Skip to main content
SUPERVISOR
Hamid Reza Karshenas
حمیدرضا کارشناس (استاد راهنما)
 
STUDENT
Iman Zakerinasab
ایمان ذاکری نسب

FACULTY - DEPARTMENT

دانشکده مهندسی برق و کامپیوتر
DEGREE
Master of Science (MSc)
YEAR
1397
In this thesis, the use of predictive control methods based on artificial intelligence, machine learning, and artificial neural networks is investigated to solve modular multilevel converters' challenges. In modular multilevel converters, minimizing the circulating current and rippling the capacitors' voltage, controlling the load side current, and maintaining the capacitors' voltage balance is among the most crucial research goals of researchers in recent years. Therefore, the controller role used in such converters is vital. Today, with the increase in processor speed, it is possible to use new control methods such as predictive control. Using the system's dynamic model and predicting the future behavior of the variables, control is performed, and its implementation in converters is very easy. in predictive control of the MMC converter, researchers have proposed various techniques that have good results in these cases. However, the submitted proposals have a sizeable computational load, which should lead to the need to improve the predictive controller's performance to reduce the computational load and enhance the MMC converter challenges' performance. Among other things, the use of many cells in the MMC converter, in some .applications such as HVDC, increases the switching frequency and losses and the high volume of calculations in the controller. To solve this problem, a method must be provided to reduce the switching modes and, consequently, the computational load First, by expressing the advantages of predictive control methods and focusing on the FCS-MPC method, the general relationships related to the control of electronic power converters and then the challenges of modular multilevel converters using this control method are discussed. Then, by expressing the main challenges of this control method such as the time-consuming method of determining the weight factor, dependence on the converter circuit model, high volume of required calculations, switching losses, and high switching frequency, two proposed methods based on machine learning and artificial neural networks to improve this challenge Are similar to the FCS-MPC method, while maintaining the steady-state and dynamic performance of the converter. Next, focusing on modular three-level and five-level converters, these control methods are proposed to achieve two general goals.The first goal is to solve the challenges of modular multilevel converters. The second goal is to solve the FCS-MPC method's inherent difficulties and improve system performance in applying this control method. In the following, the results of the simulation of the two proposed ways and the FCS-MPC method are compared with each other, and the priority of each technique in terms of different performance characteristics is evaluated. Finally, conclusions and suggestions for further research are provided. Modular Multilevel Converter 2- Control Challenges of Modular Multilevel Converter 3- Predictive Control in Power Electronic 4- Machine Learning and Artificial Neural Networks
در این پایان ­نامه، استفاده از روش­ های کنترل پیش ­بین مبتنی بر هوش مصنوعی،یادگیری ماشینی و شبکه­های عصبی مصنوعی با هدف رفع چالش ­های مبدل­ های چندسطحی ماژولار بررسی می­ شود. در مبدل­ های چندسطحی ماژولار به حداقل رساندن جریان­ گردشی­ و ریپل ولتاژخازن ­ها ،کنترل جریان سمت بار و برقراری بالانس ولتاژ خازن ­ها از مهم ­ترین اهداف تحقیقاتی محققان در سال­ های گذشته به شمار می­ رود. از این رو نقش کنترل­ کننده استفاده شده در این­ گونه مبدل ­ها بسیار پر اهمیت می ­باشد. امروزه با افزایش سرعت پردازنده­ ها امکان به کارگیری روش ­های کنترلی جدید مانند کنترل پیش ­بین فراهم شده است .در این کنترلر، با استفاده از مدل دینامیکی سیستم و پیش ­بینی رفتار آینده متغیرها، کنترل صورت گرفته و پیاده سازی آن در مبدل ­ها بسیار آسان می ­باشد. در کنترل پیش­ بین مبدل MMC ، تکنیک‌های مختلفی توسط پژوهشگران پیشنهاد شده است که نتایج مناسبی در خصوص این موارد در پی داشته است. با این حال پیشنهادهای مطرح شده دارای بار محاسباتی بسیار زیادی می ­باشدکه این امر ضرورت بهبود در تصحیح عملکرد کنترل­ کننده پیش­ بین، برای کاهش بار محاسباتی و بهبود عملکرد چالش­ های مبدل MMC را باید به همراه داشته باشد. از جمله آن‌که استفاده از تعداد سلول­ های زیاد درمبدل MMC ، در برخی کاربردها نظیر HVDCسبب افزایش فرکانس کلیدزنی و تلفات و حجم بالای محاسبات در کنترلر می ­شود که برای رفع این مشکل باید روشی برای کاهش حالت ­های سوییچینگ و در نتیجه بار محاسباتی ارائه گردد.در ابتدا، با بیان مزیت ­های روش­ های کنترل پیش ­بین و با تمرکز روی روش FCS-MPC، روابط کلی مرتبط با کنترل مبدل­های الکترونیک­ قدرت و به دنبال آن بررسی چالش­ های مبدل­ های چندسطحی ماژولار با استفاده از این روش ­کنترلی پرداخته می ­شود. سپس با بیان چالش­ های اصلی این روش کنترلی نظیر روش زمانبر تعیین فاکتور وزن،وابستگی به مدل مداری مبدل، حجم بالای محاسبات موردنیاز،تلفات کلیدزنی وفرکانس کلیدزنی بالا دو روش پیشنهادی مبتنی بر یادگیری ماشینی و شبکه­های عصبی مصنوعی برای بهبود این چالش ­ها با حفظ عملکرد حالت پایدار و دینامیکی مبدل، مشابه روش FCS-MPC ارائه می­ شود.در ادامه، با تمرکز روی مبدل های سه سطحی و پنج سطحی ماژولار ، این روش­های کنترلی به منظور تحقق دو هدف کلی پیشنهاد می­ شوند. هدف اول، رفع چالش­ های مربوط به مبدل­های چندسطحی ماژولار و هدف دوم، برطرف­ کردن چالش­های ذاتی روش FCS-MPC و بهبود عملکرد سیستم در حالت اعمال این روش کنترلی است. در ادامه، نتایج حاصل از شبیه­ سازی دو روش پیشنهادی و روش FCS-MPC با یکدیگر مقایسه و اولویت هر روش از حیث مشخصه ­های عملکردی مختلف بررسی می ­شود. در پایان، نتیجه­ گیری و پیشنهادات برای ادامه پژوهش ارائه می­ شود. کلیدواژه های فارسی: 1- مبدل­های چندسطحی ماژولار2- چالش ­های کنترلی مبدل­ چندسطحی ماژولار3-کنترل پیش بین در الکترونیک قدرت 4- یادگیری ماشینی و شبکه­

تحت نظارت وف ایرانی