Abbildungen dargestellt. 15, 16 und 17 für die Frequenzabweichung in Bereich 1, Bereich 2 bzw. Abweichung in der Verbindungsleitungsleistung.

Vierter Fall der Studie: Unsicherheit für die Werte der Energiesystemparameter wie Geschwindigkeitsregler-Zeitkonstante (\(T_{g1}\) und \(T_{g2}\)) oder Dampfturbinen-Zeitkonstante (\(T_{t1}) \) und \(T_{t2}\)) können während der praktischen Untersuchung zu Fehlfunktionen beim Betrieb des vorgeschlagenen Controllers führen. Folglich sind in diesem Fall der Studie Änderungen (± 25 %) der untersuchten Energiesystemparameter wie \(T_{g1}\), \(T_{g2}\), \(T_{t1}\) und \(T_ {t2}\) wurden angewendet, um die Empfindlichkeit des vorgeschlagenen Reglers gegenüber Änderungen der Stromsystemparameter zu untersuchen, während eine Erhöhung um 10 % auf die Bedarfslast in Bereich 1 angewendet wurde, während das Muster der Sonneneinstrahlung wie in Abb. 14 dargestellt ist (plötzlicher Anstieg der Sonneneinstrahlung von 500 auf 1000 W/m2 bei t = 35 s). Die Ergebnisse sind in den Abbildungen dargestellt. 18, 19, 20 für die Frequenzabweichung in Bereich 1, Bereich 2 bzw. Abweichung in der Nebenleitungsleistung aufgrund von Änderungen der Zeitkonstante des Geschwindigkeitsreglers, während die Abb. 21, 22 und 23 für die Frequenzabweichung in Bereich 1, Bereich 2 bzw. Abweichung in der Nebenleitungsleistung aufgrund von Änderungen der Dampfturbinen-Zeitkonstante.

Erster Fall einer Studienänderung in der Häufigkeit von Bereich 1 (\(\Delta f_{1}\)).

Erster Fall einer Studienänderung der Bereich-2-Häufigkeit (\(\Delta f_{2}\)).

Erster Fall einer Studienänderung der planmäßigen Leistung der Verbindungsleitung (\(\Delta P_{tie2}\)).

Zweiter Fall einer Studienänderung in der Häufigkeit von Bereich 1 (\(\Delta f_{1}\)).

Zweiter Fall einer Studienänderung der Bereich-2-Häufigkeit (\(\Delta f_{2}\)).

Zweiter Fall einer Studienänderung der planmäßigen Leistung der Verbindungsleitung (\(\Delta P_{tie2}\)).

Muster der Sonneneinstrahlung von niedriger bis hoher Einstrahlung bei t = 35 s.

Dritter Fall einer Studienänderung der Bereichs-1-Häufigkeit (\(\Delta f_{1}\)).

Dritter Fall einer Studienänderung der Bereich-2-Häufigkeit (\(\Delta f_{2}\)).

Dritter Fall einer Studie zur Änderung der planmäßigen Leistung der Verbindungsleitung (\(\Delta P_{tie2}\)).

Vierter Fall einer Untersuchung der Änderung der Bereichs-1-Frequenz (\(\Delta f_{1}\)) für verschiedene Zeitkonstantenwerte des Geschwindigkeitsreglers.

Vierter Fall der Untersuchung der Änderung der Bereichs-2-Frequenz (\(\Delta f_{2}\)) für unterschiedliche Zeitkonstantenwerte des Geschwindigkeitsreglers.

Vierter Fall der Untersuchung der Änderung der geplanten Leistung der Verbindungslinie (\(\Delta P_{tie2}\)) für verschiedene Zeitkonstantenwerte des Geschwindigkeitsreglers.

Vierter Fall der Untersuchung: Änderung der Flächen-1-Frequenz (\(\Delta f_{1}\)) für verschiedene Zeitkonstantenwerte der Dampfturbine.

Vierter Fall der Untersuchung: Änderung der Flächen-2-Frequenz (\(\Delta f_{2}\)) für verschiedene Zeitkonstantenwerte der Dampfturbine.

Vierter Fall der Studie: Änderung der geplanten Leistung der Verbindungsleitung (\(\Delta P_{tie2}\)) für verschiedene Zeitkonstantenwerte der Dampfturbine.

