Recorrido óptimo de bajo voltaje del generador de inducción de turbina eólica doblemente alimentado basado en el algoritmo de optimización bonobo

Scientific Reports volumen 13, Número de artículo: 7778 (2023) Citar este artículo

460 Accesos

Detalles de métricas

El sistema de conversión de energía eólica a gran escala (WECS) basado en un generador de inducción doblemente alimentado (DFIG) ha ganado popularidad en los últimos años debido a sus diversos méritos económicos y técnicos. La rápida integración de WECS con las redes eléctricas existentes ha causado una influencia negativa en la estabilidad y confiabilidad de los sistemas de energía. Las caídas de voltaje de la red producen una alta sobrecorriente en el circuito del rotor DFIG. Tales desafíos enfatizan la necesidad de la capacidad de conducción de bajo voltaje (LVRT) de un DFIG para garantizar la estabilidad de la red eléctrica durante las caídas de voltaje. Para abordar estos problemas simultáneamente, este documento tiene como objetivo obtener los valores óptimos de voltaje de fase del rotor inyectado para DFIG y ángulos de inclinación de la turbina eólica para todas las velocidades de viento operativas a fin de lograr la capacidad LVRT. El optimizador Bonobo (BO) es un nuevo algoritmo de optimización que se aplica para recortar los valores óptimos del voltaje de fase del rotor inyectado para DFIG y ángulos de paso de turbinas eólicas. Estos valores óptimos proporcionan la máxima potencia mecánica DFIG posible para garantizar que las corrientes del rotor y del estator no excedan los valores nominales y también entregan la máxima potencia reactiva para soportar la tensión de la red durante las fallas. Se ha estimado la curva de potencia ideal de un aerogenerador de 2,4 MW para obtener la potencia eólica máxima permitida para todas las velocidades del viento. Para validar la precisión de los resultados, los resultados de BO se comparan con otros dos algoritmos de optimización: el optimizador de enjambre de partículas y el optimizador de entrenamiento de conducción. El sistema de inferencia difusa neuro adaptativa se emplea como un controlador adaptativo para la predicción de los valores de voltaje del rotor y ángulo de paso de la turbina eólica para cualquier caída de voltaje del estator y cualquier velocidad del viento.

Actualmente, la energía eólica es considerada como uno de los recursos renovables con mayor tasa de crecimiento y la energía renovable más atractiva en todo el mundo debido a su alta densidad de potencia y gran disponibilidad1,2,3. La energía eólica contribuyó con el 3,5 % de la demanda internacional de electricidad en 2011, y se espera que este porcentaje aumente al 16 % en 20304. Sin embargo, la integración de WECS en la red sigue siendo un desafío importante debido a problemas de calidad de energía, la intermitencia naturaleza del viento, resonancia, conmutación de condensadores, etc. Entre los problemas de calidad de la energía, la caída inesperada en el voltaje terminal del generador eólico debido a una falla en el lado de la red puede hacer que las turbinas eólicas se desconecten repentinamente de la red5,6. La estabilidad de la red puede verse afectada negativamente por generadores eólicos que se disparan y se reconectan con frecuencia. Muchos países han desarrollado nuevos códigos de red para WECS conectados a la red con el fin de reducir los disparos de los generadores eólicos desde la red y mantener la red estable en caso de fallas o anormalidades en el voltaje de la red7,8,9,10.

Los DFIG son la opción más eficiente para los WECS debido a sus importantes beneficios sobre otros tipos de generadores eólicos11. Los beneficios de DFIG incluyen la capacidad controlable tanto para la potencia activa como reactiva, el tamaño pequeño, la necesidad de convertidores de menor capacidad nominal, lo que da como resultado menores pérdidas de energía y menor costo del convertidor, ruido acústico y reducción del estrés mecánico, generación de velocidad variable y mejora de la calidad de la energía12, 13,14. Por otro lado, la principal desventaja de usar un DFIG en WECS es su sensibilidad a las perturbaciones de la red, particularmente las caídas de voltaje, porque los terminales del estator del DFIG están directamente conectados a la red. Las caídas en el voltaje de la red producen una gran sobrecorriente en el circuito del rotor DFIG. Como resultado, conduce a la activación de los circuitos de protección y DFIG se desconecta de la red para proteger el convertidor del lado del rotor15,16,17.

La capacidad LVRT es el requisito de código de red más frecuente. Es la capacidad de permanecer conectado a la red durante las caídas de voltaje y también entregar energía reactiva para soportar el voltaje de la red en caso de fallas6,18,19. Las caídas de voltaje son perturbaciones muy críticas para DFIG. Estos huecos conducen a un aumento en las corrientes del estator y del rotor, por lo que se debe reducir la potencia que se puede inyectar en DFIG20,21,22. Según varias encuestas bibliográficas, el método de control de tono, los métodos de hardware y el método de control del convertidor DFIG modificado son la mejora de las estrategias LVRT12,23,24. Para el método de control de inclinación de la mejora de LVRT, la potencia de la turbina eólica se puede reducir ajustando el ángulo de inclinación de las palas del rotor. Sin embargo, debido a la dinámica mecánica lenta, esta técnica tiene un desempeño pobre25. La protección de palanca y el sistema de almacenamiento de energía son dos categorías principales de métodos de hardware para la mejora de LVRT26,27,28,29. La idea básica del método de palanca es activar un banco de resistencias en el circuito del rotor DFIG en caso de fallas, lo que resulta en un consumo de energía adicional y limita las corrientes DFIG. Este método tiene varios problemas evidentes, incluido el alto estrés en el tren de transmisión causado por las fluctuaciones del par electromagnético, la pérdida de capacidad de control y la prevención de la recuperación del voltaje de la red debido a la absorción de energía reactiva. Mientras que el otro tipo de métodos de hardware para mejorar LVRT está empleando un tipo de sistema de almacenamiento de energía como el sistema de almacenamiento de energía de la batería, el sistema de almacenamiento de energía del volante, el condensador eléctrico de doble capa y el almacenamiento de energía magnética superconductora5,21,23,30,31,32 . Pero, el principal inconveniente de este método no es una solución económica. Debido a las desventajas del control de tono y los métodos de hardware, la capacidad LVRT se puede mejorar modificando el control del convertidor DFIG que representa cambiar los valores de control de referencia en el control del convertidor DFIG24. El método de control del convertidor DFIG modificado es la técnica más rentable para la mejora del LVRT debido a sus ventajas, como la facilidad de implementación, el menor costo, el cambio sencillo a la operación normal y el DFIG siempre bajo control30,33,34,35.

