منوی کاربری
  • پشتیبانی: ۴۲۲۷۳۷۸۱ - ۰۴۱
  • سبد خرید

ترجمه مقاله کنترل بهینه تولید توان بادی نوع DFIG با تحلیل حساسیت و بهینه‌سازی گروه ذرات - نشریه IEEE

ترجمه مقاله کنترل بهینه تولید توان بادی نوع DFIG با تحلیل حساسیت و بهینه‌سازی گروه ذرات - نشریه IEEE
قیمت خرید این محصول
۴۱,۰۰۰ تومان
دانلود رایگان نمونه دانلود مقاله انگلیسی
عنوان فارسی
کنترل بهینه تولید توان بادی نوع DFIG با استفاده از تحلیل حساسیت و بهینه‌سازی گروه ذرات
عنوان انگلیسی
Optimized Control of DFIG-Based Wind Generation Using Sensitivity Analysis and Particle Swarm Optimization
صفحات مقاله فارسی
32
صفحات مقاله انگلیسی
12
سال انتشار
2013
نشریه
آی تریپل ای - IEEE
فرمت مقاله انگلیسی
PDF
فرمت ترجمه مقاله
ورد تایپ شده
رفرنس
دارد
کد محصول
6931
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
رشته های مرتبط با این مقاله
مهندسی مکانیک، مهندسی انرژی و برق
گرایش های مرتبط با این مقاله
تبدیل انرژی، انرژی های تجدیدپذیر، مهندسی الکترونیک، تولید، انتقال و توزیع، سیستم های قدرت و برق قدرت
مجله
نتایج و یافته های بدست آمده در حوزه شبکه هوشمند
دانشگاه
گروه برق، کامپیوتر و مهندسی پزشکی، دانشگاه رود آیلند، کینگستون، ایالات متحده آمریکا
کلمات کلیدی
هوش محاسباتی، DFIG، کنترل بهینه سازی، بهینه سازی ازدحام ذرات، تجزیه و تحلیل حساسیت، شبکه هوشمند
۰.۰ (بدون امتیاز)
امتیاز دهید
فهرست مطالب
چکیده
1. مقدمه
2. مدل سیستم قدرت
3. مدل سیستم توربین بادی DFIG
الف. مدل ژنراتور
ب. مدل زنجیره درایو
ج. مدل خازن لینک DC
د. مدل کنترل‌کننده سمت روتور
و. مدل کنترل‌کننده سمت شبکه
ه. مدل کنترل‌کننده گام
4.تحلیل حساسیت
الف. تحلیل حساسیت مسیر حرکت
ب. تحلیل حساسیت مقدار ویژه
5.تحلیل حساسیت پارامترهای کنترلی DFIG
الف. تحلیل حساسیت مسیر حرکت پارامترهای کنترلی DFIG
ب. تحلیل حساسیت مقدار ویژه پارامترهای کنترلی DFIG
6.بهینه‌سازی UDCP با کمک بهینه‌سازی گروه ذرات(PSO)
7.مطالعات شبیه‌سازی رایانه‌ای
الف. مورد 1: سیستم قدرت SMIB با اغتشاش کوچک
ب. مورد 2: سیستم قدرت SMIB با اغتشاش بزرگ
ج. مورد 3: سیستم قدرت چندماشینه
8.نتیجه‌گیری و کار آینده
نمونه چکیده متن اصلی انگلیسی
Abstract

Optimal control of large-scale wind farm has become a critical issue for the development of renewable energy systems and their integration into the power grid to provide reliable, secure, and efficient electricity. Among many enabling technologies, the latest research results from both the power and energy community and computational intelligence (CI) community have demonstrated that CI research could provide key technical innovations into this challenging problem. In this paper, we propose a sensitivity analysis approach based on both trajectory and frequency domain information integrated with evolutionary algorithm to achieve the optimal control of doubly-fed induction generators (DFIG) based wind generation. Instead of optimizing all the control parameters, our key idea is to use the sensitivity analysis to first identify the critical parameters, the unified dominate control parameters (UDCP), to reduce the optimization complexity. Based on such selected parameters, we then use particle swarm optimization (PSO) to find the optimal values to achieve the control objective. Simulation analysis and comparative studies demonstrate the effectiveness of our approach.

نمونه چکیده ترجمه متن فارسی
چکیده
کنترل بهینه مزارع بادی مقیاس وسیع یک موضوع مهم برای توسعه سیستم‌های انرژی تجدیدپذیر و اتصال آن ها به شبکه قدرت جهت تامین برق قابل اطمینان، ایمن و کارا می‌باشد. در بین فناوری‌های ارائه شده در این زمینه، نتایج تحقیقاتی اخیر که از هر دو جامعه توان و انرژی و جامعه هوش محاسباتی (CI) بدست آمده است نشان می‌دهد که تحقیقات هوش محاسباتی نوآوری‌های فنی اساسی را برای این مساله چالش برانگیز ارائه می‌دهد. در این مقاله، ما یک روش تحلیل حساسیت مبتنی بر اطلاعات مسیر حرکت و حوزه فرکانس در ترکیب با الگوریتم تکاملی ارائه می‌دهیم تا کنترل بهینه توان بادی مبتنی بر ژنراتورهای القائی تغذیه دوگانه (DFIG) حاصل شود. به جای بهینه‌سازی کل پارامترهای کنترلی، ایده کلیدی ما استفاده از تحلیل حساسیت برای شناسائی پارامترهای مهم، پارامترهای کنترلی غالب متحد (UDCP)، است تا پیچیدگی بهینه‌سازی کاهش یابد. بر اساس چنین پارامترهای انتخاب شده، ما از الگوریتم بهینه‌سازی گروه ذرات(PSO) استفاده می‌کنیم تا مقادیر بهینه برای دستیابی به هدف کنترلی را بیابیم. تحلیل شبیه‌سازی و مطالعات مقایسه‌ای نشان دهنده کارائی روش ما است.

بدون دیدگاه