شناسایی فرایند جزیره بر اساس مشخصات بار در منابع تولیدپراکنده مبتنی بر اینورتر با استفاده از ابزار یادگیری ماشین

در این پژوهش، یک روش جدید برای تشخیص جزیره های مبتنی بر تحلیل بار و یادگیری ماشین ارائه شده است که از یک رله فرکانسی با ناهماهنگی عمدی در توان راکتیو بهره می برد. در این روش، میزان مناسب توان راکتیو برای ایجاد تغییر فرکانسی موثر، با در نظر گرفتن ویژگی های بار مانند ضریب کیفیت و فرکانس رزونانس، تعیین می شود. در این پژوهش، ویژگی های بار استخراج شده و از روش های یادگیری ماشین شامل مدل مخلوط گوسی برای خوشه بندی داده ها و رگرسیون خطی برای تخمین ضرایب بار استفاده شده است. پس از تعیین ویژگی های بار، نسبت جریان محور d-q برای تولید تغییر فرکانسی کافی جهت تشخیص جزیره ها به طور بهینه محاسبه شده است. این روش در شرایط مختلف بار، شامل بارهای مطابق با استانداردهای IEEE ۱۵۴۷-۲۰۱۸ و IEEE ۹۲۹-۲۰۰۰، آزمایش شده و نتایج نشان می دهند که تشخیص جزیره ها در تمامی شرایط بار در کمتر از ۳۱ میلی ثانیه انجام می شود. در مقایسه با روش های مرسوم مانند روش مبتنی بر Q-f droop و روش کنترل توان راکتیو تطبیقی، روش پیشنهادی عملکرد بهتری در کاهش منطقه غیرقابل تشخیص و افزایش سرعت تشخیص ارائه می دهد. همچنین، این روش از نوسانات نامطلوب ولتاژ و فرکانس در هنگام انتقال از حالت متصل به شبکه به حالت جزیره ای جلوگیری می کند. روش پیشنهادی با بهره گیری از تحلیل بار مبتنی بر یادگیری ماشین، نه تنها دقت و سرعت تشخیص جزیره ها را افزایش می دهد، بلکه امکان تنظیم بهینه پارامترهای کنترلی را بدون نیاز به سنسورها و تجهیزات اضافی فراهم می کند. این روش می تواند به عنوان یک راهکار عملی برای بهره برداری ایمن و پایدار از منابع انرژی مبتنی بر اینورتر در شبکه های توزیع مورد استفاده قرار گیرد.

کلیدواژه ها:

جزیره شدن ، اینورتر ، یادگیری ماشین