عملکرد بالا در اینورتر چندسطحی با کلیدهای کاهش‌یافته برای سیستم‌های فتوولتائیک

چکیده

در این مقاله، زوایای سوئیچینگ بهینه با استفاده از الگوریتم‌های مختلفی مانند الگوریتم لجن‌زاری (SMA)، الگوریتم کلونی زنبورهای مصنوعی (ABC)، الگوریتم‌های ژنتیکی (GA)، الگوریتم بهینه‌سازی نهنگ‌ها (WOA) و الگوریتم گرگ‌های خاکستری (GWO) انتخاب شده‌اند. این زوایا براساس کمترین اعوجاج هارمونیک کل از ولتاژ بار خروجی در اینورتر چندسطحی با کلیدهای کاهش‌یافته انتخاب می‌شوند. این الگوریتم‌ها به طور هیبریدی برای حل معادله غیرخطی تعیین زوایای سوئیچینگ همکاری می‌کنند. برای این مطالعه، یک اینورتر ۲۵ سطحی با منبع تغذیه پنل فتوولتائیک غیرهمسان و جدا شده انتخاب شده است. تحلیل نظری و شبیه‌سازی با استفاده از Matlab/Simulink برای اینورتر چندسطحی با کلیدهای کاهش‌یافته ۲۵ سطحی انجام شده و نتایج شبیه‌سازی، نتایج عملی را تأیید کرده است.

مقدمه

انرژی‌های تجدیدپذیر به منابع طبیعی نامحدودی برای تولید انرژی اشاره دارند. یکی از مهم‌ترین انواع این انرژی‌ها، انرژی خورشیدی است که به عنوان انرژی رایگان در اکثر کشورها از شدت‌های مختلف در دسترس است. یکی از مزایای اصلی آن این است که محدودیت ندارد و موجب آلودگی و گرم شدن کره زمین نمی‌شود. سیستم‌های فتوولتائیک دارای ویژگی‌های جذابی برای تولید انرژی هستند که با تقاضای بار حداکثری مطابقت دارند. این تکنولوژی کارآمد به بازارهای تجاری تسلط یافته است و تا ۲۰ درصد از تولید انرژی را به خود اختصاص داده است. مبدل‌های DC به AC، جزء اصلی سیستم‌های فتوولتائیک محسوب می‌شوند. اینورترهای چندسطحی (MLI) دستگاه‌های بسیار مهمی برای تبدیل انرژی در گستره وسیعی از کاربردها هستند. در دهه‌های اخیر، قدرت این سیستم‌ها به طرز قابل توجهی افزایش یافته است.

بدین ترتیب، سیستم‌هایی با نیاز به توان بالا نیازمند اینورترهای چندسطحی با توپولوژی مناسب برای پردازش این نوع سیستم‌ها جهت غلبه بر محدودیت‌های ناشی از ولتاژهای بالای کلیدهای قدرت هستند.

مزایای اینورترهای چندسطحی

اینورترهای چندسطحی مزایای متعددی دارند از جمله:

• کیفیت بالای سیگنال‌های توان
• ساختار بدون ترانسفورماتور
• کاهش تلفات سوئیچینگ
• کاهش فشار بر کلیدهای الکترونیکی قدرت

با این حال، این فناوری با چالش‌هایی در تعیین زوایای سوئیچینگ در برخی از کاربردها مواجه است که می‌تواند در انرژی‌های تجدیدپذیر به کار گرفته شود.

تقاضای فزاینده انرژی الکتریکی

تقاضای انرژی الکتریکی در سال‌های اخیر به وضوح افزایش یافته است. با افزایش تعداد دستگاه‌ها، وسایل نقلیه و کارخانه‌های صنعتی که از انرژی الکتریکی استفاده می‌کنند، نیاز به اینورترهای کارآمد و بهینه‌تر حس می‌شود. از طرف دیگر، آلودگی محیط‌زیست و تغییرات اقلیمی ناشی از سوخت‌های فسیلی و نزدیک شدن به تخلیه آن‌ها، همچنین هزینه‌های بالای استخراج و حمل و نقل، توجه جهانی را به سمت انرژی‌های تجدیدپذیر جلب کرده است.

