عنوان پایان‌نامه

بهبود کنترل فرکانس شبکه هوشمند در حضور توربین های بادی و خودروهای برقی



    دانشجو در تاریخ ۲۸ مهر ۱۳۹۵ ، به راهنمایی ، پایان نامه با عنوان "بهبود کنترل فرکانس شبکه هوشمند در حضور توربین های بادی و خودروهای برقی" را دفاع نموده است.


    محل دفاع
    کتابخانه مرکزی پردیس 2 فنی شماره ثبت: E 3130;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 79548;کتابخانه مرکزی پردیس 2 فنی شماره ثبت: E 3130;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 79548
    تاریخ دفاع
    ۲۸ مهر ۱۳۹۵
    دانشجو
    کاظم حقدار
    استاد راهنما
    سعید افشارنیا

    امروزه بدلیل نگرانی‌های محیط زیستی و گران‌شدن سوخت‌های فسیلی از یکسو استفاده از سیستم‌های تجدید پذیر در ابعاد بزرگ گسترش یافته است و از سوی دیگر استفاده از خودروهای برقی با سرعتی بسیار قابل توجه رو به گسترش است. استفاده از سیستم‌های تجدید پذیر چالش‌های جدیدی را بدلیل عدم قطعیت در توان تولیدی آنها به سیستم قدرت تحمیل کرده است و روش‌‎های سنتی تنظیم فرکانس نیز به سختی می‌تواند تعادل را بین تغییرات تولید و بار ایجاد کنند. در این راستا خودورهای برقی با ظرفیت رو به رشد و قابل توجهی که دارند برای غلبه بر چالش‌های واحدهای تجدیدپذیر در تنظیم فرکانس بسیار مورد توجه محققان و پژوهشگران قرار گرفته‌اند. از این رو در این پایان‌نامه از خودورهای برقی برای بهبود کنترل فرکانس شبکه هوشمند در حضور توربین بادی استفاده شده است. در این پایان‌نامه مطالعات مربوط به تنش‌های حاصل از شارژ و دشارژ، تلفات توان و نوسان حالت شارژ در باتری خودروهای برقی و تلفات توان در شبکه توزیع مورد ملاحظه قرار گرفته و مدل جامع دینامیکی شبکه 14 شینه IEEE در شرایط عدم قطعیت در توان تولیدی واحدهای بادی برای بررسی کنترل فرکانس در محیط MATLAB پیاده‌سازی شده است. در این مدل به بررسی برخی روش‌های شارژ و کنترل فرکانس با استفاده از خودرو برقی پرداخته شده و مشکلات اساسی آنها مورد بررسی قرار گرفته است. برای برطرف کردن این مشکلات، سیستم کنترلی براساس کنترل‌کننده پیش‌بین برای خودروهای برقی طراحی شده است. عملکرد این کنترل کننده در ساختار کنترلی متمرکز و غیرمتمرکز به عنوان روشی جدید در مقایسه با کنترل‌کننده‌های PI، H? و فازی در شبکه‌های مختلف از جمله شبکه سه ناحیه‎‎ای 39 شینه IEEE مورد تحلیل و شبیه‌سازی قرار گرفته است. نتایج شبیه‌سازی‌ها در شرایط عادی و شرایط عدم قطعیت در پارامترهای سیستم قدرت، برتری کنترل کننده پیش‌بین را در مقایسه با کنترل کننده های مذکور در بهبود کنترل فرکانس نشان داده است.
    Abstract
    To reduce the global climate change and to enhance the energy security, new technologies that reduce the CO2 emissions have been investigated for some years. The interest in renewable energy and Electric Vehicles (EVs) has increased due to their ability to reduce the CO2 pollution, low-cost charging, and reduced petroleum usages. But the intermittence of Renewable Energy Sources (RES) leads to mismatches in frequency and scheduled power interchanges between areas. Traditional frequency control methods can hardly mitigate these mismatches. Through Vehicle to Grid (V2G) technologies, EVs can provide power to the grid, which significantly improves the performance of the stability, efficiency, and reliability of power grid operation. Main portion of renewable energy is wind energy. Therefore, this research investigates improvement of frequency control in the presence of EVs and wind power in the smart grid. In this thesis, tension, power loss and state of charge swing of EVs battery and power loss of distribution power system are considered. Using simulink a comprehensive dynamic model of IEEE 14-bus power system is provided. In this model, uncertainty of wind power output and power exchange between EVs and power system are considered. In this model some charging methods and frequency control are investigated and their main problems are addressed. To solve these problems, control system based on Model Predictive Control (MPC) to charging method of EVs battery is presented. Performance of MPC in comparison with Proportional – Integral (PI), H? and fuzzy controller are investigated as new method in centralized and decentralized power system such as a 3-area IEEE 39-bus. Simulation results shows superiority of MPC in comparison with other methods in frequency control under uncertainty of power system parameters and wind power output. Keywords: Frequency Control, Electric Vehicle (EV), Model Predictive Control (MPC).