Sabit güçlü yüklere sahip doğru akım mikro şebekelerde öğrenme tabanlı gerilim regülasyonu
Yükleniyor...
Tarih
2024
Yazarlar
Dergi Başlığı
Dergi ISSN
Cilt Başlığı
Yayıncı
Dicle Üniversitesi, Fen Bilimleri Enstitüsü
Erişim Hakkı
info:eu-repo/semantics/openAccess
Özet
Güç elektroniği tabanlı doğru akım (DA) dağıtım sistemleri, otomobil, uçak, gemi ve uydu gibi güç sistemlerinde avantajları nedeniyle yaygınlaşmaktadır. Ancak, güç elektroniği dönüştürücü yükleri sıkı bir şekilde kontrol edildiğinde sistemde kararsızlığa neden olabilir. Bu nedenle, DA mikro şebekelerinde (MŞ) sistemin kararlı bir şekilde çalışmasını sağlamak için hızlı ve dinamik yanıt elde etmek büyük önem taşır. Tez çalışması kapsamında ilk olarak, DA MŞ'de kararsızlığa neden olan, negatif empedans karakteristiğine sahip constant power loads (CPL) yani sabit güçlü yüklerin riski incelenmiştir. İdeal bir düzenlemeye sahip DA/DA dönüştürücünün, bir giriş filtresiyle birleştirildiğinde kararsız davranışa yol açabileceği belirlenmiştir. Çeşitli durumlar incelenmiş ve kararlılık koşulları ortaya konmuştur. Bununla birlikte DA/DA dönüştürücülerin CPL ile ilişkilendirilerek kararsız dinamik davranışlarının transfer fonksiyonları türetilmiştir. Bu transfer fonksiyonları, kontrol değişiklikleri ve dirençli yük durumlarında açık ve kapalı döngüdeki kararsızlıkları analiz etmek için kullanılmıştır. CPL'ler tarafından yüklenen DA/DA güç elektroniği dönüştürücüleri için literatürde çeşitli kontrol yöntemleri önerilmiştir. Pasif sönümleme stratejileri basit ve etkilidir, ancak maliyetlidir ve fiziksel kısıtlamalarla sınırlıdır. Aktif sönümleme yöntemleri, sanal elemanları taklit ederek sistemi stabilize etme yeteneğine sahiptir. Ancak, bu yöntemlerde yük performansından ödün verilme riski vardır. Bu nedenle, doğrusal olmayan kontrol yöntemlerinin kullanımı, büyük sinyal anlamında kararlılık sağlamak için zorunlu hale gelir. Tez çalışmasında tasarlanan kontrolörün etkinliğini göstermek amacıyla, literatürde yaygın olarak kullanılan sağlam kontrol stratejileriyle benzetim sonuçları karşılaştırılmıştır. Bu stratejilerden ilki olan backstepping control (BSC) yani geri adım kontrol, bir DA/DA yükseltecinin gerilim regülasyonu, kararlılığı ve referans güç izleme problemlerini çözmek için etkili bir doğrusal olmayan kontrol yöntemidir. BSC kontrolü ile birlikte çalışan non-linear observation (NDO) yani lineer olmayan bozulma gözlemcisi, belirsiz yük değişimini tahmin etmek için kullanılarak sistem dinamiklerini iyileştirir. Karşılaştırma amacıyla kullandığımız BSC kontrolörü, uyarlamalı geri adımlama algoritması kullanılarak tasarlanmıştır. Koordinat dönüşümü ve NDO kullanılarak, sistem kararlılığını sağlamak ve yük değişimini izlemek için kontrol parametreleri önceden ayarlanmıştır. İkincisi olan model predictive control (MPC) yani model öngörülü kontrol yöntemi, güç dönüştürücüler kontrol alanında performansı geliştirmek için etkili bir yöntem olarak bilinmektedir. MPC yönteminin temelinde, belirli bir zaman dilimi boyunca gelecekteki davranışı içeren bir optimizasyon problemini çözen ve doğrusal olmayan durumları göz önüne alarak kontrol sinyali elde eden bir yöntem vardır. MPC, gerçek zamanlı optimal kontrol kararlarını tahminlere dayanarak hesaplamaktadır. Literatürde, güç dönüştürücülerin büyük bir kısmına MPC algoritması uygulanmış ve geleneksel yöntemlere göre daha iyi sonuçlar verdiği ifade edilmiştir. Bu tez çalışmasında, yapay sinir ağı (YSA) kullanılarak geliştirilen öğrenme tabanlı lineer olmayan kontrol modeli, CPL problemine çözüm sunacaktır. Tasarlanan kontrolör, merkezi olmayan bir kontrol hiyerarşisiyle yönetilen bağımsız bir DA MŞ'nin, CPL yüklerin olumsuz etkilerine karşı sağlam bir kontrol stratejisi tasarlamayı amaçlamaktadır. Öğrenme tabanlı tasarlanan modelde, DA kaynak tarafındaki gerilim bir DA/DA yükseltici dönüştürücü üzerinden CPL ve omik dirençten oluşan karışık bir yüke iletilmektedir. Öğrenme tabanlı kontrol tasarımı, MATLAB/Simulink'te gerçekleştirilen benzetim çalışmalarında gösterildiği üzere, CPL yük değişimleri sırasında kararlılık, hızlı tepki ve doğru gerilim izleme sağlamak için etkili bir yöntemdir. Bu tasarım, geleneksel kontrol yöntemleri ile yukarıda bahsi geçen BSC ve MPC kontrol yöntemlerine göre daha düşük gerilim salınımları, daha hızlı oturma süresi gibi üstünlükler sunmaktadır. YSA'nın tasarımı, BSC kontrolörden elde ettiğimiz 200000 satırlık veriler kullanılarak bir sinir ağının eğitilmesini içerir. Eğitilen yapay sinir ağı daha sonra gerilim regülasyonu ve kontrolü için tasarlanan model tasarımında kullanılır. Sonuç olarak, tasarlanan kontrol stratejisinin performansını değerlendirmek için kapsamlı benzetim çalışmaları gerçekleştirilir. Elde edilen sonuçlar, geleneksel oransal integral (PI), BSC ve MPC kontrolörleri kullanılarak elde edilen sonuçlarla karşılaştırılır. Benzetim sonuçları, önerilen kontrol stratejisinin PI, BSC ve MPC üzerindeki etkinliğini ve üstünlüğünü açıkça göstermektedir.