تحقیقات زیادی بر روی بهینه‌سازی THD در MLI از طریق استفاده از روش‌های بهینه‌سازی و به‌روزرسانی توپولوژی‌های جدید انجام شده است. به عنوان مثال، در سال ۲۰۱۲، کاربرد الگوریتم بی (BA) برای تعیین زوایای سوئیچینگ در اینورترهای چندسطحی معرفی شد.

این الگوریتم برای یک اینورتر سه‌فاز و ۷ سطحی به کار رفته و نتیجه‌گیری شده که سطح THD برای ولتاژ خروجی برابر با ۸.۹۹% است. در سال ۲۰۱۸، تکنیکی به نام حذف هارمونیک انتخابی (SHE) در MLI با استفاده از الگوریتم PSO تصادفی هیبریدی معرفی شد.

این الگوریتم به صورت هیبریدی بر مبنای نیوتن-رفسون (APSO-NR) برای حذف هارمونیک‌های ناخواسته در MLI پل‌دار متصل به هم به کار رفته و در نهایت کمترین THD برابر با ۱۲.۵۲% برای ولتاژ خروجی مرحله به دست آمده است.

عملکرد بالا در اینورتر چندسطحی با کلیدهای کاهش‌یافته برای سیستم‌های فتوولتائیک

الگوریتم‌های بهینه‌سازی

تحقیقات اخیر نشان داده است که از الگوریتم‌های بهینه‌سازی برای حذف هارمونیک‌های مرتبه پایین در اینورتر چندسطحی با تعداد کلیدهای کاهش‌یافته بهره‌برداری شده است. در این راستا، یک الگوریتم ترکیبی مبتنی بر بهینه‌سازی کلونی مورچه‌ها برای محاسبه زوایای سوئیچینگ در اینورتر سه‌فاز هفت‌سطحی مورد استفاده قرار گرفت که منجر به دستیابی به THD بار ولتاژی برابر با ۴.۶۶% در مـدولاسیون ایندکس (M) برابر با ۰.۸ گردید.

در سال ۲۰۲۰، مقایسه‌ای عملکردی بین الگوریتم نیوتن رافسون (N-R) و الگوریتم ژنتیک (G-A) برای محاسبه زوایای سوئیچینگ در اینورتر پل معکوس‌ساز کاسکادی ۹ سطحی به‌عمل آمد. پروتوتایپ کنترل شده با FPGA نشان داد که حداقل THD ولتاژ خروجی به مقدار ۱۰.۹% رسید.

در سال ۲۰۱۵، سه الگوریتم تکاملی برای حذف هارمونیک‌های مرتبه پایین در منبع ولتاژ اینورتر چندسطحی پیشنهاد شد. این الگوریتم‌ها شامل بهینه‌سازی کلونی مورچه (ACO)، بهینه‌سازی ازدحام ذرات (PSO) و الگوریتم ژنتیک با کد واقعی (RCGA) بودند که برای محاسبه زوایای سوئیچینگ اینورتر ۱۱ سطحی پیاده‌سازی و مقایسه شدند. همچنین در همان سال، از رویکرد الگوریتم ژنتیک با کد واقعی برای کاهش هارمونیک‌ها در اینورتر چندسطحی استفاده شد که منجر به کارایی درایو موتور AC با توان بالا در دامنه وسیعی از ایندکس‌های مدولاسیون گردید. کمترین هارمونیک مرتبه سیزدهم در حالی حاصل شد که بزرگی بنیادی در سطح مورد نظر حفظ گردید. در این کار، محاسبات زاویه‌های سوئیچینگ از الگوریتم‌های ژنتیک، الگوریتم موی لجن، الگوریتم گرگ خاکستری و کلونی زنبور مصنوعی برای راه‌اندازی MLI با کلیدهای کاهش‌یافته در یک سیستم فتوولتائیک انجام گردید.