Los enfoques de control modificados recientes se han sugerido en la literatura reciente para mejorar la capacidad de LVRT para WECS basados en DFIG. En la referencia20, A. Tilli et al. introdujo un nuevo control modificado para un convertidor back-to-back basado en argumentos de teoría de control no lineal. La solución propuesta adopta términos tanto de retroalimentación como de avance para evitar sobrecorrientes en el rotor y evitar que se dispare el convertidor del lado del rotor. Las ventajas del método propuesto son la robustez, la amortiguación de oscilaciones adicional y la asistencia mínima de hardware de protección adicional. En la referencia36, MAS Ali et al. presentó un control modificado para el convertidor de rotor para suprimir las fluctuaciones de voltaje del enlace de CC y las sobrecorrientes del rotor para mejorar la capacidad de LVRT. Las referencias de voltaje del rotor se inyectan con términos de voltaje adicionales para mejorar el comportamiento dinámico de los WECS basados en DFIG. No hay efecto sobre la estabilidad de los bucles de corriente ya que los términos de tensión se introducen fuera de ellos. Además, las fluctuaciones del par electromagnético que se producen durante las fallas se reducen considerablemente. En la referencia 4, MK Senapati et al. propuso un método de control de desmagnetización modificado para mejorar la capacidad de LVRT para DFIG en el caso de fallas en la red. Al emplear control de desmagnetización y una resistencia externa en el lado del estator DFIG, la técnica de control propuesta se logra de manera coordinada. La mejora del LVRT se puede lograr amortiguando el componente de CC del flujo del estator mediante el control de la desmagnetización y acelerando la amortiguación del flujo transitorio mediante la resistencia externa. Los principales méritos de este método propuesto son mejores respuestas dinámicas, la mejora de las operaciones de seguridad, la mejora de la estabilidad del sistema eléctrico y el logro de la capacidad LVRT con una mayor penetración de la energía eólica. En la referencia34, G. Manohar et al. presentó un modelo de control basado en enfoque híbrido para mejorar la capacidad LVRT de WECS basado en DFIG. El método híbrido combina la ejecución del algoritmo de bosque aleatorio y el algoritmo de pastoreo de elefantes modificado. Las soluciones óptimas del espacio de búsqueda disponible y la creación de conjuntos de datos de entrenamiento se identifican fuera de línea mediante el algoritmo de pastoreo de elefantes modificado que tiene en cuenta múltiples parámetros relacionados con LVRT como corriente, voltaje y potencias activas y reactivas. En la referencia 37, R. Hiremath y T. Moger introdujeron un algoritmo de súper torsión modificado para la mejora del LVRT en condiciones de caída de voltaje. El método propuesto emplea el modo deslizante de segundo orden para controlar el WECS basado en DFIG. Se encontró que el método propuesto mejoró la capacidad LVRT para el sistema DFIG de una sola turbina eólica y el parque eólico práctico en condiciones transitorias. En la referencia38, G. Manohar et al. propuso un sistema híbrido basado en un algoritmo de campo fértil y un algoritmo de búsqueda de momento con ANFIS para mejorar la capacidad LVRT de WECS basado en DFIG. La técnica de optimización se emplea para resolver la función objetivo que está relacionada con LVRT. ANFIS realiza y pronostica las mejores señales de control probables para los convertidores del lado del rotor y del lado de la red. El método propuesto puede superar el problema del voltaje y la inestabilidad del sistema, así como mejorar la capacidad del LVRT. En la referencia 39, A. Chakraborty y T. Maity presentaron una aplicación novedosa de controlador de lógica difusa adaptativa para la mejora de LVRT de WECS basado en DFIG. Se emplea un control de lógica difusa adaptativa en cascada para ajustar los convertidores del lado del rotor y del lado de la red para mejorar el rendimiento de WECS basado en DFIG. Los métodos propuestos pueden alimentar la potencia reactiva y activa uniforme a la red durante perturbaciones severas que resultan en la mejora del LVRT.

Se propone una amplia variedad de técnicas de optimización para resolver una amplia gama de problemas de ingeniería complicados, que con frecuencia son problemas no lineales y no continuos. Las principales ventajas de estos algoritmos frente a las técnicas matemáticas son su fácil implementación, flexibilidad, robustez y eficiencia computacional40,41,42,43. Los controladores ANFIS se utilizan para controlar sistemas de entrada múltiple, de salida única y no lineales. El controlador ANFIS tiene las ventajas tanto de la lógica difusa como de las redes neuronales. Los beneficios clave de implementar controladores ANFIS son la mejora del rendimiento, no es necesario un modelo matemático del sistema, el diseño depende de los datos reales del sistema y requiere menos esfuerzo para ajustar25,28,44,45,46,47,48,49,50.

A partir de la revisión de la literatura, queda clara la importancia de obtener los valores de referencia de los voltajes del rotor que garanticen la prevención de sobrecorrientes en el rotor durante las caídas de voltaje de la red para mejorar la capacidad del LVRT. Por lo tanto, este artículo presenta contribuciones adicionales en este punto de investigación que se pueden resumir de la siguiente manera: (i) Obtener los valores óptimos de voltajes del rotor y ángulo de cabeceo para un amplio rango de velocidad del viento de 4 m/s a 25 m/s y en diferentes valores de los voltajes del estator, (ii). Estos valores óptimos aseguran que el DFIG desarrolle la potencia máxima permitida sin exceder los valores nominales de las corrientes del estator y del rotor, (iii) Aplicación de BO y DTA como nuevos optimizadores que se desarrollarán en 2022 para cosechar los valores óptimos de los voltajes del rotor y el ángulo de inclinación a diferentes velocidades del viento y voltajes del estator, y (iv) desarrollar un controlador ANFIS para garantizar una predicción rápida de los voltajes del rotor y el ángulo de inclinación óptimos para cualquier voltaje del estator y velocidad del viento. Los resultados de BO se verifican mediante otros dos métodos de optimización; uno de ellos es el conocido algoritmo de optimización (PSO) que se presenta en detalle en la referencia51.

El resto del artículo se estructura de la siguiente manera. El modelo aerodinámico de la turbina eólica se presenta en la sección "Modelo aerodinámico de la turbina eólica" para obtener los valores de los ángulos de inclinación de la turbina eólica para todas las velocidades del viento operativas, donde estos valores proporcionan los valores máximos de potencia de la turbina eólica que garantizan que las corrientes del rotor y del estator DFIG no excedan sus valores nominales. En la sección "Modelo de estado estacionario de DFIG", se describe el modelo de estado estacionario eléctrico de DFIG considerando las pérdidas de hierro para obtener los valores de voltaje de fase de rotor inyectado para DFIG para lograr la capacidad LVRT proporcionando la potencia reactiva máxima a la red para apoyar la red. tensión durante las caídas de tensión. Mientras que la sección "Optimizador de bonobo" demuestra una descripción del BO que se utiliza para lograr estos objetivos mediante el recorte de los valores óptimos del voltaje de fase del rotor para DFIG mediante el uso de ecuaciones DFIG de estado estacionario y los ángulos de inclinación de la turbina eólica mediante el uso de ecuaciones de turbina eólica. Los resultados de los valores de referencia del voltaje del rotor inyectado y los ángulos de paso para lograr la capacidad LVRT se presentan en la sección "Resultados y discusión". Luego, la sección "Controlador ANFIS" presenta el controlador propuesto basado en ANFIS para predecir los valores del voltaje del rotor y el ángulo de inclinación para cualquier caída de voltaje del estator y cualquier velocidad del viento. Por último, la Sección "Conclusión" concluye este documento.

La mayor proporción posible de potencia de aire capturada disponible por un aerogenerador es del 59,26% de acuerdo con la ley de Betz52. Una turbina eólica se utiliza para capturar la energía cinética del viento y convertirla en energía mecánica que se utiliza para impulsar el generador de viento. El modelo de aerogenerador se da de la siguiente manera53,54,55,56:

donde \({P}_{turbina}\), \({C}_{p}\), \(\rho \), \(R\), \({V}_{w}\), \(\lambda \), \(\beta \) y \({\omega }_{T}\) son la potencia capturada por la turbina eólica, el coeficiente de potencia, la densidad del aire, el radio de las palas de la turbina eólica, la velocidad del viento , relación de velocidad de punta, ángulo de inclinación y velocidad de rotación del aerogenerador, respectivamente. La Figura 1 muestra la variación de la potencia de la turbina eólica con la velocidad de rotación bajo varias velocidades de viento, lo que indica que la potencia de salida de la turbina eólica se ve afectada por la velocidad del viento y su velocidad de rotación22,57.

La energía de la turbina eólica con velocidad de rotación bajo varias velocidades del viento.

Una turbina eólica opera en cuatro regiones operativas, como se muestra en la Fig. 2. La turbina eólica no genera energía a velocidades del viento inferiores a la velocidad del viento de corte. El uso de una técnica de seguimiento del punto de máxima potencia además de la ejecución de métodos adecuados de control del ángulo de cabeceo y guiñada permite que la turbina eólica produzca la potencia máxima posible cuando la velocidad del viento aumenta más allá de la velocidad del viento de corte. Se utiliza un controlador de ángulo de inclinación para regular el ángulo de inclinación de las palas cuando la velocidad del viento excede la velocidad nominal para limitar la potencia de la turbina eólica en su valor nominal para proteger la turbina eólica de daños. El frenado del rotor de la turbina eólica se activa a velocidades del viento superiores a la velocidad del viento de corte, lo que detiene cualquier generación de energía adicional para la protección de la turbina eólica58,59,60.

La potencia de la turbina eólica con la característica de velocidad del viento.

