Artificial Neural Network-Based Control for Grid-Connected Converter

Ettersom andelen fornybare energikilder øker, må kontrollmetodene for nett-tilknyttede omformere forbedres for å sikre stabil og pålitelig drift. I forskning for forbedret omformerkontroll rettes det økende oppmerksomhet mot kunstig intelligens-baserte metoder, og særlig bruken av kunstige nevrale nettverk. Denne oppgaven undersøker ulike teknologier innen kunstig intelligens for strømregulering av en nett-tilkoblet spenningskildeomformer. Blant disse har fire kunstig nevrale nettverk (ANN)-baserte kontrollmetoder blitt designet og undersøkt. Den første regulatoren består av et feedforward nevralt nettverk som trenes ved bruk av simuleringsdata fra en konvensjonell proporsjonal integral (PI)-regulator, kontrollmetoden omtales PI-ANN-regulator. Tilsvarende består også den andre regulatoren av et FFNN, men i dette tilfellet trenes nettverket ved bruk av data fra en modellprediktiv kontroller (MPC), omtalt som MPC-ANN regulator. Den tredje regulatoren består av et tilbakevendende (recurrent) nevralt nettverk (RNN) som trenes ved hjelp av dynamisk programmering som tilnærmer optimal kontroll. Kontrollmetoden omtales som RNN-basert regulator. Den fjerde og siste regulatoren består av to feedforward nevrale nettverk som trenes ved hjelp av direkte heuristisk dynamisk programmering (dHDP). Ytelsen til PI-ANN-, MPC-ANN- og dHDP-regulatorene er blitt evaluert og sammenlignet ved hjelp av simuleringsresultater hentet fra Matlab/Simulink-simuleringsmiljøet. Mens PI-ANN-kontrolleren ikke viser noen forbedring sammenlignet med den konvensjonelle PI-kontrolleren, yter MPC-ANN og dHDP betydelig bedre, og oppnår mindre oscillasjoner, forbedret dynamisk respons og robusthet mot parameterendringer. Ytelsen til PI-ANN og MPC-ANN-regulatorene har blitt verifisert ved å sammenligne simuleringsresultatene fra Matlab/Simulink med resultater fra OPAL-RT