عنوان مقاله:
پیاده سازی تکنیک های هوش مصنوعی در محیط کنترل میکروگرید: پیشرفت فعلی و دیدگاه های آتی
Implementation of artificial intelligence techniques in microgrid control environment: Current progress and future scopes
سال انتشار: 2022
رشته: مهندسی برق - مهندسی کامپیوتر
گرایش: مهندسی کنترل - برق قدرت - هوش مصنوعی
دانلود رایگان این مقاله:
دانلود مقاله تکنیک های هوش مصنوعی
مشاهده سایر مقالات جدید:
2. Microgrid Control
2.1. Conventional control The key control and operational features of the conventional control architecture are recapped in Table 2. It can be summarised from the comparisons that with the increasing penetration of DERs in the distribution network, distributed control approach will play an important role in decarbonising the future distribution or island grid. From the control features point of view, it is highly effective but the complexity to achieve is also high. 2.2. Hierarchical control The primary layer is generally responsible for droop control to make the system stable and damped by emulating the physical behaviour of the system which can be realised by adding a virtual impedance control loop. The complex controlling is achieved by local controllers and hence this layer has a very fast or real-time response. A master-slave control is also proposed in [51] where one of the converters acts as master and others as slaves. There must be a communication channel established for coordinated control of master and slave controllers itself which could be a possible hurdle for local controllers. Hence, a secondary control layer is mainly responsible for managing and compensating the voltage and frequency deviations caused at the primary layer. In addition, it also facilitates the synchronised control loop for efficient and flawless connection and disconnection from the main grid. Tertiary control is the highest layer of control in a hierarchical scheme. It ensures the optima power flow and energy management between the microgrid and the main grid.
3. Overview of AI framework for microgrid control
Machine learning is one of the subsets of AI, has the potential to improve the operation and control of microgrids. ML can be broadly categorized into four types according to the method of learning namely: supervised, unsupervised, semi-supervised and reinforcement learning. An overview of these categories including some examples of research work on their implementation in the smart grid areas are briefly summarised below. The authors also reviewed that these could easily be incorporated in microgrid control research which has been reviewed and explained in detail in the following sections. 3.1. Supervised learning (SL) Supervised learning is defined as a process where the labelled datasets are used to train the algorithms to either classify or predict the continuous value target feature(s). Classification and regression are two major categories in this learning. For control in microgrids, the classification problem can be applied to detect the disturbances due to load change , transient conditions and can further be extended to power quality , voltage stability assessment and fault detection and classification . Forecasting problems can include prediction of PV generation , electricity demand , electricity market pricing etc. 3.2. Unsupervised learning (UL) This type of algorithm works well for analysing and clustering unlabelled datasets. It is defined as the algorithm that can learn the patterns and trends available in the untagged dataset without the need for human supervision and predict for all unseen values [60]. It makes learning faster and easier. Clustering is a class where the entity segmentation and various patterns in the data are discovered automatically. From the microgrid point of view, load profile clustering , consumer/prosumer segmentation , network topology identification [fall under unsupervised learning. 3.3. Semi-supervised learning (SSL) In recent years, both labelled and unlabelled data has been used to train machine learning models. The technique of making the model to learn from labelled and unlabeled datasets and predicting for all future points is defined as semisupervised learning[60]. One of the most popular algorithms for this method is called Generative adversarial networks (GAN). In the microgrid context, SSL such as GAN architecture has the potential to generate the trained data from noise and minimise the gaps between trained and real data to generate time-series power generation profiles of DERs, schedule the energy storage for solar PV microgrid . GAN can also be integrated with RL and DNN to provide real-time control in microgrids .
(دقت کنید که این بخش از متن، با استفاده از گوگل ترنسلیت ترجمه شده و توسط مترجمین سایت ای ترجمه، ترجمه نشده است و صرفا جهت آشنایی شما با متن میباشد.)