Im ersten und zweiten Fall der Studie wurde die Robustheit des vorgeschlagenen Reglers in den Abbildungen untersucht. 8, 9, 10, 11, 12 und 13. Im Gegensatz zum kaskadierten PID-P-Regler hat der PSO-abgestimmte IT2FLC die Einschwingzeit, Systemschwingungen und den stationären Fehler bei starken Laständerungen in Bereich 1 und Bereich 1 deutlich reduziert. 2 und eine starke augenblickliche Abnahme des Sonneneinstrahlungswerts, die im Simulationszeitraum bei t = 35 s aufgetreten ist. Mit dem vorgeschlagenen Regler ist es gelungen, die Stabilität des untersuchten Energiesystems trotz des Einflusses konventioneller Kraftwerks-Nichtlinearitäten wie GRC und GBD aufrechtzuerhalten. Der Unsicherheitsfaktor im vorgeschlagenen IT2FLC-Regler hat unerwünschte Systemoszillationen gemildert und die Gesamtstabilität des untersuchten Energiesystems verbessert. Die Integration von RFB hat die Leistung des vorgeschlagenen Controllers verbessert, da er in der Lage ist, in kurzer Zeit, die typischerweise weniger als 0,5 ms beträgt, Strom einzuspeisen oder zu absorbieren.

Andererseits stieg die Sonneneinstrahlung im dritten Fall der Studie schlagartig von einem niedrigen Niveau (500 W/m2) auf ihren Maximalwert (1000 W/m2) bei t = 35 s an, was dazu führte, dass die in der Fläche erzeugte Leistung 1 und Bereich-2 stark ansteigen und damit zu einem sofortigen Anstieg der untersuchten Netzfrequenz führen, hat der vorgeschlagene Regler diesen Anstieg der Systemfrequenz in kurzer Zeit innerhalb von 0,3 s mit einem Überschwingwert von weniger als 0,005 PU abgemildert. Im Gegensatz dazu ist dies bei kaskadierten PID-Reglern der Fall Das System hat sich aufgrund dieser Störung in mehr als 9 s beruhigt, während der Überschwingwert für die Frequenz 0,11 PU überschritten hat. Für das Stromversorgungssystem, das RFB integriert, hat RFB diesen Anstieg der erzeugten Leistung aufgefangen und dadurch hat RFB die Leistung erheblich verbessert des vorgeschlagenen IT2FLC-Controllers.

Schließlich wurde im vierten Fall der Studie eine Sensitivitätsanalyse für den vorgeschlagenen Regler untersucht, um die Robustheit des vorgeschlagenen LFC im Falle von Unsicherheiten bei den Parametern des Energiesystems zu bestätigen. Wie in den Abbildungen für diesen Fall der Studie gezeigt, hat der vorgeschlagene Regler die Stabilität des untersuchten Energiesystems trotz der großen Änderungen in den Zeitkonstanten der Erzeugungseinheiten (± 25 %) aufrechterhalten. Der stationäre Fehler der Systemfrequenz und der Einschwingzeit weicht um (± 0,0025 %) von den Grundkurven ab, ohne dass die vorgeschlagenen Reglerverstärkungen neu abgestimmt wurden.

Die numerische Analyse für den ersten, zweiten und dritten Fall der Studien wurde in Tabelle 2 zusammengefasst, die die maximale Überschreitung (OS), die Unterschreitung (US), die Einschwingzeit des Stromversorgungssystems und den Wert des stationären Fehlers (SSE) zeigt. für den vorgeschlagenen Regler mit und ohne RFB im Vergleich zum kaskadierten PID-P-Regler.

