Deep-Learning-Based Controller for Parallel DSTATCOM to Improve Power Quality in Distribution System

A. Kasim Vali

doi:10.3390/en18184902

Deep-Learning-Based Controller for Parallel DSTATCOM to Improve Power Quality in Distribution System

2025-09-30

0

OA

AI

DOI：10.3390/en18184902

原文链接

查看原文

摘要

En 中文

现代电力系统因日益增长的能源消耗和动态负载变化而承受巨大压力，这对供电质量和可靠性产生了影响。谐波注入和无功功率不平衡是由广泛偏差引起的。尽管许多行业需要高质量电力才能持续正常运行，但电力质量（PQ）问题主要是由集成到公用电网中的由电力电子变换器驱动的可再生能源引起的。虽然已提出多种解决方案，但需要持续努力和改进的新方案来解决这些问题，并按照各种国际标准运行。在所提出的模型中创建了分布式静态补偿器（DSTATCOM）以增强标准母线系统中的PQ。最初开发了一个使用DSTATCOM模型的标准母线系统。在应用各种PQ扰动条件时收集了实时数据集。使用此生成的数据集创建了一个深度学习控制器，该控制器检查母线电压以生成DSTATCOM脉冲信号。使用IEEE 13母线和IEEE 33母线系统对所提出的工作进行了分析。验证了所提出的深度学习控制器在多种情况下的性能，包括中断、浪涌、谐波和电压骤降。IEEE 13母线在电压骤降期间的THD为0.09%，在浪涌期间为0.08%，在中断期间为0.01%，IEEE 33母线在电压骤降期间为1.99%，在浪涌期间为0.44%，在中断期间为0.01%。此外，还检验了所提出的深度学习控制器的有效性，并与当前方法（如K-最近邻（KNN）和前馈神经网络（FFNN））进行了对比。验证结果表明，所提出的方法提供了一种高效的缓解机制，适用于所有涉及PQ问题的案例。

Deep-Learning-Based Controller for Parallel DSTATCOM to Improve Power Quality in Distribution System

摘要

AI总结

期刊

机构