El circuito equivalente eléctrico de estado estacionario DFIG se puede simplificar idealmente, como se muestra en la Fig. 3. El modelo DFIG de estado estacionario tiene en cuenta las pérdidas de hierro. La dirección positiva se elige como motor. El vector de voltaje del estator se selecciona como un voltaje de referencia con ángulo cero. Rs, Rr, Rm son la resistencia del estator de fase, la resistencia del rotor de fase referida al estator y la resistencia de magnetización, respectivamente. \({L}_{\sigma s}\), \({L}_{\sigma r}\), \({L}_{m}\) son inductancia del estator de fuga, inductancia del rotor de fuga referida al estator , e inductancia magnetizante, respectivamente. \({\omega }_{s}\), \({\omega }_{r}\), S son la frecuencia angular del estator, la frecuencia angular del rotor y el deslizamiento, respectivamente. Vs, Vr, \(\theta \) son la magnitud del voltaje del estator, la magnitud del voltaje del rotor referida al estator y el ángulo del voltaje del rotor, respectivamente. Is, Ir, son la corriente del estator y la corriente del rotor referida, respectivamente12,61,62,63,64.

Circuito equivalente por fase del modelo de estado estacionario DFIG.

Las ecuaciones de estado estacionario de DFIG se pueden considerar de la siguiente manera. Las ecuaciones de las corrientes del estator y del rotor se pueden considerar de la siguiente manera65:

Las potencias activa y reactiva del estator y del rotor son65,66:

donde \({L}_{s}=\) \({L}_{m}+ {L}_{\sigma s}\), \({L}_{r}\) = \({ L}_{m}+ {L}_{\sigma r}\), \(\sigma =1-\frac{{L}_{m}^{2}}{{L}_{s}{ L}_{r}}\), \({K}_{1}=\frac{{R}_{s}{R}_{r}}{\sigma {L}_{s}{L }_{r}}-{\omega }_{s}{\omega }_{r}\), \({K}_{2}=\frac{{\omega }_{s}{R} _{r}}{\sigma {L}_{r}}+\frac{{\omega }_{r}{R}_{s}}{\sigma {L}_{s}}\), \(m={tan}^{-1}(-\frac{{K}_{2}}{{K}_{1}})\), M=\(\sqrt{\frac{1} {{K}_{1}^{2}+{K}_{2}^{2}}}\), \({a}_{s}=\sqrt{\frac{{R}_{ s}^{2}}{\sigma {L}_{s}}+{\omega }_{s}^{2}}\), \({a}_{r}=\sqrt{{( \frac{{R}_{r}}{\sigma {L}_{r}})}^{2}+{\omega }_{r}^{2}}\), \({b} _{s}={tan}^{-1}(\frac{\sigma {L}_{s}{\omega }_{s}}{{R}_{s}})\), \( {b}_{r}={bronceado}^{-1}(\frac{\sigma {L}_{r}{\omega }_{r}}{{R}_{r}})\) , \({c}_{s}=\frac{{R}_{s}{L}_{m}}{\sigma {L}_{s}{L}_{r}}\), y \({c}_{r}=\frac{{R}_{r}{L}_{m}}{\sigma {L}_{s}{L}_{r}}\)

Las expresiones de potencia mecánica y pérdidas de potencia de la DFIG son65:

BO es una de las técnicas de optimización heurística inteligente más recientes. Está desarrollado por Das y Pratihar67. Simula numerosos aspectos interesantes del comportamiento social y las técnicas reproductivas de los bonobos, a menudo conocidos como chimpancés pigmeos. Los bonobos tienen un tipo de estructura social de fisión-fusión donde, primero ocurre el tipo de fisión, luego el tipo de fusión. Para el tipo de fisión, se escinden en una serie de grupos con diversas composiciones y tamaños y que se mueven por todo el territorio. Para el tipo fusión, se fusionan nuevamente con los miembros de su comunidad para realizar actividades particulares. Para mantener una armonía social perfecta, los bonobos tienen cuatro métodos distintos de reproducción, como el apareamiento promiscuo, el apareamiento restrictivo, el apareamiento por consorcio y el apareamiento extragrupal. La técnica de búsqueda con parámetros autoajustables se desarrolla de tal manera que puede hacer frente de manera eficiente a varios estados durante la resolución de varios problemas. Además, la técnica de fisión-fusión es un método novedoso en algoritmos metaheurísticos que se utiliza para elegir la pareja de apareamiento. Estas técnicas naturales se modelan matemáticamente en BO para resolver un problema de optimización, como se muestra en la Fig. 468,69.

El diagrama de flujo de BO.

Inicialmente, BO incluye dos situaciones: situación positiva y situación negativa. La situación positiva se adapta mejor a las circunstancias de vida pacífica. Por otro lado, una situación negativa indica que no se dan las condiciones antes mencionadas para vivir en paz y bien. En cada iteración, BO comienza inicializando los parámetros. Los parámetros Bo son de dos tipos, parámetros definidos por el usuario y parámetros no definidos por el usuario. Los parámetros definidos por el usuario son tamaño de población (N), número de iteración (it). BO es un algoritmo que opera con dos tamaños de población; tamaño de población constante e inicialización de población aleatoria. Mientras que los parámetros no definidos por el usuario de BO, como la probabilidad de fase (\({P}_{p}\)), probabilidad de apareamiento extragrupo (\({P}_{xgm}\)), positivo cuenta de fase (\(ppc\)), cuenta de fase negativa (\(npc\)), factor de tamaño de subgrupo temporal (\({tsgs}_{factor}\)) y probabilidad direccional (\({P} _{d}\)). Luego, se estiman los valores objetivos de todos los bonobos para identificar el bonobo alfa (\({\alpha }_{Bo}\)) que es la mejor solución entre todos los bonobos de la población en su estado actual. Si bien no se logra el criterio de detención, se selecciona otro bonobo que utiliza la estrategia social de fisión-fusión de los bonobos y participa en el apareamiento. Las estrategias de apareamiento adoptadas serán diferentes según el tipo de situación. La probabilidad de apareamiento restrictivo o promiscuo es mayor en una situación positiva. Si bien, la probabilidad de extragrupo o consorte es más para una situación negativa. Para proporcionar la misma importancia a ambos tipos de técnicas de apareamiento en una situación particular, el valor de \({P}_{d}\) se establece inicialmente en 0,5. Sin embargo, su valor se actualiza en función del número de recuento de fases y la situación actual. El valor de \({P}_{p}\) está entre 0,5 y 1 para situación positiva. Mientras que, el valor de \({P}_{p}\) está entre 0 y 0,5 para situación negativa. Si un número aleatorio (r) que se encuentra en el rango de (0, 1), es igual o menor que \({P}_{p}\), se crea un nuevo bonobo mediante apareamiento restrictivo o promiscuo mediante la ecuación. (15):

donde, \({Bo\_new}_{j}\) y \({\alpha }_{Bo}^{j}\) son las \({j}\)ésimas variables de la descendencia y el bonobo alfa, respectivamente. j cambia de 1 a d, donde d es el número total de variables para el problema de optimización dado. \({Bo}_{j}^{i}\) y \({Bo}_{j}^{p}\) representan la \({j}\)ésima variable de \({i}\ )th y \({p}\)th-bonobo, respectivamente. \({r}_{1}\) es un número aleatorio generado en el rango entre 0 y 1. scsb y scab comparten coeficientes para pth bonobo y \({\alpha }_{Bo}\), respectivamente. \(g\) toma dos únicos valores 1 o -1. Si r es mayor o igual que \({P}_{p}\), se crea un nuevo bonobo a través de técnicas de apareamiento de extragrupo o consorcio utilizando ecuaciones de las Ecs. (16) a (22). Si otro número aleatorio (r2), en el rango (0, 1), es igual o menor que \({P}_{xgm}\), se genera un nuevo bonobo mediante la técnica de apareamiento extragrupo.

donde \({\tau }_{1}\) y \({\tau }_{2}\) son los dos valores intermedios medidos utilizados para determinar el valor de \({Bo\_new}_{j}\). r3 es un número aleatorio. \({r}_{4}\) es un número aleatorio entre 0 y 1 y no es igual a 0. r5 y r6 son dos números aleatorios entre 0 y 1. \({Var\_min}_{j}\ ) y \({Var\_max}_{j}\) son los valores de los límites inferior y superior correspondientes a la variable \({j}\)ésima, respectivamente. Entonces, si el valor de aptitud de \(Bo\_new\) es mejor que \({Bo}^{i}\) o un número aleatorio entre 0 y 1 es igual o menor que \({P} _ {xgm}\), se acepta \(Bo\_new\). Además, \({Bo}^{i}\) se reemplaza por el nuevo en la población de bonobos. Sin embargo, si se encuentra que el valor de aptitud de \(Bo\_new\) es mejor en comparación con el de \({\alpha }_{Bo}\), el \(Bo\_new\) se identifica como \( {\alfa }_{Bo}\). Finalmente, si el \({\alpha }_{Bo}\) de la iteración actual tiene el mejor valor de aptitud que el de la iteración anterior, los parámetros de BO se modifican.

