کنترل و بهینه سازی سیستمهای مبدل انرژی باد با استفاده از الگوریتم بهینه سازی انبوه ذرات و مقایسه آن با شبکه های عصبی

دراین پایان نامه روشی جدید برای کنترل توان تولیدی توربینهای بادی ارایه شده است و آن کنترل توان تولیدی توربینهای بادی با استفاده از کنترل زاویه آتش اینورترها میباشد . پیش از این روشی که برای کنترل زاویه آتش ارایه شده بود استفاده از شبکه های عصبی آموزش یافته با الگوریتم پس انتشار بوده است اما روشی که در این پایان نامه مورد بررسی قرارگرفته است استفاده از الگوریتم اجتماع ذرات pso میباشد .با توجه به جوابهایی که در جدول (4-1) نشان داده شده است مشاهده میشود که در حالتهای pso1 و ann1 که جوابهای بدست آمده در شبیه سازی ها با استفاده از افزایش زمان پله انجام شده است به نظر می آید که در زمانهای طولانی به دلیل اینکه تغییرات در یک زمان طولانی کم است ، در جوابهای بدست آمده بهترین نتایج را میدهد و نیز چون در بیشتر زمان پله نتایچ شبیه سازی و منحنی هدف تقریبا بر یکدیگر منطبق هستند و همین دلیل باعث شده که در جوابهای نهایی تاثیر گذاشته و در این حالت بهترین نتایج را میدهد. اما در حالتهای pso3 و ann3 که جوابهای بدست آمده در شبیه سازی ها با استفاده از افزایش مقداردامنه پله انجام شده است به نظر می آید چون در یک زمان کوتاه تغییرات زیاد است به خوبی نمیتواند سیگنال هدف را دنبال کند اما با این حال در حالت pso3 نتایج و تخمین زدن سیگنال هدف بسیار بهتر از حالت ann3 میباشد. اما در حالتهای pso2 و ann2 که جوابهای بدست آمده در شبیه سازی ها با استفاده از همان داده های اصلی و بدون تغییر میباشد مشاهده میشود که جوابهای حاصل از pso جوابهای حاصل از ann می باشد. بهینه سازی گروه ذرات یک تکنیک بهینه سازی مبتنی بر جمعیت می باشد که بر اساس قوانین احتمال کار می کند. در این روش هریک از ذرات (که نماینده یک راه حل ممکن مساله می باشند) سعی میکنند به سمتی حرکت کنند که بهترین تجربه فر دی و گروهی در آن روی داده است. از مزایای این روش می توان به تعداد کم پارامترهای تنظیمی، سادگی و به دور بودن از پیچیدگی های محاسباتی و همچنین سرعت بالای این الگوریتم اشاره کرد. الگوریتم pso راه حل های مناسب را بسیار سریعتر از شبکه عصبی پیدا میکند و همزمان با افزایش تکرارها کیفیت جواب بدست آمده را بهبود می بخشد. اما تفاوت اساسی این روش با شبکه های عصبی در این است که هر ذره دارای یک بردار سرعت نیز هست که به وسیله تغییرات آن به جستجوی پیوسته فضای تصمیم می پردازد. این بردار دارای دو جزء است که شامل حرکت ذره به سمت بهترین موقعیتی که تا کنون ملاقات کرده (pbest) و همچنین بهترین موقعیتی که یک ذره در کل جمعیت به آن رسیده است (gbest) می باشد. از دیگر مزایای الگوریتم pso نسبت به شبکه های عصبی وجود پارامتر اینرسی در این الگوریتم میباشد که این پارامتر گستردگی فضای جستجو را مشخص میکند که با تعیین مقدار مناسب برای این ضریب باعث کاهش تعداد تکرارهای لازم برای همگرایی به یک جواب مناسب، می شود. میتوان گفت که الگوریتم pso چون یک الگوریتم بهینه ساز می باشد و در طبق توضیحات فوق به سمت بهترین جوابها حرکت میکند در شبیه سازی هایی که انجام شده است به خوبی میتوان مشاهده کرد که جوابهای بدست آمده با استفاده از این الگوریتم نسبت به شبکه های عصبی بهتر توانسته تابع هدف مورد نظر را تخمین بزند. همین خصوصیات الگوریتم pso باعث شده است که این الگوریتم در حل توابع غیر خطی جوابهای بهتری نسبت به شبکه عصبی داشته باشد. همچنین بخاطر اینکه مشخصات توربینهای بادی به صورت غیر خطی هستند (مانند سرعت باد) این الگوریتم برتری خود را در حل مسایل غیر خطی نسبت به الگوریتم پس انتشار نشان داده است.امالازم به ذکراست که الگوریتمهای تکاملی ازجمله psoدرحال تکامل هستندو استفاده ازانواع ترکیبی آنها میتواند نتایج بهتری به همراه داشته باشد . همچنین با توجه به نتایجی که در منحنی گشتاور نسبت به سرعتهای مختلف باد بدست آمده مشاهده میشود که گشتاور ماکزیمم در حالت کنترل با استفاده از الگوریتم pso بیشتر از حالت الگوریتم پس انتشار میباشد که همین موضوع باعث تولید توان بیشتر در این حالت میگردد. cp max pso1 156/0 pso2 143/0 pso3 0985/0 ann1 0854/0 ann2 0783/0 ann3 0587/0