پایش بلادرنگ و کاهش هارمونیک در پستهای برق مترو با استفاده از فیلتر اکتیو هوشمند مبتنی بر کنترل پیشبین و یادگیری ماشین

گسترش روزافزون زیرساخت های الکترونیک قدرت در شبکه های کشش ریلی، شهری به ویژه مترو چالش های جدی در حوزه کیفیت توان و آلودگی هارمونیکی در پست های توزیع برق به وجود آورده است. تجهیزات غیرخطی نظیر یکسوکننده های چندپالسه رانش سیستم های ترمز بازیافتی (احیایی)، مبدل های ایستگاهی و درایوهای سرعت متغیر سبب اعوجاج شدید شکل موج ولتاژ و جریان، افزایش تلفات ژول، فرسودگی زودرس ترانسفورماتورهای کشش و اختلال در عملکردهای حفاظتی می شوند. در این پژوهش یک معماری هوشمند و هیبرید برای پایش آنلاین و جبرانسازی تطبیقی هارمونیک ها در پست های برق مترو توسعه داده شده است. این ساختار بر ادغام فیلتر اکتیو قدرت موازی (SAPF)، کنترل پیشبین مدل مبنا (MPC) و الگوریتم های یادگیری ماشین مبتنی بر شبکه های عصبی بازگشتی LSTM و ماشین بردار پشتیبان SVMD استوار است. در روش پیشنهادی ابتدا شاخص های دینامیکی کیفیت توان استخراج شده و به کمک یادگیری ماشین الگوی رفتار بار و سطح اعوجاج پیش بینی می گردد. متعاقبا، کنترل کننده پیشبین با بهینه سازی یک تابع هزینه چندهدفه بردارهای کلیدزنی بهینه اینورتر را در هر گام نمونه برداری تعیین می کند. نتایج شبیه سازی جامع در محیط MATLAB/Simulink نشان می دهد که روش پیشنهادی قادر است نرخ اعوجاج هارمونیکی کل (THD) جریان را از ۲۸.۰۵ به کمتر از ۲۰.۱۷ کاهش داده، ضریب توان را به مرز ۹۹% برساند و سرعت پاسخ گذرا را در مواجهه با نوسانات پویای بار قطارها به شکل چشمگیری بهبود بخشد.

کلیدواژه ها:

کیفیت توان ، فیلتر اکتیو موازی ، کنترل پیشبین متناهی عضو (FCS-MIPC) ، یادگیری ماشین ، سیستم های کشش مترو