2. کنترل ریزشبکه
2.1. کنترل مرسوم ویژگی های کلیدی کنترل و عملیاتی معماری کنترل مرسوم در جدول 2 خلاصه شده است. از مقایسه ها می توان خلاصه کرد که با افزایش نفوذ DER ها در شبکه توزیع، رویکرد کنترل توزیع شده نقش مهمی در کربن زدایی آینده ایفا خواهد کرد. شبکه توزیع یا جزیره از نقطه نظر ویژگی های کنترل، بسیار موثر است، اما پیچیدگی دستیابی نیز بالاست. 2.2. کنترل سلسله مراتبی لایه اولیه به طور کلی مسئول کنترل droop است تا سیستم را با شبیه سازی رفتار فیزیکی سیستم که با افزودن یک حلقه کنترل امپدانس مجازی قابل تحقق است، پایدار و میرا کند. کنترل پیچیده توسط کنترل کننده های محلی به دست می آید و از این رو این لایه دارای پاسخ بسیار سریع یا بلادرنگ است. یک کنترل master-slave نیز در [51] پیشنهاد شده است که در آن یکی از مبدل ها به عنوان master و دیگران به عنوان Slave عمل می کنند. باید یک کانال ارتباطی برای کنترل هماهنگ کنترل کننده های اصلی و slave ایجاد شود که می تواند یک مانع احتمالی برای کنترل کننده های محلی باشد. از این رو، یک لایه کنترل ثانویه عمدتاً وظیفه مدیریت و جبران انحرافات ولتاژ و فرکانس ایجاد شده در لایه اولیه را بر عهده دارد. علاوه بر این، حلقه کنترل هماهنگ را برای اتصال کارآمد و بی عیب و نقص و قطع از شبکه اصلی تسهیل می کند. کنترل سوم بالاترین لایه کنترل در یک طرح سلسله مراتبی است. جریان برق و مدیریت انرژی بهینه بین ریزشبکه و شبکه اصلی را تضمین می کند.
3. مروری بر چارچوب هوش مصنوعی برای کنترل ریزشبکه
یادگیری ماشینی یکی از زیر مجموعه‌های هوش مصنوعی است که پتانسیل بهبود عملکرد و کنترل ریزشبکه‌ها را دارد. ML را می توان به طور کلی با توجه به روش یادگیری به چهار نوع طبقه بندی کرد: یادگیری تحت نظارت، بدون نظارت، نیمه نظارتی و تقویتی. مروری بر این دسته‌ها شامل نمونه‌هایی از کارهای تحقیقاتی در زمینه اجرای آنها در حوزه‌های شبکه هوشمند به طور خلاصه در زیر خلاصه می‌شود. نویسندگان همچنین بررسی کردند که اینها می توانند به راحتی در تحقیقات کنترل ریزشبکه گنجانده شوند که در بخش های بعدی به تفصیل بررسی و توضیح داده شده است. 3.1. یادگیری نظارت شده (SL) یادگیری نظارت شده به عنوان فرآیندی تعریف می شود که در آن مجموعه داده های برچسب گذاری شده برای آموزش الگوریتم ها برای طبقه بندی یا پیش بینی ویژگی(های) هدف ارزش پیوسته استفاده می شود. طبقه بندی و رگرسیون دو مقوله اصلی در این یادگیری هستند. برای کنترل در ریزشبکه‌ها، مشکل طبقه‌بندی را می‌توان برای تشخیص اختلالات ناشی از تغییر بار، شرایط گذرا و بیشتر به کیفیت توان، ارزیابی پایداری ولتاژ و تشخیص و طبقه‌بندی خطا تعمیم داد. مشکلات پیش‌بینی می‌تواند شامل پیش‌بینی تولید PV، تقاضای برق، قیمت‌گذاری بازار برق و غیره باشد. 3.2. یادگیری بدون نظارت (UL) این نوع الگوریتم برای تجزیه و تحلیل و خوشه بندی مجموعه داده های بدون برچسب به خوبی کار می کند. این به عنوان الگوریتمی تعریف می‌شود که می‌تواند الگوها و روندهای موجود در مجموعه داده بدون برچسب را بدون نیاز به نظارت انسانی بیاموزد و تمام مقادیر نامرئی را پیش‌بینی کند [60]. یادگیری را سریعتر و آسان تر می کند. خوشه بندی کلاسی است که در آن بخش بندی موجودیت و الگوهای مختلف در داده ها به طور خودکار کشف می شوند. از نقطه نظر ریزشبکه، خوشه‌بندی پروفایل بار، تقسیم‌بندی مصرف‌کننده/خریدار، شناسایی توپولوژی شبکه [تحت یادگیری بدون نظارت قرار می‌گیرد. 3.3. یادگیری نیمه نظارت شده (SSL) در سال های اخیر، داده های برچسب دار و بدون برچسب برای آموزش مدل های یادگیری ماشین استفاده شده است. تکنیک ساخت مدل برای یادگیری از مجموعه داده های برچسب دار و بدون برچسب و پیش بینی برای تمام نقاط آینده به عنوان یادگیری نیمه نظارت شده تعریف می شود[60]. یکی از محبوب ترین الگوریتم های این روش، شبکه های متخاصم مولد (GAN) نام دارد. در زمینه ریزشبکه، SSL مانند معماری GAN این پتانسیل را دارد که داده های آموزش دیده را از نویز تولید کند و شکاف بین داده های آموزش دیده و واقعی را به حداقل برساند تا پروفیل های تولید برق سری های زمانی DERها را تولید کند، ذخیره انرژی را برای ریزشبکه PV خورشیدی برنامه ریزی کند. GAN همچنین می تواند با RL و DNN ادغام شود تا کنترل بلادرنگ در ریزشبکه ها را فراهم کند.