Los parámetros de la turbina eólica y la DFIG empleados en este documento se ilustran en la Tabla 1. El software MATLAB se utiliza en este documento para desarrollar un modelo analítico de estado estacionario de la DFIG y la turbina eólica. Las magnitudes y ángulos óptimos del voltaje del rotor inyectado, los ángulos de paso de la turbina eólica y las potencias mecánicas máximas de DFIG se obtienen mediante tres técnicas de optimización; BO, DTA y PSO donde las corrientes del estator y del rotor son menores que sus valores nominales durante las caídas de voltaje del estator de 0,2 \({V}_{s}^{nominal}\) a 0,9 \({V}_{s} ^{nominal}\) con un paso de 0,1 en todos los valores de la velocidad del viento (4–25 m/s) con un paso de 0,1.

La función objetivo de optimización (\({OF}_{1}\)) minimiza la suma de la potencia mecánica DFIG y la potencia reactiva del estator donde su signo es negativo en cada velocidad del viento, como se ilustra en la ecuación. (23). La función objetivo se logra mediante la variación de dos variables de entrada: la magnitud y el ángulo del voltaje del rotor.

La penalización es igual a cero para soluciones factibles. Las restricciones desiguales de la función objetivo se representan en la ecuación. (24).

donde \({P}_{mech}\) es la potencia mecánica DFIG, \({I}_{{s}_{nominal}}\) y \({I}_{{r}_{nominal}} \) son los valores nominales del estator y el rotor, respectivamente, y \({P}_{t\_max}\) es la potencia máxima permitida de la turbina eólica a una determinada velocidad del viento. Después de obtener la máxima potencia mecánica DFIG que asegura que las corrientes del estator y del rotor no excedan sus valores nominales durante las caídas de voltaje del estator de 0.2 \({V}_{s}\) a 0.9 \({V}_{s}\) a todos los valores de las velocidades del viento (4-25 m/s), se utilizan tres métodos de optimización para obtener los ángulos de paso de aerogeneradores de referencia que consiguen que la potencia del aerogenerador sea igual a la potencia mecánica máxima del DFIG. La función objetivo que se utiliza para obtener ángulos de cabeceo de referencia a todas las velocidades del viento de 4 a 25 m/s es:

donde \({P}_{turbine}\) es la potencia de la turbina eólica y \({P}_{mech\_max}\) es la potencia mecánica máxima de DFIG que se obtiene de \({OF}_{1}\) . Los resultados de tres algoritmos de optimización se comparan para garantizar la precisión de los resultados. La solución óptima con la función objetivo más baja se selecciona después de 50 intentos usando cada una de las tres estrategias de optimización. El número de iteraciones y el tamaño de la población son 200 y 1000 respectivamente para tres técnicas de optimización. La Tabla 2 muestra la configuración de parámetros para tres técnicas de optimización. Mientras que la Tabla 3 muestra las estadísticas de los resultados de tres técnicas de optimización para \({OF}_{1}\) a una velocidad del viento de 12 m/s en caso de caídas de voltaje del estator a \({0.9V}_{s}^ {calificado}\). La Tabla 4 muestra las estadísticas de los resultados de tres técnicas de optimización para \({OF}_{2}\) a una velocidad del viento de 12 m/s y \({V}_{s}\)=\({0.9V}_ {s}^{puntuado}\). Las figuras 5 y 6 muestran las características de DFIG con la velocidad del viento en caso de caídas de voltaje del estator de \({0.9V}_{s}^{nominal}\) a \({0.2V}_{s}^{nominal} \) en todo el rango de velocidad del viento. La figura 7 presenta las características de un aerogenerador con velocidad del viento en caso de caídas de voltaje del estator de \({0.9V}_{s}^{nominal}\) a \({0.2V}_{s}^{nominal}\ ) en todo el rango de velocidad del viento. Las tablas 5, 6 y 7 muestran comparaciones entre las características de DFIG para tres métodos de optimización a \({V}_{w}\)= 12 m/s y el cambio de voltaje del estator de \({0.9V}_{s}^{ nominal}\) a \({0.2V}_{s}^{nominal}\).

Características de DFIG con velocidad del viento en Vs = \({0.2V}_{s}^{nominal}\) a \({0.9V}_{s}^{nominal}\) (a) magnitud del voltaje del rotor (b) ángulo de voltaje del rotor (c) potencia mecánica DFIG (d) potencia reactiva del estator.

Características DFIG con velocidad del viento en Vs = \({0.2V}_{s}^{nominal}\) a \({0.9V}_{s}^{nominal}\) (a) potencia activa del estator (b) potencia activa del rotor (c) corriente del estator (d) corriente del rotor.

Características de la turbina eólica con velocidad del viento en \({V}_{s}\) = \({0.2V}_{s}^{nominal}\) a \({0.9V}_{s}^{nominal} \) (a) potencia de la turbina eólica (b) par de la turbina eólica (c) velocidad de rotación de la turbina eólica (d) coeficiente de potencia (e) relación de velocidad de punta (f) ángulo de inclinación.

A partir de los resultados, tres técnicas de optimización dan resultados muy parecidos, lo que demuestra que estas soluciones para los ángulos de inclinación y los valores de voltaje del rotor son las soluciones óptimas. Estos voltajes de rotor y ángulos de paso óptimos obtenidos logran dos objetivos de esta capacidad LVRT que garantizan que las corrientes del rotor y del estator no excedan la corriente nominal y proporcionen la máxima potencia reactiva del estator para soportar el voltaje de la red durante las caídas de voltaje. Por lo tanto, la capacidad de LVRT se puede mejorar utilizando estos ángulos de inclinación de referencia y voltajes de rotor en el controlador del convertidor DFIG. Los resultados muestran que la magnitud del voltaje del rotor disminuye con el aumento de la caída del voltaje del estator y el aumento de la velocidad del viento hasta que la velocidad del viento se acerca a la velocidad nominal del viento, el voltaje del rotor aumenta ligeramente y luego se fija a velocidades del viento que son mayores que la velocidad nominal del viento. . Mientras que el ángulo de voltaje del rotor es de 0° a 12° para velocidades del viento inferiores al valor nominal y de -144° a -167° para velocidades del viento superiores al valor nominal. La potencia mecánica máxima de DFIG se redujo a 1,7 MW en lugar de 2,4 MW en condiciones normales debido al hueco de tensión. Mientras que la potencia máxima del estator se redujo a 1,45 MW en lugar de 2 MW. La potencia reactiva del estator disminuye con el aumento de la caída de voltaje del estator para todo el rango de caídas de voltaje del estator y velocidades del viento. Las corrientes del rotor son constantes en su valor nominal (1823 A) para todo el rango de caídas de voltaje del estator y velocidades del viento. Mientras, las corrientes del estator son inferiores a su valor nominal (1760 A). El rango de valores del ángulo de paso es de aproximadamente 0° a 35° para todo el rango de caídas de voltaje del estator y velocidades del viento.

Para mostrar el comportamiento transitorio del voltaje del rotor en las corrientes del rotor y las corrientes del estator en respuesta a la caída del voltaje de la red, se utiliza el modelo dinámico de DFIG en Simulink-Matlab donde los valores del voltaje del rotor obtenidos de las técnicas de optimización se inyectan al rotor. La Figura 8 muestra las formas de onda de las corrientes del rotor y las corrientes del estator a una velocidad del viento de 12 m/s cuando el voltaje del estator cae a \({0.7V}_{s}^{nominal}\) y \({0.4V}_{s} ^{puntuado}\). Las formas de onda de las corrientes del rotor y las corrientes del estator se alcanzan hasta los valores de estado estable de las corrientes que se obtienen de las técnicas de optimización.

Las formas de onda DFIG en \({V}_{W}\)=12 m/s, \({V}_{s}\) = \({0.7V}_{s}^{nominal}\) y \({V}_{W}\)=12 m/s, \({V}_{s}\) = \({0.4V}_{s}^{nominal}\) (a) voltajes del rotor (b) corrientes del rotor (c) corrientes del estator.

Este artículo no contiene ningún estudio con animales realizado por ninguno de los autores.