Power electronics-based direct current (DC) distribution systems are becoming widespread due to their advantages in power systems such as automobiles, aircraft, ships and satellites. However, power electronics converter loads can cause instability in the system when tightly controlled. Therefore, it is of great importance to achieve fast and dynamic response in DC microgrids (MG) to ensure stable operation of the system. Within the scope of the thesis study, firstly, the risk of constant power load (CPL) with negative impedance characteristics, which causes instability in DC DC, was examined. It has been determined that a DC/DC converter with an ideal arrangement can lead to unstable behavior when combined with an input filter. Various situations have been examined and stability conditions have been established. In addition, transfer functions of the unstable dynamic behavior of DC/DC converters have been derived by relating them to CPL. These transfer functions have been used to analyze open and closed loop instabilities under control changes and resistive load situations. Various control methods have been proposed in the literature for DC/DC power electronic converters loaded by CPLs. Passive damping strategies are simple and effective, but are costly and limited by physical constraints. Active damping methods have the ability to stabilize the system by mimicking virtual elements. However, these methods run the risk of compromising load performance. Therefore, the use of nonlinear control methods becomes imperative to ensure stability in terms of large signal. In order to demonstrate the effectiveness of the controller designed in the thesis study, simulation results were compared with robust control strategies commonly used in the literature. The first of these strategies, backsteping control (BSC), is an effective nonlinear control method to solve the voltage regulation, stability and reference power tracking problems of a DC/DC amplifier. Working in conjunction with the BSC control, the nonlinear disturbance observer (NDO) is used to predict uncertain load variation, improving system dynamics. The BSC controller we use for comparison purposes is designed using an adaptive backstepping algorithm. Using coordinate transformation and NDO, control parameters are preset to ensure system stability and monitor load variation. The second one, the model predictive control (MPC) method, is known as an effective method to improve performance in the field of power converters control. The basis of the MPC method is a method that solves an optimization problem involving future behavior over a certain period of time and obtains a control signal by considering nonlinear situations. MPC calculates real-time optimal control decisions based on predictions. In the literature, the MPC algorithm has been applied to most of the power converters and it has been stated that it gives better results than traditional methods. In this thesis study, the learning-based nonlinear control model developed using artificial neural network (ANN) will provide a solution to the CPL problem. The designed controller aims to design a robust control strategy against the negative effects of CPL loads of an independent DC MS managed with a decentralized control hierarchy. In the learning-based designed model, the voltage on the DC source side is transmitted to a mixed load consisting of CPL and ohmic resistor via a DC/DC boost converter. Learning-based control design is an effective method to ensure stability, fast response and accurate voltage monitoring during CPL load changes, as shown in simulation studies performed in MATLAB/Simulink. This design offers advantages such as lower voltage oscillations and faster settling time compared to traditional control methods and the BSC and MPC control methods mentioned above. The design of the ANN involves training a neural network using 200000 lines of data obtained from the BSC controller. The trained artificial neural network is then used in model design for voltage regulation and control. As a result, extensive simulation studies are performed to evaluate the performance of the designed control strategy. The results obtained are compared with those obtained using conventional PI, BSC and MPC controllers. Simulation results clearly demonstrate the effectiveness and superiority of the proposed control strategy over PI, BSC and MPC.