سیستم فتوولتائیک

انرژی خورشیدی به‌عنوان فراوان‌ترین منبع انرژی تجدیدپذیر در جهان شناخته می‌شود. این منبع انرژی به‌دلیل بی‌پایانی و کم‌ضرر بودنش توجه بسیاری را جلب کرده است. سیستم فتوولتائیک (PV) همچنین به‌دلیل عمر طولانی و نیاز به نگهداری کم، مورد توجه قرار گرفته است. با این حال، سیستم‌های فتوولتائیک تحت تأثیر تابش خورشیدی و دما قرار می‌گیرند و به شرایط جوی خاصی وابسته‌اند.

سلول‌های فتوولتائیک که از سیلیکون ساخته شده‌اند، برای تولید ماژول‌های فتوولتائیک استفاده می‌شوند. این سلول‌های نازک از بارش یک ماده حساس به نور از ویفرهای سیلیکونی بلوری تشکیل شده‌اند. سلول‌های فتوولتائیک انرژی تابشی را به‌طور مستقیم به انرژی الکتریکی تبدیل می‌کنند و هر سلول فتوولتائیک یک دیود ساده پی-ان است که سطح آن به‌طور مستقیم در معرض نور خورشید قرار دارد.

هنگامی که سلول‌ها در معرض نور خورشید قرار می‌گیرند، حامل‌های بار شکل می‌گیرند که منجر به تولید برق می‌شوند. مدار ابتدایی سلول فتوولتائیک در شکل ۱ نشان‌دهنده عناصر اصلی یک سلول PV است.

در اینجا مشخصات مدار نشان داده شده است:

• Ipv: جریان خروجی تولید شده توسط پنل PV در شرایط اقلیمی استاندارد (T=۲۵°C و Irr=1000W/m²)
• ID: جریان اشباع
• Rsh: به دلیل جریان نشتی از طریق پی-ان
• Rs: به دلیل مقاومت‌های ترکیبی در اتصالات، شبکه‌های فلزی و لایه‌های P و N

اینورتر چندسطحی (MLI)

یکی از موثرترین انواع اینورترها در کار با پنل‌های خورشیدی، اینورتر چندسطحی (MLI) است که انواع اصلی آن شامل دیودهای صعودی (CD-MLI)، خازن‌های پروازی و اینورتر چندسطحی کاسکادی (C-MLI) است.

تحقیقات اخیر در این زمینه بر دو بخش اصلی متمرکز شده است: کاهش تعداد کلیدها و منابع DC مورد استفاده از طریق توسعه مداوم توپولوژی‌ها و همچنین توسعه روش‌هایی برای کنترل زوایای تحریک به‌منظور کاهش هارمونیک‌های ناشی از کارکرد اینورتر.

شناخته شده است که تعداد هارمونیک‌های حذف شده برابر با تعداد زوایای سوئیچینگ است و از آنجا که روش سنتی محاسبه زوایای سوئیچینگ، نیوتن رافسون (NR) است که به یک مقدار اولیه برای زوایای سوئیچینگ نیاز دارد، این یک نقطه ضعف این روش محسوب می‌شود. مهم‌ترین نقطه‌ضعف این روش این است که نیاز به پیش‌بینی مقدار اولیه نزدیک به راه‌حل صحیح دارد و در غیر این صورت، انحرافات و خطاهایی به وجود می‌آید و همچنین تنها در دامنه اندکی از ایندکس مدولاسیون (M) عمل می‌کند.

در این توپولوژی، از چهار منبع انرژی DC و هشت سوئیچ قدرت تک‌جهتی و دو طرفه استفاده خواهد شد. مزیت این توپولوژی این است که ولتاژ سوئیچ اوج کاهش پیدا می‌کند. اگرچه طراحی ۲۵ سطحی تعداد سوئیچ‌ها را کاهش می‌دهد، MLI دارای پروفایل محتوای هارمونیک کمی است به‌دلیل توانایی آن در سنتز یک موج ولتاژ خروجی از هر ولتاژ خروجی سطح اینورتر. این امر برای منابع انرژی توزیع‌شده مناسب است که اتصال چندین باتری، پنل خورشیدی یا میکرو توربین به شبکه AC لازم است.