La combinación de red neuronal con lógica difusa produjo el ANFIS, que es ampliamente recomendado para la resolución de problemas complicados y aplicaciones no lineales. Esto se debe a que pueden obtener el rendimiento requerido cambiando significativamente las funciones de membresía. La lógica difusa proporciona los principios clave de la teoría de conjuntos difusos, las reglas si-entonces difusas y el razonamiento aproximado que aborda la granularidad e inexactitud de la información. Las redes neuronales son capaces de adaptarse y aprender regulando las interconexiones entre capas. La incorporación de este método es un enfoque de dos niveles donde el modelo difuso inicial junto con sus variables de entrada se derivan con el uso de las reglas extraídas de los datos de entrada y salida para un sistema modelado en el primer nivel. Luego, se emplea la red neuronal para ajustar las reglas iniciales del modelo difuso en el siguiente nivel, lo que conduce a la creación del modelo ANFIS final del sistema70,71,72.

La principal ventaja de emplear ANFIS en el controlador propuesto es su rápido tiempo de convergencia para cumplir con la velocidad variable del viento o el voltaje DFIG del estator. Después de obtener las magnitudes y ángulos óptimos del voltaje del rotor inyectado y los ángulos de paso de la turbina eólica mediante el algoritmo BO, estos valores se utilizan para entrenar el controlador ANFIS. La configuración ANFIS propuesta utilizada es de tres controladores ANFIS porque hay tres salidas, como se muestra en la Fig. 9. La salida del primer controlador ANFIS es el valor de magnitud del voltaje del rotor DFIG inyectado. Mientras que la salida del segundo controlador ANFIS es el valor del ángulo del voltaje del rotor DFIG inyectado y la salida del tercer controlador ANFIS es el ángulo de inclinación de la turbina eólica. La velocidad del viento y el voltaje DFIG del estator son entradas para tres controladores ANFIS. La Tabla 8 muestra el desempeño del entrenamiento para tres controladores ANFIS. La Tabla 9 muestra la comparación entre los resultados del controlador ANFIS propuesto y el algoritmo BO a ciertas velocidades de viento y voltajes del estator que no se utilizan en el entrenamiento de los controladores ANFIS. Los resultados muestran que el controlador ANFIS propuesto y el algoritmo BO dan resultados muy parecidos, y esto demuestra la efectividad del controlador ANFIS propuesto.

La configuración ANFIS propuesta.

Con el fin de lograr la capacidad de LVRT, este documento introdujo la magnitud de referencia óptima y los valores de ángulo del voltaje del rotor DFIG inyectado y los ángulos de paso de referencia que brindan la potencia mecánica DFIG máxima posible para garantizar que las corrientes del rotor y el estator no excedan los valores nominales y también proporcionen la máxima potencia. potencia reactiva para soportar el voltaje de la red durante fallas para todas las velocidades de viento operativas. Algoritmo de optimización reciente; BO se utilizó para lograr el objetivo del artículo. Para confirmar la precisión de los resultados, los resultados de BO se compararon con otros dos algoritmos de optimización; PSO y DTA. Tres algoritmos de optimización proporcionaron resultados muy parecidos, lo que demostró que estas soluciones de valores de voltaje del rotor y ángulos de inclinación son las soluciones óptimas a cualquier velocidad del viento y cualquier caída de voltaje del estator. Se concluye que la magnitud del voltaje del rotor generalmente disminuye con el aumento de la caída de voltaje del estator, donde su rango es de aproximadamente 0 a 210 V para todo el rango de caída de voltaje del estator y velocidades del viento. Mientras que el ángulo de voltaje del rotor es de aproximadamente 12° a -167° y el rango de valores del ángulo de inclinación es de aproximadamente 0° a 35°. La potencia mecánica máxima de DFIG se redujo a 1,7 MW en lugar de 2,4 MW en condiciones normales debido a los huecos de tensión. Mientras que la potencia máxima del estator se redujo a 1,45 MW en lugar de 2 MW. Las corrientes del estator y del rotor no exceden los valores nominales con todo el rango de caída de voltaje del estator y velocidades del viento. El controlador ANFIS se empleó como un controlador adaptativo para la predicción de los valores de voltaje del rotor y ángulo de inclinación de la turbina eólica para cualquier caída de voltaje del estator y cualquier velocidad del viento. El controlador propuesto con modelo de aerogenerador de 2,4 MW y modelo de estado estacionario de DFIG considerando pérdidas de hierro fue estudiado y simulado utilizando el entorno Matlab. El controlador ANFIS logró resultados aceptables en comparación con los resultados de BO.

Los datos que respaldan los hallazgos de este estudio están disponibles del autor correspondiente a pedido razonable.

Sistema de conversión de energía eólica

Generador de inducción doblemente alimentado

Paseo de bajo voltaje

Optimizador bonobo

Optimizador de entrenamiento de conducción

Optimizador de enjambre de partículas

Sistema de inferencia difusa neuro adaptativa

Potencia captada aerogenerador (W)

Coeficiente de potencia del aerogenerador

Densidad del aire

Radio de pala de aerogenerador (m)

Velocidad del viento (m/s)

Velocidad del viento de arranque (m/s)

Velocidad nominal del viento (m/s)

Velocidad del viento de corte (m/s)

Relación de velocidad de la punta (rad)

Ángulo de inclinación (°)

Velocidad de rotación de la turbina eólica (rad/s)

Resistencia del estator de fase (\(\Omega \))

Resistencia de fase del rotor referida al estator (\(\Omega \))

Resistencia de magnetización (\(\Omega \))

Inductancia del estator de fuga (H)

Inductancia de fuga del rotor referida al estator (H)

Inductancia magnetizante (H)

Frecuencia angular del estator (rad/s)

Frecuencia angular del rotor (rad/s)

Deslizar

Número de polo

Magnitud del voltaje del estator (V)

Magnitud del voltaje del rotor referido (V)

Ángulo de tensión del rotor (°)

Corriente del estator (A)

Corriente de rotor referida (A)

Potencia activa del estator (W)

Potencia reactiva del estator (W)

Potencia activa del rotor (W)

Potencia reactiva del rotor (W)

Potencia mecánica DFIG (W)

Pérdidas de hierro (W)

Pérdidas de cobre del estator (W)

Pérdidas en el cobre del rotor (W)

Pradhan, PP & Subudhi, B. Un controlador adaptativo basado en el modelo ARMAX-DFIG para un sistema de conversión de energía eólica. Ing. de viento 46, 12–22. https://doi.org/10.1177/0309524X211000718 (2021).

Artículo Google Académico

Sahu, S. & Behera, S. Una revisión de las aplicaciones modernas de control en el sistema de conversión de energía eólica. Entorno Energético. 33, 223–262. https://doi.org/10.1177/0958305X21995929 (2021).

Artículo Google Académico

Barra, PHA, de Carvalho, WC, Menezes, TS, Fernandes, RAS & Coury, DV Una revisión sobre el suavizado de energía eólica utilizando sistemas de almacenamiento de energía de alta potencia. Renovar. Sostener. Energy Rev. 137, 110455. https://doi.org/10.1016/j.rser.2020.110455 (2021).

Artículo Google Académico

Senapati, MK, Pradhan, C., Nayak, PK, Padmanaban, S. y Gjengedal, T. Estrategia de control de desmagnetización modificada para la mejora del recorrido de bajo voltaje en sistemas eólicos basados en DFIG. IET Renovar. Generador de energía 14, 3487–3499. https://doi.org/10.1049/iet-rpg.2019.1128 (2020).

Artículo Google Académico

Priyavarthini, S., Nagamani, C., Ilango, GS y Rani, MAA Un control mejorado para la mitigación simultánea de sag/swell y soporte de energía reactiva en un parque eólico conectado a la red con DVR. En t. J. Electr. Sistema de energía eléctrica 101, 38–49. https://doi.org/10.1016/j.ijepes.2018.03.016 (2018).

Artículo Google Académico

Tripathi, SM, Tiwari, AN y Singh, D. Mejora del recorrido de bajo voltaje con los controles ω y T de PMSG en un sistema de generación eólica integrado en la red. IET General. Transm. Distribuir 13, 1979–1988. https://doi.org/10.1049/iet-gtd.2018.6275 (2019).