In dieser Arbeit wurde vorgeschlagen, dass IT2FLC als Haupt-LFC für ein zweiregionales, mit mehreren Quellen verbundenes Stromsystem fungieren soll, das Solarparkkraftwerke in jedem Bereich integriert. Die Verstärkungen für den vorgeschlagenen Controller wurden mithilfe der PSO-Optimierungstechnik optimiert. Die Leistung des IT2FLC-LFC wurde untersucht und mit der kaskadierten PID-LFC verglichen, die in früheren Arbeiten für mehrere Fallstudien vorgeschlagen wurde, während sich die Nachfragelast in jedem Erzeugungsgebiet und die Sonneneinstrahlung während des Simulationszeitraums änderten, um die Robustheit des vorgeschlagenen Reglers zu untersuchen. IT2FLC hat als Haupt-LFC die Stabilität des Stromnetzes verbessert, indem es die Einschwingzeit des Systems, Über-/Unterschwingungen und stationäre Fehler reduziert hat. Der Unsicherheitsfaktor im vorgeschlagenen Regler hat unerwünschte Systemschwingungen während Übergangs- und Dauerzustandsperioden erheblich reduziert. Die Integration von RFB hat die Leistung des vorgeschlagenen Reglers verbessert, da dadurch die Einschwingzeit des Stromversorgungssystems, die Schwingungen und Über-/Unterschießwerte reduziert wurden. Um diese Arbeit in zukünftigen Arbeiten zu erweitern, können neu entwickelte meta-heuristische Optimierungstechniken wie Firefly, Mottenflamme und Slap-Swarm anstelle der PSO-Technik verwendet werden, um die Controller-Verstärkungen abzustimmen. In zukünftigen Arbeiten kann aus IT2FLC auch ein Fuzzy-Logiksystem vom Typ 3 entwickelt werden, um die Reaktion des LFC zu verbessern, insbesondere die Schwingungen des Stromversorgungssystems in Übergangsperioden, die durch die Unsicherheit der Eingangswerte verursacht werden.

\({\varvec{K}}_{{{\varvec{RFB}}}} = {{{\varvec{0,6777}}}}\); \({\varvec{T}}_{{{\varvec{RFB}}}} = {{{\varvec{0,00034}}}}\) s; \({{{{\varvec{ T}}}}}_{{{\varvec{g}}1}} { } = {{{{\varvec{ T}}}}}_{{{\varvec {g}}2}} { } = {{{\varvec{{ }0.08}}}}\) s; \({\varvec{T}}_{{{\varvec{t}}1}} { } = {{{{\varvec{ T}}}}}_{{{\varvec{t}}2} } { } = {{{\varvec{0.3}}}}\)sS; \({\varvec{K}}_{{{\varvec{r}}1}} { } = {\varvec{K}}_{{{\varvec{r}}2}} { } = {{ {\varvec{{ }0,333}}}}{\varvec{Hz}} / {\varvec{p}}.{\varvec{{ u}}}.{\varvec{MW}}\); \({\varvec{T}}_{{{\varvec{r}}1}} { } = {{{\varvec{{ T}}}}}_{{{\varvec{r}}2} } { } = {{{\varvec{{ }10}}}}\) s; \({{{\varvec{{ T}}}}}_{{{\varvec{GH}}1}} { } = {{{\varvec{{ T}}}}}_{{{\varvec {GH}}2}} { } = {{{\varvec{{ }48.7}}}}\) s; \({\varvec{T}}_{{{\varvec{RS}}1}} { } = {{{\varvec{{ T}}}}}_{{{\varvec{RS}}2} } { } = {{{\varvec{{ }0,513}}}}\) s; \({\varvec{T}}_{{{\varvec{RH}}1}} { } = {{{\varvec{{ T}}}}}_{{{\varvec{RH}}2} } { } = {{{\varvec{{ }10}}}}\) s; \({\varvec{T}}_{{{\varvec{W}}1}} { } = {{{\varvec{{ }1}}}}\) s; \({\varvec{K}}_{{{\varvec{p}}1}} { } = {{{\varvec{{ }1,25{ Hz}}}}} / {\varvec{p}}. {{{\varvec{{ u}}}}}.{\varvec{MW}};{{{\varvec{{ T}}}}}_{{{\varvec{p}}1}} { } = {{{\varvec{{ }6{ sec}}}}};{{{\varvec{{ T}}}}}_{{{\varvec{p}}2}} { } = {{{ \varvec{{ }0.041{ s}}}}}\); \({\varvec{K}}_{{{\varvec{p}}2}} { } = {{{\varvec{{ }1.4}}}}\); \({\varvec{K}}_{{{\varvec{Diesel}}}} { } = {{{\varvec{16.5{\, S}}}}}\); \({\varvec{R}}_{1} = {{{\varvec{{ R}_{2}}}}} = {\varvec{R}}_{3} = {\varvec{R} }_{4} = {\varvec{R}}_{5} = {\varvec{R}}_{6} =\) 2,4 Hz/PU MW; \({\varvec{B}}_{1} = {{{\varvec{{ B}_{2}}}}} =\) 0,425PU MW/Hz; \({\varvec{K}}_{{{\varvec{PS}}1}} = {{{\varvec{{ K}}}}}_{{{\varvec{PS}}2}} = \) 120 Hz/PU MW; \({\varvec{T}}_{{{\varvec{PS}}1}} = {{{\varvec{{ T}}}}}_{{\varvec{PS}}2}} = \) 20 s; \({\varvec{T}}_{12} =\) 0,08 PU MW/Hz; Nennleistung des Solarparks bei Standardtestbedingungen (STC) = 0,1 PU

