کنترل جریان مدولار چند سطحی با استفاده از کنترل پیش بینی مدل همراه با الگوریتم ژنتیک

قیمت: 46,000 تومان

دانلود رایگان مقاله

خرید ترجمه مقاله

عنوان فارسی

کنترل جریان مدولار چند سطحی با استفاده از کنترل پیش بینی مدل همراه با الگوریتم ژنتیک

عنوان لاتین

Modular multilevel converter circulating current control using model predictive control combined with genetic algorithm

در سال های اخیر، مبدل چندگانه مدولار (MMC) در صنایع ولتاژ بالا کاربرد های متنوعی پیدا کرده است. MMC شامل چندین زیرمجموعه (SM) است. برای کارکرد مناسب MMC، تعادل باید بین ولتاژ های خازن جمع کننده بالایی و پایین تر حفظ شود و اجزای AC جریان باید سرکوب شوند. از آنجا که معادلاتي كه ديناميك MMC را توصيف مي كنند به شدت در ارتباط هستند، كنترل MMC پيچيده مي شود. در این مقاله، یک روش کنترل برای دستیابی به کنترل MMC با ثبات و متعادل در نظر گرفته شده است، در حالی که حداکثر ممکن است اجزای AC جریان جریان را کاهش دهد. روش پیشنهادی مبتنی بر مدل پیش بینی کنترل وزن است که با استفاده از الگوریتم ژنتیک برای تولید شاخص های ورودی به بالا و پایین دست باز می شود. الگوریتم سپس الگوی شبیه سازی مربوطه را با استفاده از الگوریتم مرتب سازی زیرمودل تولید می کند. عوامل وزن سازي بر اساس نتايج شبيه سازي انتخاب شدند. شبیه سازی ها بر روی یک MMC تک فاز با 10 زیرموالول انجام شد که امکان گسترش آن به سطوح و فازهای بالاتر بود. تجزیه و تحلیل تئوری و نتایج شبیه سازی ارائه شده و مورد بحث قرار گرفته است. همه آنها اثربخشی روش پیشنهادی را تایید می کنند.

The modular multilevel converter (MMC) has found various applications in the high voltage industry during the recent years. the MMC consists of several identical submodules (SM). For proper operation of the MMC, balance must be maintained between the upper and lower arm sum capacitor voltages and the ac components of the circulating current must be suppressed. Since the equations which describe the dynamics of the MMC are highly interrelated, the MMC control becomes complicated. In this paper, a control method is proposed to achieve stable and balanced MMC control while reducing the ac components of the circulating current as much as possible. The proposed technique is based on weighted model predictive controlwhich uses genetic algorithm to produce the optimum upper and lower arm insertion indices. The algorithm then produces the corresponding switching patterns by the use of submodule sorting algorithm. The weighting factors were selected based on simulation results. Simulations were carried out on a single-phase MMC with 10 submodules with possible extension to higher levels and phases. Theoretical analysis and simulation results are presented and discussed. They all confirm the effectiveness of the proposed method.