Artículo Google Académico

Yang, B., Yu, T., Shu, H., Dong, J. y Jiang, L. Control robusto de modo deslizante de los sistemas de conversión de energía eólica para una extracción de energía óptima a través de observadores de perturbaciones no lineales. aplicación Energía 210, 711–723. https://doi.org/10.1016/j.apenergy.2017.08.027 (2018).

Artículo Google Académico

Raghavendran, CR, Roselyn, JP, Sowmmiya, U. & Devaraj, D. Transferencia de potencia efectiva y estrategia de manejo de fallas basada en la secuencia del integrador generalizado de orden reducido en WECS basado en DFIG conectado a la red. En t. J. Electr. Sistema de energía eléctrica 130, 106809. https://doi.org/10.1016/j.ijepes.2021.106809 (2021).

Artículo Google Académico

Mahela, OP y Shaik, AG Descripción general completa de los sistemas de generación de energía eólica interconectados con la red. Renovar. Sostener. Energy Rev. 57, 260–281. https://doi.org/10.1016/j.rser.2015.12.048 (2016).

Artículo Google Académico

Kumar, V., Pandey, AS y Sinha, SK Mejora de la estabilidad del sistema de energía integrado de parques eólicos basado en DFIG utilizando STATCOM controlado por ANFIS. Energías 13, 4707. https://doi.org/10.3390/en13184707 (2020).

Artículo Google Académico

Aydin, E., Polat, A. & Ergene LT Control vectorial de DFIG en aplicaciones de energía eólica. En 2016 Conferencia internacional IEEE sobre investigación y aplicaciones de energía renovable (ICRERA), 478–483 (2016). https://doi.org/10.1109/ICRERA.2016.7884383

Hannoon, NMS y col. Un STATCOM de tres niveles basado en un capacitor común y un diseño de convertidor DFIG para una capacidad de manejo continuo de fallas de voltaje cero. Acceso IEEE 9, 105153–105179. https://doi.org/10.1109/ACCESS.2021.3098187 (2021).

Artículo Google Académico

Sompracha, C., Jayaweera, D. & Tricoli, P. Técnica de optimización de enjambre de partículas para mejorar la eficiencia energética de generadores de inducción doblemente alimentados para turbinas eólicas. J. Ing. 2019, 4890–4895. https://doi.org/10.1049/joe.2018.9348 (2019).

Artículo Google Académico

Chen, H., Zuo, Y., Chau, KT, Zhao, W. & Lee, CHT Máquinas eléctricas modernas y accionamientos para la generación de energía eólica: una revisión de oportunidades y desafíos. IET Renovar. Generador de energía 15, 1864–1887. https://doi.org/10.1049/rpg2.12114 (2021).

Artículo Google Académico

Gupta, S. & Shukla, A. Modelado dinámico mejorado de turbinas eólicas impulsadas por DFIG con algoritmo para compartir de manera óptima la potencia reactiva entre convertidores. Sostener. Tecnología energética. Evaluar. 51, 101961. https://doi.org/10.1016/j.seta.2022.101961 (2022).

Artículo Google Académico

Liu, R., Yang, E., Chen, J. y Niu, S. Nuevo enfoque de supresión de corriente de cojinete en generadores de inducción doblemente alimentados. Acceso IEEE 7, 171525–171532. https://doi.org/10.1109/ACCESS.2019.2955803 (2019).

Artículo Google Académico

Marques, GD & Iacchetti, MF Topologías DFIG para redes de CC: una revisión de las características de control y diseño. Trans. IEEE. Electrón de potencia. 34, 1299–1316. https://doi.org/10.1109/TPEL.2018.2829546 (2019).

Artículo ANUNCIOS Google Académico

Radaideh, A., Bodoor, MM y Al-Quraan, A. Control de potencia activa y reactiva para turbinas eólicas basadas en DFIG mediante un controlador LQR con programación de ganancia óptima. J. Electr. computar Ing. 2021, 1218236. https://doi.org/10.1155/2021/1218236 (2021).

Artículo Google Académico

Justo, JJ, Mwasilu, F. y Jung, J.-W. Turbinas eólicas basadas en generadores de inducción doblemente alimentados: una revisión exhaustiva de las estrategias de manejo de fallas. Renovar. Sostener. Energy Rev. 45, 447–467. https://doi.org/10.1016/j.rser.2015.01.064 (2015).

Artículo Google Académico

Tilli, A., Conficoni, C. & Hashemi, A. Una solución de control efectiva para generadores de inducción doblemente alimentados bajo severas caídas de tensión equilibradas y desequilibradas. Control. Ing. Practica 84, 172–182. https://doi.org/10.1016/j.conengprac.2018.11.014 (2019).

Artículo Google Académico

Hossam-Eldin, AA, Negm Abdallah, E., Elgamal, MS y AboRas, KM Recorrido por falla de DFIG basado en DCMLI activado por THIPWM conectado a la red usando DVR controlado por retroalimentación conmutada en paralelo. IET Gen. Transm. Distribuir 14, 945–954. https://doi.org/10.1049/iet-gtd.2019.0215 (2020).

Artículo Google Académico

Tian, J., Su, C. & Chen, Z. Capacidad de potencia reactiva de la turbina eólica con generador de inducción doblemente alimentado. En IECON 2013—39.ª Conferencia Anual de la Sociedad de Electrónica Industrial IEEE, 5312–5317 (2013). https://doi.org/10.1109/IECON.2013.6699999.

Asghar, R. et al. Limitador de corriente de falla de tipo de interruptor modificado para mejorar el funcionamiento continuo de bajo voltaje y soporte de potencia reactiva de DFIG-WT bajo fallas de la red. IET Renovar. Poder Gen. 14, 1481–1490. https://doi.org/10.1049/iet-rpg.2019.1058 (2020).

Artículo Google Académico

Ali, MAS, Mehmood, KK, Baloch, S. y Kim, C.-H. Diseño modificado del control del convertidor del lado del rotor para mejorar la capacidad LVRT de un WECS basado en DFIG. Sistema de energía eléctrica Res. 186, 106403. https://doi.org/10.1016/j.epsr.2020.106403 (2020).

Artículo Google Académico

Elsisi, M., Tran, MQ, Mahmoud, K., Lehtonen, M. & Darwish, MMF Diseño robusto de un controlador de paso de pala basado en ANFIS para sistemas de conversión de energía eólica frente a las fluctuaciones de la velocidad del viento. Acceso IEEE 9, 37894–37904. https://doi.org/10.1109/ACCESS.2021.3063053 (2021).

Artículo Google Académico

Vidal, J., Abad, G., Arza, J. & Aurtenechea, S. Topologías de palanca de CC monofásicas para conducción de baja tensión a través del cumplimiento de turbinas eólicas basadas en generadores de inducción doblemente alimentadas de alta potencia. Trans. IEEE. Convertidores de energía. 28, 768–781. https://doi.org/10.1109/TEC.2013.2273227 (2013).

Artículo ANUNCIOS Google Académico

Sava, GN, Costinas, S., Golovanov, N., Leva, S. & Quan, DM Comparación de esquemas de protección activa de palanca para aerogeneradores DFIG. En 2014, 16.ª Conferencia internacional sobre armónicos y calidad de energía (ICHQP), 669–673 (2014). https://doi.org/10.1109/ICHQP.2014.6842860.

Noureldeen, O. & Hamdan, I. Una palanca controlable novedosa basada en una técnica de protección de tipo de falla para el sistema de conversión de energía eólica DFIG utilizando un sistema de inferencia neurodifuso adaptativo. Proteger. Controle el sistema de energía moderno. 3, 35. https://doi.org/10.1186/s41601-018-0106-0 (2018).

Artículo Google Académico

Reddy, K. & Saha, AK Un enfoque heurístico para el ajuste óptimo de la palanca y el recorrido de bajo voltaje de un generador de inducción doblemente alimentado. Energías 15, 9307. https://doi.org/10.3390/en15249307 (2022).

Artículo Google Académico

Mosaad, MI, Alenany, A. y Abu-Siada, A. Mejora del rendimiento de los sistemas de conversión de energía eólica mediante un controlador de flujo de potencia unificado. IET General. Transm. Distribuir 14, 1922–1929. https://doi.org/10.1049/iet-gtd.2019.1112 (2020).