Art des Inferenzsystems = Mamdani FIS; Anzahl der Eingänge = 2; Skalierungsfaktor für Eingang 1 = 38,5; Skalierungsfaktor für Eingang 2 = 22,5; Eingabebereich 1 = [0 1]; Eingabebereich 2 = [0 1]; Ausgabebereich = [0 1]; Entfuzzifizierungsmethode = Centroid; Art der Ein- und Ausgabezugehörigkeitsfunktion = Gleiches Dreieck mf; Anzahl der Eingänge 1 mf = 7; Anzahl der Eingänge 2 mf = 7; Anzahl der Ausgänge mf = 7.

Anzahl der Variablen = 2 (\({\varvec{K_{e}}}\) und \({{{\varvec{K_{\Delta e}}}}}\)); Kostenfunktion = \({{{\varvec{0,2\int_{0}^{60\sec } {OE^{2} \cdot dt} + 0,8 \int_{0}^{60\sec } {t \cdot OE^{2} \cdot dt}}}}}\); Mindestwert der Variablen = -10; Maximaler Variablenwert = 100; Anzahl der Partikel = 7; Maximale Iterationszahl = 100; Trägheitsgewicht = 1; Beschleunigungskoeffizient 1 = 2,05; Beschleunigungskoeffizient 1 = 2,05.

Die während der aktuellen Studie verwendeten Datensätze und/oder Analysen sind auf begründete Anfrage beim entsprechenden Autor erhältlich.

Bereichskontrollfehler

Automatische Generationssteuerung

Bereichsbeteiligungsfaktor

Standardleistung des Controllers

Flexibles Wechselstromübertragungssystem

Fuzzy-Logik-System

Totband des Gouverneurs

Einschränkung der Erzeugungsrate

Optimierung des Grauwolfs

Intervall-Fuzzy-Logic-Controller vom Typ 2

Lastfrequenzregler

Maximum-Power-Point-Tracker

Partikelschwarmoptimierung

Reduktions-Oxidations-Flow-Batterie

Fuzzy-Logic-Controller vom Typ 1

Bencs, P., Al-Ktranee, M. & Mészáros, KM Auswirkungen von Solarmodulen auf elektrische Netzwerke. Anal. Technik. Szegedin. 14(1), 50–60 (2020).

Artikel Google Scholar

Wolfe, PR-Solarenergie im Versorgungsmaßstab. In McEvoy's Handbook of Photovoltaics, 3. Aufl. (2018)

Fathabad, AM, Cheng, J., Pan, K. & Qiu, F. Datengesteuerte Planung für die dezentrale Erzeugung erneuerbarer Energien in Verteilungssystemen. IEEE Trans. Stromversorgungssystem. 35(6), 4357–4368 (2020).

Artikel ADS Google Scholar

da Silva, PP, Dantas, G., Pereira, GI, Câmara, L. & De Castro, NJ Dezentrale Photovoltaik-Erzeugung – Eine internationale Übersicht über Verbreitung, Förderpolitik und regulatorische Anpassung im Stromsektor. Erneuern. Aufrechterhalten. Energy Rev. 103, 30–39 (2019).

Artikel Google Scholar

Musanga, LM, Barasa, WH & Maxwell, M. Der Einfluss von Bestrahlungsstärke und Temperatur auf die Leistung von monokristallinen Silizium-Solarmodulen in Kakamega. Physik. Wissenschaft. Int. J. 19(4), 1–9 (2018).

Artikel Google Scholar

Ghosh, J., Seetharaman, A. & Maddulety, K. Die wichtigsten Einflussfaktoren auf das Wachstum der Solarenergienutzung in Indien. Indische Wirtschaft. J. 68(1), 122–128 (2020).

Artikel Google Scholar

Gersdorf, T., Hensley, Hertzke, P., Schaufuss, P., Tschiesner, A. Der Weg in die Zukunft der E-Mobilität. McKinsey. (2020).

Mastoi, MS et al. Eine eingehende Analyse der Ladestationsinfrastruktur für Elektrofahrzeuge, politischer Auswirkungen und zukünftiger Trends. Energy Rep. 8, 11504–11529 (2022).