استراتژی‌های سوئیچینگ مختلفی می‌توانند برای کنترل دامنه ولتاژ خروجی MLI، فرکانس و محتوای هارمونیک‌ها به‌کار روند. تکنیک‌هایی مانند مدولاسیون عرض پالس حذف انتخابی هارمونیک (SHEPWM) و بردار فضایی (SVPWM) از جمله این روش‌ها هستند. در بین تمام آن‌ها، تکنیک SHEPWM به‌عنوان رایج‌ترین تکنیک شناخته می‌شود که می‌تواند پروفایل هارمونیک تنگی را با کنترل وسیع مؤلفه ولتاژ بنیادی به‌دست آورد.

حذف هارمونیک

برای MLI تک‌فاز، ولتاژ خروجی می‌تواند به‌صورت زیر بیان شود:

نمودار اینورتر چندسطحیکه در آن:

• M: ایندکس مدولاسیون
• V1: ولتاژ بنیادی
• S: تعداد منابع DC
• αk: زاویه سوئیچینگ
• Vn: ولتاژ خروجی برای هارمونیک nام

شکل ۲ یک نمودار مدار اینورتر ۲۵ سطحی پیشنهادی را نشان می‌دهد که شامل ۱۲ سوئیچ نیمه‌رسانا و چهار منبع DC است، که در آن (Vdc2 = ۵ × Vdc1) می‌باشد.

شبیه‌سازی در Matlab

جدول ۱: حالت‌های سوئیچینگ برای اینورتر ۲۵ سطحی

حالت	وضعیت‌های کلید
حالت ۱

الگوریتم‌های بهینه‌سازی

در این تحقیق، به کاربران چندین و متنوع از الگوریتم‌ها برای محاسبه زوایای سوئیچینگ پرداخته می‌شود و الگوریتم‌های مورد استفاده مقایسه شده و ترکیب عملکرد آن‌ها به‌منظور استخراج مقادیر بهینه این زوایا برای کاهش محتوای هارمونیک به حداقل ممکن بررسی می‌شود.

الگوریتم‌های بهینه‌سازی

در این تحقیق، از چندین الگوریتم بهینه‌سازی برای محاسبه زوایای سوئیچینگ استفاده شده است. این الگوریتم‌ها شامل الگوریتم‌های ژنتیکی (GA)، الگوریتم حلزونی ترشحی (SMA)، الگوریتم گرگ‌های خاکستری (GWO)، الگوریتم بهینه‌سازی نهنگ (WOA)، بهینه‌ساز گرگ‌های خاکستری افزایش‌یافته و جستجوی جوجه‌تیغی برای بهینه‌سازی جهانی (AGWO_CS) و بهینه‌سازی کلنی زنبورهای مصنوعی (ABC) هستند. این الگوریتم‌ها توانسته‌اند به دست آوردن حل بهینه مورد نیاز برای محاسبه زوایای سوئیچینگ برای اینورترهای چندسطحی (MLIs) در دامنه وسیعی از شاخص مدولاسیون M% کمک کنند.

شکل ۳، فلوچارت فرآیند بهینه‌سازی با استفاده از الگوریتم ژنتیکی را نشان می‌دهد.

نرخ خطای محاسباتی

شکل ۴، درصد خطای محاسباتی تابع هدف را در برابر تکرارهای الگوریتم بهینه‌سازی نمایش می‌دهد. در حالی که شکل ۵، تغییرات زوایای سوئیچینگ را با شاخص مدولاسیون نشان می‌دهد.

شکل ۶، درصد خطای محاسباتی را در برابر تغییر شاخص مدولاسیون (M) برای تمام الگوریتم‌های بهینه‌سازی استفاده‌شده نشان می‌دهد. نتایج نشان می‌دهد که الگوریتم‌های (SMA) و (ABC) کمترین خطا را در (M=۰.۹۵ و M=۱) به ترتیب دارند.