Artículo Google Académico

Du, KJ et al. Mejora de la capacidad LVRT de aerogeneradores basados en DFIG con un SFCL de tipo puente modificado modificado. Trans. IEEE. aplicación supercond. 31, 1–5. https://doi.org/10.1109/TASC.2021.3091114 (2021).

Artículo CAS Google Académico

Nasiri, M. & Arzani, A. Esquema de control robusto para el chopper de frenado de turbinas eólicas basadas en PMSG: una evaluación comparativa. En t. J. Electr. Sistema de energía eléctrica 134, 107322. https://doi.org/10.1016/j.ijepes.2021.107322 (2022).

Artículo Google Académico

Taveiros, FEV, Barros, LS & Costa, FB Control predictivo de retroalimentación de estado mejorado para turbinas eólicas basadas en DFIG para mejorar su rendimiento LVRT. En t. J. Electr. Sistema de energía eléctrica 104, 943–956. https://doi.org/10.1016/j.ijepes.2018.07.028 (2019).

Artículo Google Académico

Manohar, G., Venkateshwarlu, S. y Jaya Laxmi, A. Un sistema de conversión de energía eólica (WECS) basado en DFIG para la mejora de LVRT utilizando un enfoque híbrido: una técnica MEHRFA eficiente. Cómputo suave. 25, 2559–2574. https://doi.org/10.1007/s00500-020-05276-x (2021).

Artículo Google Académico

Reddy, K. & Saha, AK Una investigación sobre la utilización de inteligencia de enjambre para el diseño de controladores vectoriales duales y resonantes proporcionales para la regulación de generadores de inducción doblemente alimentados sujetos a voltajes de red desequilibrados. Energías 15, 7476. https://doi.org/10.3390/en15207476 (2022).

Artículo Google Académico

Ali, MAS, Mehmood, KK, Baloch, S. y Kim, C.-H. Diseño modificado del control del convertidor del lado del rotor para mejorar la capacidad LVRT de un WECS basado en DFIG. eléctrico Sistema de energía Res. 186, 106403. https://doi.org/10.1016/j.epsr.2020.106403 (2020).

Artículo Google Académico

Hiremath, R. & Moger, T. Control de modo deslizante basado en el algoritmo Super Twisting modificado para la mejora LVRT del sistema de viento impulsado por DFIG. Informe de energía 8, 3600–3613. https://doi.org/10.1016/j.egyr.2022.02.235 (2022).

Artículo Google Académico

Manohar, G., Venkateshwarlu, S. y JayaLaxmi, A. Un enfoque de élite para la mejora de LVRT en un sistema de conversión de energía eólica (WECS) basado en un generador de inducción doblemente alimentado (DFIG): un enfoque de FAMSANFIS. Suave. computar 26, 11315–11337. https://doi.org/10.1007/s00500-022-07419-8 (2022).

Artículo Google Académico

Chakraborty, A. & Maity, T. Una aplicación novedosa del algoritmo de filtrado adaptativo para la mejora de la capacidad LVRT de los sistemas de conversión de energía eólica (WECS) basados en DFIG conectados a la red. Sistema de energía eléctrica Res. 217, 109179. https://doi.org/10.1016/j.epsr.2023.109179 (2023).

Artículo Google Académico

Elhay, EA & Elkholy, MM Rendimiento dinámico y de estado estacionario óptimo del motor de reluctancia conmutada utilizando el algoritmo del ciclo del agua. IEEJ Trans. eléctrico Electrón. Ing. 13(6), 882–890. https://doi.org/10.1002/tee.22642 (2018).

Artículo Google Académico

Bakir, H., Merabet, A., Dhar, RK y Kulaksiz, AA Algoritmo de optimización de alimentación de bacterias basado en el control óptimo para el sistema de energía eólica del generador de inducción doblemente alimentado. IET Renovar. Generador de energía 14, 1850–1859. https://doi.org/10.1049/iet-rpg.2020.0172 (2020).

Artículo Google Académico

Elkholy, MM & Elhameed, MA Frenado de motores de inducción trifásicos mediante el control de la tensión y la frecuencia aplicadas con base en la técnica de optimización de enjambre de partículas. En t. J. Electrón de potencia. Sistema de accionamiento (IJPEDS) 5(4), 520–528. https://doi.org/10.11591/ijpeds.v5.i4.pp520-528 (2015).

Artículo Google Académico

Bakir, H., Merabet, A., Dhar, RK y Kulaksiz, AA Evaluación experimental de la técnica del ciclo del agua para la optimización de los parámetros de control de una turbina eólica basada en un generador de inducción de doble alimentación. Ing. ciencia Tecnología En t. J. 24, 890–898. https://doi.org/10.1016/j.jestch.2020.12.024 (2021).

Artículo Google Académico

Soliman, MA, Hasanien, HM, Azazi, HZ, El-kholy, EE y Mahmoud, SA Esquema de control híbrido basado en ANFIS-GA para mejorar el rendimiento de un generador eólico conectado a la red. IET Renovar. Generador de energía 12, 832–843. https://doi.org/10.1049/iet-rpg.2017.0576 (2018).

Artículo Google Académico

Naidu, RPK & Meikandasivam, S. Investigación de rendimiento de sistemas de energía eólica/fotovoltaica integrados en la red utilizando un controlador MPPT híbrido basado en ANFIS. J. Ambiente. Intel. Humanizar computar 12, 5147–5159. https://doi.org/10.1007/s12652-020-01967-3 (2021).

Artículo Google Académico

Rahman, MMA & Rahim, AHMA Evaluación del rendimiento del controlador MPPT sin sensor de velocidad del viento basado en ANN y ANFIS. En 2016 5.ª Conferencia Internacional de Informática, Electrónica y Visión (ICIEV), 542–546 (2016). https://doi.org/10.1109/ICIEV.2016.7760062.

Bui, VT, Hoang, TT, Duong, TL y Truong, DN Mejora de la estabilidad dinámica de la tensión de un sistema de energía eólica conectado a la red mediante un compensador de var estático controlado por ANFIS. En 2019 Conferencia internacional sobre ciencia e ingeniería de sistemas (ICSSE), 174–177 (2019). https://doi.org/10.1109/ICSSE.2019.8823522

Hosseini, E., Aghadavoodi, E. & Fernández Ramírez, LM Mejora de la respuesta de turbinas eólicas mediante un controlador de ángulo de inclinación basado en ANFIS tipo 2 recurrente con programación de ganancia con aprendizaje de refuerzo pasivo. Renovar. Energía 157, 897–910. https://doi.org/10.1016/j.renene.2020.05.060 (2020).

Artículo Google Académico

Elkholy, MM, Metwally, H., Regal, GM & Sadek, MA Operación eficiente de aerogeneradores con generador de inducción doblemente alimentado utilizando algoritmo TLBO y redes neuronales artificiales. En t. Rev. Modelo. Simul. (IREMOS) 9, 464. https://doi.org/10.15866/iremos.v9i6.10309 (2016).

Artículo Google Académico

Elkholy, MM, Metwally, H., Regal, GM y Sadek, MA Control óptimo de potencia activa y reactiva de DFIG impulsado por aerogeneradores utilizando el algoritmo TLBO y redes neuronales artificiales. En t. J. Renovar. Tecnología energética. 8, 132–153. https://doi.org/10.1504/ijret.2017.086810 (2017).

Artículo Google Académico

Mostapha Kalami Heris, Optimización de enjambre de partículas en MATLAB (URL: https://yarpiz.com/50/ypea102-particle-swarm-optimization), Yarpiz, 2015.

Şen, Z. Formulación de energía eólica modificada y su comparación con los límites de Betz. En t. J. Energía Res. 37, 959–963. https://doi.org/10.1002/er.2900 (2013).

Artículo Google Académico

Slootweg, JG, de Haan, SWH, Polinder, H. & Kling, WL Modelo general para representar turbinas eólicas de velocidad variable en simulaciones de dinámica de sistemas de potencia. Trans. IEEE. Sistema de energía 18, 144–151. https://doi.org/10.1109/TPWRS.2002.807113 (2003).

Artículo ANUNCIOS Google Académico

Wang, J. et al. Control de seguimiento del punto de máxima potencia para un sistema de conversión de energía eólica con generador de inducción doblemente alimentado basado en un enfoque de súper torsión adaptativa multivariable. En t. J. Electr. Sistema de energía eléctrica 124, 106347. https://doi.org/10.1016/j.ijepes.2020.106347 (2021).