Artikel Google Scholar

Lokanatha, M. & Vasu, K. Lastfrequenzregelung eines Zwei-Bereichs-Stromversorgungssystems mithilfe eines PID-Reglers. Int. J. Eng. Res. Technol. (IJERT) 3(11), 687–692 (2014).

Google Scholar

Gupta, NK, Kar, MK & Singh, AK Lastfrequenzsteuerung eines Zwei-Bereichs-Stromversorgungssystems mithilfe eines 2-Freiheitsgrad-Reglers, der mit Hilfe des Firefly-Algorithmus entwickelt wurde. In Steuerungsanwendungen in modernen Energiesystemen. 57–64 (2021).

Alzaher, ANA, Shafei, MAR & Ibrahim, DK Verbesserung der Lastfrequenzsteuerung eines Mehrbereichs-Mehrstromquellensystems mit erneuerbaren Einheiten und einschließlich Nichtlinearitäten. Indonesien. J. Elektr. Ing. Berechnen. Wissenschaft. 19(1), 108–118 (2020).

Google Scholar

Farahani, M., Ganjefar, S. & Alizadeh, M. PID-Regleranpassung mithilfe eines chaotischen Optimierungsalgorithmus für die Lastfrequenzsteuerung in mehreren Bereichen. IET-Kontrolltheorie-Appl. 6(13), 1984–1992 (2012).

Artikel MathSciNet Google Scholar

Shafei, MAR, Ibrahim, DK & Bahaa, M. Anwendung eines PSO-abgestimmten Fuzzy-Logik-Reglers für die LFC eines Zwei-Bereichs-Stromversorgungssystems mit Redox-Flow-Batterie und PV-Solarpark. Ain Shams Eng. J. 13(5), 101710 (2022).

Artikel Google Scholar

Chidambaram, IA & Paramasivam, B. Optimierte Lastfrequenzsimulation in einem umstrukturierten Stromsystem mit Redox-Flow-Batterien und Interline Power Flow Controller. Int. J. Elektr. Energiesystem. 50, 9–24 (2013).

Artikel Google Scholar

Soliman, AMA, Eldin, MB & Mehanna, MA Anwendung von WOA-abgestimmtem Typ-2-FLC für LFC eines Zwei-Bereichs-Stromversorgungssystems mit RFB und Solarpark unter Berücksichtigung von TCPS in Interline. IEEE Access 10, 112007–112018 (2022).

Artikel Google Scholar

Abazari, A., Dozein, MG, Monsef, H. & Wu, B. Beteiligung von Windkraftanlagen an der Frequenzsteuerung von Mikronetzen durch selbstabstimmende, adaptive Fuzzy-Droop in entlasteten Bereichen. IET Smart Grid. 2(2), 301–308 (2019).

Artikel Google Scholar

Abazari, A., Babaei, M., Muyeen, SM & Kamwa, I. Lernen des adaptiven Fuzzy-Droop des PV-Beitrags zur Frequenzabweichung von Hybrid-Mikronetzen bei Parameterunsicherheiten. Elektr. Energiesystem. 123, 106305 (2020).

Artikel Google Scholar

Abhijith Pappachen, A. Peer Fathima, NERCs auf Regelleistungsstandards basierender Lastfrequenzregler für ein dereguliertes Mehrbereichsstromsystem mit ANFIS-Ansatz. Ain Shams Eng. J. 9(4), 2399–2414 (2018).

Artikel Google Scholar

Dongrui, Wu. Über die grundlegenden Unterschiede zwischen Intervall-Typ-2- und Typ-1-Fuzzy-Logic-Controllern. IEEE Trans. Fuzzy-System. 20(5), 832–848 (2012).

Artikel Google Scholar

Azar, A. Überblick über Fuzzy-Logic-Systeme vom Typ 2. Int. J. Fuzzy Syst. Appl. (IJFSA) 2, 1–28 (2012).

Google Scholar

Kennedy, J. & Eberhart, R. Partikelschwarmoptimierung. Proz. IEEE Int. Konf. Neuronales Netz. 5, 1942–1948 (1995).

Artikel Google Scholar

Mezura-Montes, E. & Coello, CAC Umgang mit Einschränkungen in der von der Natur inspirierten numerischen Optimierung: Vergangenheit, Gegenwart und Zukunft. Schwarm-Evol. Berechnen. 1(4), 173–194 (2011).

