FRT Capability Enhancement of Wind Turbine Based on DFIG Using Machine Learning

Abstract

Çift beslemeli asenkron generatörü (ÇBAG), şebeke arızası sırasında meydana gelen yüksek gerilimin ve akımın zararlı etkilerine karşı çok hassastır. Makine öğrenmesi (ML) yöntemlerinden biri olan destek vektör makineye (DVM) dayalı bir kapasitif köprü tipi arıza akım sınırlayıcısı (KKTAAS), üç fazlı arızada geçiş (FRT) performansını iyileştirmek için önerilmiştir. Bu çalışmada, normal şebeke koşullarında çalışan ÇBAG tabanlı bir rüzgâr türbininde oluşabilecek faz-toprak (3LG) simetrik şebeke hatası DVM' ye dayalı makine öğrenimi algoritması hem ÇBAG dönüştürücülerin kontrol sistemlerinde hem de KKTAAS' in bir kontrol sisteminde uygulanmıştır. Rotor tarafında, şebeke tarafında dönüştürücüde ve KKTAAS' in devre topolojisinde kullanılan elektronik anahtarlama elemanlarının anahtarlama sinyallerini üretmek için dört farklı DVM sınıflandırıcı algoritması uygulanmıştır. DVM sınıflandırıcılarının eğitiminde İnce Gauss, Kuadratik, Kübik ve Doğrusal çekirdek fonksiyonları tercih edilmiştir. Geliştirilen DVM’ ler, normal ve şebeke arızası koşulları sırasında dönüştürücülerin davranışlarını doğru tahmin etmek ve karar vermek için uygun şekilde eğitilmiştir. İnce gauss ve Doğrusal DVM türlerinin performansı, ÇBAG’ ye dayalı bir rüzgâr türbini için eğitim verimliliğinin etkinliği ile karşılaştırılmıştır. DVM' in İnce Gaussian' in doğruluk oranı %100’dür, Doğrusal DVM' in doğruluk oranı ise %22'dir. Simülasyon sonuçları, İnce Gaussian DVM' in, ÇBAG tabanlı bir rüzgâr türbini için Doğrusal DVM' ye kıyasla 3LG şebeke hatasının zararlı etkilerinden daha verimli bir şekilde koruduğunu göstermektedir.