基于RNN的SVPWM控制的电网集成光伏系统与基于COA的MPPT,以提高电源质量和动态跟踪
Ankathi Manjula1, A Ramesh Babu2
1Department of Electrical and Electronics Engineering, Sathyabama Institute of Science and Technology, Chennai, India. manju.ankathi708@gmail.com.
本研究介绍了连接到电网的光伏系统的混合控制,使用基于循环神经网络的空间向量脉冲宽度调制 (RNN-SVPWM) 和基于鱼优化算法的最大功率点跟踪 (COA-MPPT) 来提高效率和功率质量.
科学领域:
- 可再生能源系统可再生能源系统
- 控制工程 控制工程 控制工程
- 人工智能在电力电子中的作用
背景情况:
- 连接到电网的光伏 (PV) 系统需要先进的控制策略来有效地提取电力和集成电网.
- 现有的最大功率点跟踪 (MPPT) 和脉冲宽度调制 (PWM) 技术在动态条件和功率质量方面面临挑战.
- 提高跟踪速度,减少超越,并最大限度地减少当前总波扭曲 (THD) 对光伏系统性能至关重要.
研究的目的:
- 建议和评估一个新的混合控制框架,用于两级电网联网的光伏系统.
- 通过基于循环神经网络的空间向量脉冲宽度调制 (RNN-SVPWM) 和基于鱼优化算法的最大功率点跟踪 (COA-MPPT) 来提高功率质量和动态响应.
- 验证系统在各种辐射条件下的性能,包括部分遮阳和实时数据.
主要方法:
- 对前端直流-直流增压转换器实施COA-MPPT算法,以优化功率提取.
- 集成RNN-SVPWM技术用于连接到电网的电压源转换器 (VSC),以提高电流质量.
- 在恒定,可变和不均的辐射条件下的系统评估,包括24小时的配置模拟.
主要成果:
- 与其他算法相比,COA-MPPT显示了显著更快的跟踪 (高达32%),较低的超越 (28%) 和较低的稳定状态错误 (35%).
- RNN-SVPWM实现了当前THD (1.62%) 的大幅降低,超过了传统的SVPWM (71.5%的改善) 和ANN-SVPWM (59.5%的改善).
- 在所有测试场景中,混合系统在快速辐射变化期间保持了稳定的直流链电压 (500V),波动率降低了40%以上.
结论:
- 拟议的混合控制框架结合了RNN-SVPWM和COA-MPPT,为连接到电网的光伏系统提供了卓越的性能.
- 该系统实现了更高的功率质量,更快的动态响应和更好的稳定性,特别是在具有挑战性的操作条件下.
- 这种先进的控制策略为现代,高效和可靠的电网集成光伏发电提供了强大的解决方案.
更多相关视频
06:49In situ Grazing Incidence Small Angle X-ray Scattering on Roll-To-Roll Coating of Organic Solar Cells with Laboratory X-ray Instrumentation
Published on: March 2, 2021
09:01Gain-compensation Methodology for a Sinusoidal Scan of a Galvanometer Mirror in Proportional-Integral-Differential Control Using Pre-emphasis Techniques
Published on: April 4, 2017
相关概念视频
Power Factor Correction
Generator Voltage Control
Maximum Power Flow and Line Loadability
Control of Power Flow
Maximum Power Transfer
By substituting the entire circuit with...
Power System Distribution
The transmission system is designed...