نتایج شبیه‌سازی و آزمایش

شبیه‌سازی یک اینورتر تک‌فاز ۲۵ سطحی با یک مجموعه فتوولتائیک در نرم‌افزار MATLAB/Simulink انجام شد. مقادیر زوایای سوئیچینگ در (M=۱) و فرکانس (f=50Hz) انتخاب شدند. اینورتر بار R-L با مقاومت (R=20Ω) و inductance (L=100mH) را تأمین می‌کند. ولتاژ DC اولیه (Vdc1=10V) و (Vdc2=50V) تنظیم شده است.

شکل ۸، THD حاصل از هر الگوریتم مورد استفاده (SMA)، (GA)، (GWO)، (ABC)، (WOA) و (AGWO_CS) را با THD بهینه در نقاط حداقل در برابر شاخص مدولاسیون بین ۰.۵ تا ۱ نمایش می‌دهد.

شکل‌های ۹.a و ۹.b، شکل موج ولتاژ خروجی اینورتر تک‌فاز ۲۵ سطحی و FFT آن را در (M=۱) نمایش می‌دهند.

[IMAGE_9.a]

[IMAGE_9.b]

شکل‌های ۱۰.a و ۱۰.b، شکل موج جریان خروجی اینورتر ۲۵ سطحی تک‌فاز و تحلیل FFT آن را با شاخص مدولاسیون = ۱ و زوایای سوئیچینگ در (θ1=۱, θ2=۶.۸, θ3=۱۲, θ4=۱۴.۹, θ5=۲۲.۴, θ6=۲۷.۷, θ7=۳۱.۱۵, θ8=۳۹.۱۳, θ9=۴۲.۹۶, θ10=۵۰.۳۳, θ11=۵۸.۶۶, θ12=۷۰.۴۴) و (R=۲۰ Ω, L=۱۰۰ mH) نشان می‌دهند. THD ولتاژ و جریان خروجی به ترتیب ۲.۹% و ۱% است که کمتر از ۵% (استاندارد IEEE) است.

[IMAGE_10.a]

[IMAGE_10.b]

شکل ۱۱، الگوهای سیگنال پالس برای هر MOSFET در شبیه‌ساز ISE با کد (VHDL) برای کیت (FPGA) را نشان می‌دهد. یک نمونه از اینورتر ۲۵ سطحی تک‌فاز با (FPGAs) (SPARTAN-3E) به‌عنوان مدار درایو گیت به کار رفته است. به منظور تأیید نتایج شبیه‌سازی، مدار عملی اینورتر تک‌فاز ۲۵ سطحی با مدار درایو گیت نوع (opt-isolators) (TP250) راه‌اندازی شده است، که شامل ۱۲ سوئیچ MOSFET در اینورترهای کاهش‌یافته است که از چهار پنل فتوولتائیک تأمین می‌شوند. همچنین فرض می‌شود که فرکانس خروجی ۵۰ هرتز است.

شکل‌های ۱۳.a و ۱۳.b، شکل موج خروجی و با استفاده از تحلیل‌گر قدرت، THD عملی ولتاژ بار برابر با (۲.۹%) را نشان می‌دهد، در حالی که شکل ۱۳.c، FFT عملی ولتاژ بار را نشان می‌دهد. همچنین، شکل‌های ۱۴.a، ۱۴.b و ۱۴.c، شکل موج جریان خروجی و FFT آن را با THD = (۱.۲%) برای اینورتر ۲۵ سطحی تک‌فاز در (M=۱) و ولتاژ DC ورودی (Vdc1=6V و Vdc2=30V) نمایش می‌دهد. طیف ولتاژ خروجی اینورتر، حذف هارمونیک‌ها را برای ولتاژ خروجی اینورتر (از مرتبه ۳ تا ۲۳) نشان می‌دهد و کمترین هارمونیک مرتبه (LOH) از مرتبه ۲۵ (h25=1250Hz) است.

