پديد آورنده :
ذاكري نسب، ايمان
عنوان :
بهبود عملكرد مبدل هاي چندسطحي ماژولار با استفاده از كنترل پيش بين مبتني بر مدل
مقطع تحصيلي :
كارشناسي ارشد
گرايش تحصيلي :
الكترونيك قدرت و ماشين هاي الكتريكي
محل تحصيل :
اصفهان : دانشگاه صنعتي اصفهان
صفحه شمار :
نه، 123 ص.: مصور، جدول، نمودار
استاد راهنما :
حميدرضا كارشناس
توصيفگر ها :
مبدل هاي چندسطحي ماژولار , چالش هاي كنترلي مبدل هاي چندسطحي ماژولار , كنترل پيش بين در الكترونيك قدرت , يادگيري ماشيني و شبكه هاي عصبي مصنوعي
استاد داور :
محمدصادق گلسرخي ، مسعود حاجيان
تاريخ ورود اطلاعات :
1400/01/14
دانشكده :
مهندسي برق و كامپيوتر
تاريخ ويرايش اطلاعات :
1400/01/15
چكيده فارسي :
1 چكيده در اين پاياننامه استفاده از روشهاي كنترل پيشبين مبتني بر هوش مصنوعي يادگيري ماشيني و شبكههاي عصبي مصنوعي با هدف رفع چالشهاي مبدلهاي چندسطحي ماژوالر بررسي ميشود در مبدلهاي چندسطحي ماژوالر به حداقل رساندن جريانگردشي و ريپل ولتاژخازنها كنترل جريان سمت بار و برقراري باالنس ولتاژ خازنها از مهمترين اهداف تحقيقاتي محققان در سالهاي گذشته به شمار ميرود از اين رو نقش كنترل كننده استفاده شده در اينگونه مبدلها بسيار پر اهميت ميباشد امروزه با افزايش سرعت پردازندهها امكان به كارگيري روشهاي كنترلي جديد مانند كنترل پيشبين فراهم شده است در اين كنترلر با استفاده از مدل ديناميكي سيستم و پيشبيني رفتار آينده متغيرها كنترل صورت گرفته و پياده سازي آن در مبدلها بسيار آسان ميباشد در كنترل پيشبين مبدل MMC تكنيكهاي مختلفي توسط پژوهشگران پيشنهاد شده است كه نتايج مناسبي در خصوص اين موارد در پي داشته است با اين حال پيشنهادهاي مطرح شده داراي بار محاسباتي بسيار زيادي ميباشدكه اين امر ضرورت بهبود در تصحيح عملكرد كنترلكننده پيشبين براي كاهش بار محاسباتي و بهبود عملكرد چالشهاي مبدل MMC را بايد به همراه داشته باشد از جمله آنكه استفاده از تعداد سلولهاي زياد درمبدل MMC در برخي كاربردها نظير HVDC سبب افزايش فركانس كليدزني و تلفات و حجم باالي محاسبات در كنترلر ميشود كه براي رفع اين مشكل بايد روشي براي كاهش حالتهاي سوييچينگ و در نتيجه بار محاسباتي ارائه گردد در ابتدا با بيان مزيتهاي روشهاي كنترل پيشبين و با تمركز روي روش FCS MPC روابط كلي مرتبط با كنترل مبدلهاي الكترونيكقدرت و به دنبال آن بررسي چالشهاي مبدلهاي چندسطحي ماژوالر با استفاده از اين روشكنترلي پرداخته ميشود سپس با بيان چالشهاي اصلي اين روش كنترلي نظير روش زمانبر تعيين فاكتور وزن وابستگي به مدل مداري مبدل حجم باالي محاسبات موردنياز تلفات كليدزني وفركانس كليدزني باال دو روش پيشنهادي مبتني بر يادگيري ماشيني و شبكههاي عصبي مصنوعي براي بهبود اين چالشها با حفظ عملكرد حالت پايدار و ديناميكي مبدل مشابه روش FCS MPC ارائه ميشود در ادامه با تمركز روي مبدل هاي سه سطحي و پنج سطحي ماژوالر اين روشهاي كنترلي به منظور تحقق دو هدف كلي پيشنهاد ميشوند هدف اول رفع چالشهاي مربوط به مبدلهاي چندسطحي ماژوالر و هدف دوم برطرفكردن چالشهاي ذاتي روش FCS MPC و بهبود عملكرد سيستم در حالت اعمال اين روش كنترلي است در ادامه نتايج حاصل از شبيهسازي دو روش پيشنهادي و روش FCS MPC با يكديگر مقايسه و اولويت هر روش از حيث مشخصههاي عملكردي مختلف بررسي ميشود در پايان نتيجهگيري و پيشنهادات براي ادامه پژوهش ارائه ميشود واژههاي كليدي 1 مبدلهاي چندسطحي ماژوالر2 چالشهاي كنترلي مبدلچندسطحي ماژوالر3 كنترل پيش بين در الكترونيك قدرت 4 يادگيري ماشيني و شبكههاي عصبي مصنوعي
چكيده انگليسي :
112 Improvement of modular multilevel converter using predictive control based on model iman zakerinasab imanzakerinasab@ec iut ac ir Date of Submission February 18 2021 Department of Electrical and Computer Engineering Isfahan University of Technology Isfahan 84156 83111 Iran Degree M Sc Language Farsi Supervisor Hamidreza Karshenas karshen@cc iut ac ir Abstract In this thesis the use of predictive control methods based on artificial intelligence machine learning and artificial neural networks is investigated to solve modular multilevel converters challenges In modular multilevel converters minimizing the circulating current and rippling the capacitors voltage controlling the load side current and maintaining the capacitors voltage balance is among the most crucial research goals of researchers in recent years Therefore the controller role used in such converters is vital Today with the increase in processor speed it is possible to use new control methods such as predictive control Using the system s dynamic model and predicting the future behavior of the variables control is performed and its implementation in converters is very easy in predictive control of the MMC converter researchers have proposed various techniques that have good results in these cases However the submitted proposals have a sizeable computational load which should lead to the need to improve the predictive controller s performance to reduce the computational load and enhance the MMC converter challenges performance Among other things the use of many cells in the MMC converter in some applications such as HVDC increases the switching frequency and losses and the high volume of calculations in the controller To solve this problem a method must be provided to reduce the switching modes and consequently the computational load First by expressing the advantages of predictive control methods and focusing on the FCS MPC method the general relationships related to the control of electronic power converters and then the challenges of modular multilevel converters using this control method are discussed Then by expressing the main challenges of this control method such as the time consuming method of determining the weight factor dependence on the converter circuit model high volume of required calculations switching losses and high switching frequency two proposed methods based on machine learning and artificial neural networks to improve this challenge Are similar to the FCS MPC method while maintaining the steady state and dynamic performance of the converter Next focusing on modular three level and five level converters these control methods are proposed to achieve two general goals The first goal is to solve the challenges of modular multilevel converters The second goal is to solve the FCS MPC method s inherent difficulties and improve system performance in applying this control method In the following the results of the simulation of the two proposed ways and the FCS MPC method are compared with each other and the priority of each technique in terms of different performance characteristics is evaluated Finally conclusions and suggestions for further research are provided Keywords 1 Modular Multilevel Converters 2 Control Challenges of Modular Multilevel Converters 3 Predictive Control in Power Electronics 4 Machine Learning and Artificial Neural Networks
استاد راهنما :
حميدرضا كارشناس
استاد داور :
محمدصادق گلسرخي ، مسعود حاجيان