Power electronics-based direct current (DC) distribution systems are becoming widespread due to their advantages in power systems such as automobiles, aircraft, ships and satellites. However, power electronics converter loads can cause instability in the system when tightly controlled. Therefore, it is of great importance to achieve fast and dynamic response in DC microgrids (MG) to ensure stable operation of the system. Within the scope of the thesis study, firstly, the risk of constant power load (CPL) with negative impedance characteristics, which causes instability in DC DC, was examined. It has been determined that a DC/DC converter with an ideal arrangement can lead to unstable behavior when combined with an input filter. Various situations have been examined and stability conditions have been established. In addition, transfer functions of the unstable dynamic behavior of DC/DC converters have been derived by relating them to CPL. These transfer functions have been used to analyze open and closed loop instabilities under control changes and resistive load situations. Various control methods have been proposed in the literature for DC/DC power electronic converters loaded by CPLs. Passive damping strategies are simple and effective, but are costly and limited by physical constraints. Active damping methods have the ability to stabilize the system by mimicking virtual elements. However, these methods run the risk of compromising load performance. Therefore, the use of nonlinear control methods becomes imperative to ensure stability in terms of large signal. In order to demonstrate the effectiveness of the controller designed in the thesis study, simulation results were compared with robust control strategies commonly used in the literature. The first of these strategies, backsteping control (BSC), is an effective nonlinear control method to solve the voltage regulation, stability and reference power tracking problems of a DC/DC amplifier. Working in conjunction with the BSC control, the nonlinear disturbance observer (NDO) is used to predict uncertain load variation, improving system dynamics. The BSC controller we use for comparison purposes is designed using an adaptive backstepping algorithm. Using coordinate transformation and NDO, control parameters are preset to ensure system stability and monitor load variation. The second one, the model predictive control (MPC) method, is known as an effective method to improve performance in the field of power converters control. The basis of the MPC method is a method that solves an optimization problem involving future behavior over a certain period of time and obtains a control signal by considering nonlinear situations. MPC calculates real-time optimal control decisions based on predictions. In the literature, the MPC algorithm has been applied to most of the power converters and it has been stated that it gives better results than traditional methods. In this thesis study, the learning-based nonlinear control model developed using artificial neural network (ANN) will provide a solution to the CPL problem. The designed controller aims to design a robust control strategy against the negative effects of CPL loads of an independent DC MS managed with a decentralized control hierarchy. In the learning-based designed model, the voltage on the DC source side is transmitted to a mixed load consisting of CPL and ohmic resistor via a DC/DC boost converter. Learning-based control design is an effective method to ensure stability, fast response and accurate voltage monitoring during CPL load changes, as shown in simulation studies performed in MATLAB/Simulink. This design offers advantages such as lower voltage oscillations and faster settling time compared to traditional control methods and the BSC and MPC control methods mentioned above. The design of the ANN involves training a neural network using 200000 lines of data obtained from the BSC controller. The trained artificial neural network is then used in model design for voltage regulation and control. As a result, extensive simulation studies are performed to evaluate the performance of the designed control strategy. The results obtained are compared with those obtained using conventional PI, BSC and MPC controllers. Simulation results clearly demonstrate the effectiveness and superiority of the proposed control strategy over PI, BSC and MPC.
Açıklama
Anahtar Kelimeler
DA mikro şebeke, Yapay sinir ağı, Sabit güç yükü, Negatif empedans, Geri adım kontrol, Model öngörülü kontrol, PI kontrol, DC microgrid, Artificial neural network, Constant power load, Negative impedance, Backstep control, Model predictive control, PI control
Kaynak
WoS Q Değeri
Scopus Q Değeri
Cilt
Sayı
Künye
Güngör, M. (2024). Sabit güçlü yüklere sahip doğru akım mikro şebekelerde öğrenme tabanlı gerilim regülasyonu. Yayımlanmamış doktora tezi, Dicle Üniversitesi, Diyarbakır.
