بسمه تعالی

گروه مهندسی برق

(الکترونیک ‌قدرت و ماشین‌های الکتریکی)

اطلاعیه دفاع پایان‌نامه کارشناسی ارشد

هماهنگی اینورترهای هوشمند فتوولتائیک با استفاده از یادگیری تقویتی عمیق

ارائه دهنده: محمدجواد فرجی

        تاریخ: چهارشنبه  11/7/1403                    ساعت: 16                مکان:  ساختمان اصلی کلاس 201

استاد راهنما:  دکتر رمضانعلی نقی‌زاده                                         دانشگاه: صنعتی همدان

استاد داور داخلی:  دکتر پژمان بیات                                            دانشگاه: صنعتی همدان

استاد داور خارجی: دکتر سید محمد مهدی موسوی                    دانشگاه: صنعتی همدان

چکیده:

استفاده از تولید پراکنده تجدیدپذیر به‌خصوص سیستم فتوولتائیک در سال‌های اخیر به‌منظور حفظ محیط‌زیست افزایش قابل‌توجهی داشته است. با وجود مزیت‌های بسیار این منابع، افزایش حضور آنها در شبکه توزیع چالش‌های جدیدی برای عملکرد شبکه ایجاد کرده است. به‌عنوان‌مثال، نقض محدوده مجاز سطوح ولتاژ و شارش‌توان معکوس در این شبکه‌ها می‌تواند منجر به مشکلاتی همچون آسیب به تجهیزات شبکه، ایجاد خلل در سیستم حفاظتی و افزایش تلفات و... گردد. یکی از راه‌حل‌های موجود برای برطرف‌کردن این مشکل، کنترل توان اکتیو و راکتیو بوده که در شبکه توزیع با نفوذ بسیار بالای فتوولتائیک نیز قابل‌دستیابی است. اینورترهای هوشمند یک روش مناسب برای کنترل توان به‌منظور تنظیم ولتاژ شبکه در محل اتصال این منابع هستند. در این پایان‌نامه یک الگوریتم هوش‌مصنوعی مبتنی بر یادگیری تقویتی عمیق برای هماهنگ‌کردن چندین اینورتر هوشمند پیشنهاد شده است. این طرح برای متعادل‌کردن ولتاژ و استفاده از قابلیت کنترل توان راکتیو به‌وسیله اینورتر طراحی شده است. عامل هوش‌مصنوعی طراحی‌شده با زبان برنامه‌نویسی پایتون، خط‌مشی خود را از طریق تعامل با شبیه‌ساز شبکه قدرت (OpenDSS) می‌آموزد. مدل آموزش‌دیده به دانش انباشته‌شده در مرحله یادگیری برای اتخاذ تصمیمات قوی تحت شرایط بهره‌برداری مختلف متکی است. این عامل با بار‌ مصرفی، تغییرات تابش‌خورشید و دما سازگار شده است تا بر عدم قطعیت‌های موجود غالب گردد. این چارچوب چندهدفه توسط دو الگوریتم بدون مدل و مبتنی بر داده آموزش داده شد و حداقل تلفات توان همراه با کاهش نوسانات ولتاژ بدون کاهش بازده منبع میسر گردید. نتایج به‌دست‌آمده با روش کنترلی استاندارد و حالت بدون کنترل، تحت شرایط دو روز متفاوت و در دو شبکه آزمایشی 37 و 123 شینه IEEE مقایسه شده تا کارآمدی مدل پیشنهادی ارزیابی گردد.

​​​​​​​