Artikel Google Scholar

Ahmed, G. Gad, Partikelschwarmoptimierungsalgorithmus und seine Anwendungen: Eine systematische Übersicht. Bogen. Berechnen. Methoden Eng. 29, 2531–2561 (2022).

Artikel MathSciNet Google Scholar

Sasaki, T., Shigematsu, T. & Deguchi, HE Evaluierungsstudie über die Reaktion von Redox-Flow-Batterien und ihre Modellierung. IEEJ Trans. Power Energy 122(4), 554–560 (2002).

Artikel ADS Google Scholar

Mendel, J., Hagras, H., Tan, W.-W., Melek, WW, Ying, H. Einführung in die Typ-2-Fuzzy-Logik-Steuerung: Theorie und Anwendungen (IEEE Press, John Wiley & Sons, Hoboken, New Jersey, 2014).

Mirjalili, S. Eine einfache Implementierung des Particle Swarm Optimization (PSO)-Algorithmus (https://www.mathworks.com/matlabcentral/fileexchange/67429-a-simple-implementation-of-particle-swarm-optimization-pso-algorithm) , MATLAB Central File Exchange. Abgerufen am 9. Januar 2023.

Referenzen herunterladen

Open-Access-Finanzierung durch die Science, Technology & Innovation Funding Authority (STDF) in Zusammenarbeit mit der Egyptian Knowledge Bank (EKB).

Fakultät für Elektrotechnik, Fakultät für Ingenieurwissenschaften, Al-Azhar-Universität, Nasr City, Kairo, 1427, Ägypten

Ahmed Mohammed Attiya Soliman, Mostafa Bahaa und Mohammed A. Mehanna

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

AMAS und MB verfassten den Haupttext des Manuskripts und bereiteten alle Abbildungen und Tabellen vor. MAM hat das Manuskript überprüft.

Korrespondenz mit Ahmed Mohammed Attiya Soliman.

Die Autoren geben an, dass keine Interessenkonflikte bestehen.

Springer Nature bleibt neutral hinsichtlich der Zuständigkeitsansprüche in veröffentlichten Karten und institutionellen Zugehörigkeiten.

Open Access Dieser Artikel ist unter einer Creative Commons Attribution 4.0 International License lizenziert, die die Nutzung, Weitergabe, Anpassung, Verbreitung und Reproduktion in jedem Medium oder Format erlaubt, sofern Sie den/die Originalautor(en) und die Quelle angemessen angeben. Geben Sie einen Link zur Creative Commons-Lizenz an und geben Sie an, ob Änderungen vorgenommen wurden. Die Bilder oder anderes Material Dritter in diesem Artikel sind in der Creative Commons-Lizenz des Artikels enthalten, sofern in der Quellenangabe für das Material nichts anderes angegeben ist. Wenn Material nicht in der Creative-Commons-Lizenz des Artikels enthalten ist und Ihre beabsichtigte Nutzung nicht gesetzlich zulässig ist oder über die zulässige Nutzung hinausgeht, müssen Sie die Genehmigung direkt vom Urheberrechtsinhaber einholen. Um eine Kopie dieser Lizenz anzuzeigen, besuchen Sie http://creativecommons.org/licenses/by/4.0/.

Nachdrucke und Genehmigungen

Soliman, AMA, Bahaa, M. & Mehanna, MA PSO-Fuzzy-Logik mit abgestimmtem Intervall Typ 2 für die Lastfrequenzsteuerung eines Zwei-Bereichs-Mehrquellen-Verbundnetzes. Sci Rep 13, 8724 (2023). https://doi.org/10.1038/s41598-023-35454-4

Zitat herunterladen

Eingegangen: 10. Januar 2023

Angenommen: 18. Mai 2023

Veröffentlicht: 30. Mai 2023

DOI: https://doi.org/10.1038/s41598-023-35454-4

Jeder, mit dem Sie den folgenden Link teilen, kann diesen Inhalt lesen:

Leider ist für diesen Artikel derzeit kein gemeinsam nutzbarer Link verfügbar.

Bereitgestellt von der Content-Sharing-Initiative Springer Nature SharedIt

Durch das Absenden eines Kommentars erklären Sie sich damit einverstanden, unsere Nutzungsbedingungen und Community-Richtlinien einzuhalten. Wenn Sie etwas als missbräuchlich empfinden oder etwas nicht unseren Bedingungen oder Richtlinien entspricht, kennzeichnen Sie es bitte als unangemessen.