Artículo Google Académico

Bossoufi, B. et al. Optimización del árbol enraizado para el control de potencia backstepping de un aerogenerador con generador de inducción doblemente alimentado: implementación de dSPACE. Acceso IEEE 9, 26512–26522. https://doi.org/10.1109/ACCESS.2021.3057123 (2021).

Artículo Google Académico

Giannakis, A., Karlis, A. & Karnavas, YL Una estrategia de control combinada de un DFIG basada en un control de potencia sin sensor a través de controladores de lógica difusa y de bucle de enganche de fase modificados. Renovar. Energía 121, 489–501. https://doi.org/10.1016/j.renene.2018.01.052 (2018).

Artículo Google Académico

Eisenhut, C., Krug, F., Schram, C. y Klockl, B. Modelo de turbina eólica para simulaciones de sistemas cerca de la velocidad del viento de corte. Trans. IEEE. Convertidores de energía. 22, 414–420. https://doi.org/10.1109/TEC.2006.875473 (2007).

Artículo ANUNCIOS Google Académico

Chen, P., Han, D. & Li, KC Control adaptativo robusto del seguimiento del punto de máxima potencia para el sistema de energía eólica. Acceso IEEE 8, 214538–214550. https://doi.org/10.1109/ACCESO.2020.3039048 (2020).

Artículo Google Académico

Youssef, A.-R., Mousa, HHH & Mohamed, EEM Desarrollo de algoritmo P&O MPPT autoadaptativo para sistemas de generación eólica con área de búsqueda concentrada. Renovar. Energía 154, 875–893. https://doi.org/10.1016/j.renene.2020.03.050 (2020).

Artículo Google Académico

González-Hernández, J. G., Salas-Cabrera, R., Vázquez-Bautista, R., Ong-de-la-Cruz, L. M. & Rodríguez-Guillén, J. A novel MPPT PI discrete reverse-acting controller for a wind energy conversion system. Renewable Energy 178, 904–915. https://doi.org/10.1016/j.renene.2021.06.106 (2021).

Artículo Google Académico

Elkholy, MM & Abd-Elkader, F. Ahorro de energía óptimo del motor de inducción doblemente alimentado basado en el control de voltaje del rotor escalar y el algoritmo del ciclo del agua. OBLIGAR Int. J. Cómputo. Matemáticas. eléctrico eléctrico Ing. 38, 793–814. https://doi.org/10.1108/COMPEL-05-2018-0225 (2019).

Artículo Google Académico

Gianto, R. Modelo de estado estacionario de una planta de energía eólica basada en DFIG para el análisis de flujo de carga. IET Renovar. Potencia Gen. 15, 1724–1735. https://doi.org/10.1049/rpg2.12141 (2021).

Artículo Google Académico

Wu, M. & Xie, L. Cálculo de las condiciones de operación en estado estacionario para turbinas eólicas basadas en DFIG. Trans. IEEE. Sostener. Energía 9, 293–301. https://doi.org/10.1109/TSTE.2017.2731661 (2018).

Artículo ANUNCIOS Google Académico

Seshadri Sravan Kumar, V. & Thukaram, D. Modelado preciso de parques eólicos basados en generadores de inducción doblemente alimentados en análisis de flujo de carga. Sistema de energía eléctrica Res. 155, 363–371. https://doi.org/10.1016/j.epsr.2017.09.011 (2018).

Artículo Google Académico

Abad, G., López, J., Rodríguez, MA, Marroyo, L. & Iwański, G. Máquina de inducción doblemente alimentada: Modelado y control para la generación de energía eólica (2011). https://doi.org/10.1002/9781118104965.

Yaramasu, V., Wu, B., Sen, PC, Kouro, S. & Narimani, M. Sistemas de conversión de energía eólica de alta potencia: tecnologías emergentes y de vanguardia. proc. IEEE 103, 740–788. https://doi.org/10.1109/JPROC.2014.2378692 (2015).

Artículo Google Académico

Das, AK & Pratihar, DK Optimizador Bonobo (BO): una heurística inteligente con parámetros autoajustables sobre espacios continuos y sus aplicaciones a problemas de ingeniería. aplicación Intel. 52, 2942–2974. https://doi.org/10.1007/s10489-021-02444-w (2022).

Artículo Google Académico

Das, AK, Nikum, AK, Krishnan, SV & Pratihar, DK Multi-objective Bonobo Optimizer (MOBO): una heurística inteligente para la optimización multicriterio. Saber información sist. 62, 4407–4444. https://doi.org/10.1007/s10115-020-01503-x (2020).

Artículo Google Académico

Abdelgany, RY et al. Desarrollo de un optimizador bonobo mejorado y su aplicación para la estimación de parámetros de celdas solares. Sustentabilidad 13, 3863. https://doi.org/10.3390/su13073863 (2021).

Artículo Google Académico

Walia, N., Singh, H. & Sharma, A. ANFIS: Sistema de inferencia neurodifuso adaptativo: una encuesta. En t. J. Cómputo. aplicación 123, 32–38. https://doi.org/10.5120/ijca2015905635 (2015).

Artículo Google Académico

Denai, MA, Palis, F. y Zeghbib, A. Modelado y control de sistemas no lineales basados en ANFIS: un tutorial. En 2004, Conferencia Internacional IEEE sobre Sistemas, Hombre y Cibernética (IEEE Cat. No.04CH37583), vol. 4, págs. 3433–3438 (2004). https://doi.org/10.1109/ICSMC.2004.1400873.

Karaboga, D. & Kaya, E. Enfoques de capacitación del sistema de inferencia difusa basado en redes adaptativas (ANFIS): una encuesta integral. Artefacto Intel. Rev. 52, 2263–2293. https://doi.org/10.1007/s10462-017-9610-2 (2019).

Artículo Google Académico

Descargar referencias

Financiamiento de acceso abierto proporcionado por The Science, Technology & Innovation Funding Authority (STDF) en cooperación con The Egyptian Knowledge Bank (EKB).

Departamento de Ingeniería de Máquinas y Energía Eléctrica, Facultad de Ingeniería, Universidad de Zagazig, Zagazig, Egipto

M. Abdelateef Mostafa, Enas A. El-Hay y Mahmoud M. Elkholy

También puede buscar este autor en PubMed Google Scholar

MAM escribió el texto principal del manuscrito y preparó todas las figuras y tablas. EAE-H. y MME revisó el manuscrito.

Correspondencia a M. Abdelateef Mostafa.

Los autores declaran no tener conflictos de intereses.

Springer Nature se mantiene neutral con respecto a los reclamos jurisdiccionales en mapas publicados y afiliaciones institucionales.

Acceso abierto Este artículo tiene una licencia internacional Creative Commons Attribution 4.0, que permite el uso, el intercambio, la adaptación, la distribución y la reproducción en cualquier medio o formato, siempre que se otorgue el crédito correspondiente al autor o autores originales y a la fuente. proporcionar un enlace a la licencia Creative Commons e indicar si se realizaron cambios. Las imágenes u otro material de terceros en este artículo están incluidos en la licencia Creative Commons del artículo, a menos que se indique lo contrario en una línea de crédito al material. Si el material no está incluido en la licencia Creative Commons del artículo y su uso previsto no está permitido por la regulación legal o excede el uso permitido, deberá obtener el permiso directamente del titular de los derechos de autor. Para ver una copia de esta licencia, visite http://creativecommons.org/licenses/by/4.0/.

Reimpresiones y permisos

Mostafa, MA, El-Hay, EA & Elkholy, MM Recorrido óptimo de bajo voltaje de un generador de inducción de turbina eólica doblemente alimentado basado en el algoritmo de optimización bonobo. Informe científico 13, 7778 (2023). https://doi.org/10.1038/s41598-023-34240-6

Descargar cita

Recibido: 14 noviembre 2022

Aceptado: 26 abril 2023

Publicado: 13 mayo 2023

DOI: https://doi.org/10.1038/s41598-023-34240-6

Cualquier persona con la que compartas el siguiente enlace podrá leer este contenido:

Lo sentimos, un enlace para compartir no está disponible actualmente para este artículo.

Proporcionado por la iniciativa de intercambio de contenido Springer Nature SharedIt

Al enviar un comentario, acepta cumplir con nuestros Términos y Pautas de la comunidad. Si encuentra algo abusivo o que no cumple con nuestros términos o pautas, márquelo como inapropiado.