کاربرد هوش مصنوعی و یادگیری ماشین در بهبود طراحی و بهینه سازی مبدل های قدرت ژنراتور القایی تغذیه دوگانه متصل به شبکه

این مقاله به بررسی جامع کاربرد روش های هوش مصنوعی و یادگیری ماشین در طراحی و بهینه سازی مبدل های قدرت ژنراتور القایی تغذیه دوگانه (DFIG) متصل به شبکه می پردازد. مبدل های قدرت از اجزای حیاتی سیستم های DFIG هستند اما با چالش های قابل توجهی در زمینه قابلیت اطمینان و کارایی مواجه اند. طبق بررسی های انجام شده، این مبدل ها مسئول حدود ۱۳٪ خرابی های توربین های بادی و ۱۸.۴٪ زمان خرابی فنی هستند. هوش مصنوعی با چهار روش اصلی سیستم های خبره، سیستم های منطق فازی، روش های متاهیوریستیک و یادگیری ماشین عمیق به بهبود طراحی و عملکرد این مبدل ها کمک می کند. تحلیل آماری نشان می دهد که روش های متاهیوریستیک با ۵۰٪ بیشترین سهم را در این زمینه دارند و در میان آن ها بهینه سازی ازدحام ذرات (PSO) با ۳۳٪ محبوب ترین روش است. شبکه های عصبی مصنوعی (ANN) نیز قابلیت های قدرتمندی در پیش بینی پارامترهای بهینه طراحی نشان داده اند. سیستم های دوقلوی دیجیتال (DTS) با استفاده از شش تکنیک منحصر به فرد هوش مصنوعی امکان مدل سازی، نظارت و بهینه سازی عملکرد مبدل های قدرت در زمان واقعی را فراهم می کنند. روند آینده نشان دهنده ادغام بیشتر فناوری های هوش مصنوعی، افزایش استفاده از روش های یادگیری عمیق و توسعه الگوریتم های هیبریدی است که می تواند به سیستم های انرژی تجدیدپذیر کارآمدتر و قابل اعتمادتر منجر شود.

کلیدواژه ها:

هوش مصنوعی ، یادگیری ماشین ، ژنراتور القایی تغذیه دوگانه ، مبدل های قدرت ، بهینه سازی طراحی