ترجمه مقاله مدل شبکه عصبی مصنوعی ژنراتور فتوولتائیک برای آنالیز جریان قدرت در PSSRSINAC

عنوان فارسی: | مدل شبکه عصبی مصنوعی ژنراتور فتوولتائیک برای آنالیز جریان قدرت در PSS®SINAC |
عنوان انگلیسی: | Artificial neural network model of photovoltaic generator for power flow analysis in PSSRSINCAL |
تعداد صفحات مقاله انگلیسی : 8 | تعداد صفحات ترجمه فارسی : 22 |
سال انتشار : 2013 | نشریه : IET |
فرمت مقاله انگلیسی : PDF | فرمت ترجمه مقاله : ورد تایپ شده |
کد محصول : 5408 | رفرنس : دارد |
محتوای فایل : zip | حجم فایل : 1.92Mb |
رشته های مرتبط با این مقاله: مهندسی کامپیوتر، مهندسی برق |
گرایش های مرتبط با این مقاله: مهندسی الگوریتم و محاسبات، مهندسی نرم افزار، هوش مصنوعی، برق قدرت و سیستمهای قدرت |
مجله: موسسه فنی و مهندسی |
دانشگاه: مرکز انرژی شهری، دانشگاه رایرسون، تورنتو، کانادا |
وضعیت ترجمه عناوین تصاویر و جداول: ترجمه شده است |
وضعیت ترجمه متون داخل تصاویر و جداول: ترجمه نشده است |
وضعیت فرمولها و محاسبات در فایل ترجمه: به صورت عکس، درج شده است |
چکیده
1- مقدمه
2- مدل دقیق PVGها و اثر عدم تعادل ولتاژ سه فاز
2-1 مدلسازی PVG
3- مدل ANN در PVG
3-1 روش ANN
3-2 مدل ANN برای PVGهای سه فاز
4- مطالعه جریان قدرت با مدل ANNPVG
4-1 مطالعه جریان قدرت با دو PVG
4-2 مطالعات جریان قدرت با چندین PVG
5- پیاده سازی در بستههای نرم افزاری تجاری
6- نتیجه گیری
Abstract
Output of a three-phase photovoltaic generator (PVG) is a function of sunlight irradiance, temperature, and three-phase terminal voltage phasors. Three-phase PVGs are largely connected to rural distribution systems feeders that are predominantly unbalanced. Models of PVGs that are only a function of sunlight irradiance and temperature disregarding unbalanced three-phase terminal voltages phasors are simple to use with three-phase power flow analysis but yield inaccurate solutions. Detailed three-phase PVG models are complex and non-linear, hence unsuitable for power flow analysis applications. This study proposes an artificial neural network (ANN) model to represent a PVG comprising photovoltaic panels, a boost chopper and a three-phase inverter. Main advantages of the ANN model are that it can be readily used to model a PVG of any size and type, mathematical simplicity, high accuracy with unbalanced systems and computational speed. The model was tested with the unbalanced distribution system feeder from a Canadian utility. The results show that the ANN model of a PVG is computationally fast and more accurate than simple model that ignores unbalanced three-phase terminal voltage phasors. In addition, simplicity of the proposed ANN model of PVG allows easy integration into commercial software packages such as PSS®SINCAL as reported in this study.
چکیده
خروجی ژنراتور فتوولتائیک سه فاز (PVG) تابعی از تابش خورشید، دما و فازور های ولتاژ سه فاز میباشد. PVG های سه فاز بطور گستردهای به فیدر سیستمهای توزیع روستایی که عمدتاً دارای اتصال نامتعادل هستند وصل شدهاند. مدلهای PVG تنها تابعی از تابع خورشید و دما هستند و تابع فازور های ولتاژ ترمینال یه فاز نیستند، و توسط آنالیز جریان قدرت سه فاز به راحتی قابل استفاده هستند اما راه حل آنها ناصحیح میباشد. مدلهای PVG سه فاز پیچیده و غیرخطی هستند. از اینرو، برای برنامههای آنالیزی و جریان قدرت نامناسب میباشند. این مطالعه یک مدل شبکه عصبی مصنوعی (ANN) برای نشان دادن یک PVG شامل پنل های فتوولتائیک، یک تقویت کننده و یک اینورتر سه فاز است ارائه میدهد. مزایای اصلی مدل ANN این است که میتواند براحتی برای مدلسازی یک PVG در هر سایز و نوعی با توابع ریاضی ساده، دقت بالا برای سیستمهای نامتعادل و سرعت بالا مورد استفاده قرار گیرد. این مدل با یک فیدر سیستم توزیع نامتعادل کاربردی کانادایی مورد آزمایش قرار گرفته است. نتایج نشان میدهد که مدل ANN یک PVG نسبت به مدل ساده که از فازور های ولتاژ ترمینال سه فاز متعادل چشم پوشی میکند بسیار سریعتر و دقیقتر میباشد. علاوه بر این، سادگی مدل ANN ارائه شده PVG اجازه ادغام آسان به بستههای نرم افزاری تجاری مثل PSS®SINAC را میدهد.