ميراسازي نوسانات زيرسنكرون به‌كمك طراحي كنترل‌كننده فازي-عصبي براي مبدل DFIG

Damping Sub-synchronous Oscillations by Designing Neuro-Fuzzy Controller for DFIG Convertor

تشديد زيرسنكرون (SSR) معمولاً در مزارع بادي متصل به خط انتقال جبران شده‌سري اتفاق مي‌افتد. در اين مقاله يك كنترل‌كننده فازي عصبي با توجه به‌روش جديد ميراسازي نوسانات زير سنكرون توسط مبدل‌هاي ژنراتورهاي القايي از دو سوتغذيه (DFIG)، طراحي مي‌شود. با استفاده از بهره بلوك ميرايي كنترل‌كننده زير سنكرون (SSRDC) به‌دست‌آمده در حالات مختلف، كنترل‌كننده فازي - عصبي به‌روش سيستم استنتاج فازي-عصبي تطبيقي (ANFIS) آموزش داده شده و بر روي سيستم پياده‌سازي مي‌شود. كنترل‌كننده فازي - عصبي طراحي‌شده موجب كاهش دامنه فراجهش و زمان نشست ميرايي مي‌شود و سبب بهبود پاسخ ميراسازي نوسانات مي‌گردد. از تحليل مانده‌ها براي تشخيص نوع سيگنال‌ها و محل اعمال آن و از دياگرام مكان هندسي براي طراحي بهره بلوك كنترل ميرايي زيرسنكرون استفاده مي‌شود. ناپايداري مود زير سنكرون به‌وسيله تحليل مقادير ويژه و شبيه‌سازي حوزه زمان نشان داده مي‌شود. براي مطالعه از سيستم استاندارد تست IEEE شماره يك استفاده‌شده و شبيه‌سازي به‌كمك نرم‌افزار MATLAB انجام مي‌شود.

Sub-synchronous resonance usually occurs at the wind farms that connected to series compensated transmission lines. At this paper, a neuro fuzzy controller is designed for the new method of damping sub-synchronous oscillations using doubly-fed induction generator (DFIG) convertors. The adaptive neuro fuzzy inference system (ANFIS) approach is used to train the proposed neuro fuzzy controller according to the various values of the SSR damping controller (SSRDC) gain. It is shown that using the designed neuro fuzzy controller improve the performance of the damping controller and decrease the overshoot and settling time of the oscillations. The appropriate input signal for SSRDC and the optimum point to apply the output signal identified according to the residue-based analysis in the system and its gain is determined based on the root-locus diagrams. instability due to SSR is shown by modal analysis and time domain simulations. The IEEE first benchmark model is used in this study and simulations are done using MATLAB.