[IMAGE_13.a]

[IMAGE_13.b]

[IMAGE_13.c]

[IMAGE_13.d]

[IMAGE_14.a]

[IMAGE_14.b]

[IMAGE_14.c]

منابع و مراجع

در این بخش، لیستی از مقالات و منابع مورد استفاده در این تحقیق آورده شده است که به پیشرفت‌های اخیر در زمینه اینورترهای چندسطحی و روش‌های بهینه‌سازی مرتبط با آنها پرداخته‌اند.

1. C. M. N. Mukundan, K. Mithun و P. Jayaprakash، “اینورتر مدولار پنج سطحی با منابع باینری مبتنی بر DVR برای بهبود کیفیت توان”، کنفرانس بین‌المللی پیشرفت‌های تکنولوژیکی در توان و انرژی (TAP Energy)، کلام، ۲۰۱۷، صفحات ۱-۶.
2. A. Kavousi، B. Vahidi، R. Salehi، M. K. Bakhshizadeh، N. Farokhnia و S. H. Fathi، “استفاده از الگوریتم زنبور عسل برای استراتژی حذف هارمونیک انتخابی در اینورترهای چندسطحی”، IEEE Transactions on Power Electronics، جلد ۲۷، شماره ۴، صفحات ۱۶۸۹–۱۶۹۶، ۲۰۱۲، doi:۱۰.۱۱۰۹/TPEL.۲۰۱۱.۲۱۶۶۱۲۴.
3. M. A. Memon، S. Mekhilef و M. Mubin، “حذف هارمونیک انتخابی در اینورتر چندسطحی با استفاده از الگوریتم هیبرید APSO”، IET Power Electronics، جلد ۱۱، شماره ۱۰، صفحات ۱۶۷۳–۱۶۸۰، ۲۰۱۸، doi:۱۰.۱۰۴۹/iet-pel.۲۰۱۷.۰۴۸۶.
4. S. D. Patil و S. G. Kadwane، “الگوریتم بهینه‌سازی هیبریدی اعمال شده برای حذف هارمونیک انتخابی در اینورتر چندسطحی با توپولوژی کلید کاهش یافته”، Microsystems Technology، جلد ۲۴، شماره ۸، صفحات ۳۴۰۹–۳۴۱۵، ۲۰۱۸، doi:۱۰.۱۰۰۷/s00542-۰۱۸-۳۷۲۰-x.
5. L. Manai، F. Armi و M. Besbes، “مقایسه عملکرد بین الگوریتم‌های بهینه‌سازی برای کنترل اینورتر چندسطحی کاسکدی نامتقارن”، Automatika، جلد ۶۱، شماره ۴، صفحات ۶۲۶–۶۴۲، ۲۰۲۰، doi:۱۰.۱۰۸۰/۰۰۰۵۱۱۴۴.۲۰۲۰.۱۸۱۰۵۰۵.
6. I. A. Adeyemo، J. Ojo و O. Adegbola، “ارزیابی عملکرد سه الگوریتم تکاملی برای حذف هارمونیک انتخابی در اینورترهای چندسطحی منبع ولتاژ”، جلد ۳، شماره نوامبر، صفحات ۲۵–۴۲، ۲۰۱۵.
7. مجله و O. F. Scientificengineering، “رویکرد الگوریتم ژنتیک با کد واقعی برای کاهش هارمونیک در اینورترهای چندسطحی برای درایوها”، شماره سپتامبر، ۲۰۱۵.
8. Javid Mohtasham (۲۰۱۵)، ”مقاله مرور – انرژی‌های تجدیدپذیر”، ELSEVIER صفحات ۱۲۸۹ – ۱۲۹۷.
9. Jae-Sub Ko، Jun-Ho Huh و Jong-Chan Kim (۲۰۲۰)،’’بررسی روش‌های ردیابی حداکثر قدرت برای سیستم PV در میکروگرید’’, Electronics، صفحات ۱-۲۲.
10. Bidyadhar Subudhi، Raseswari Pradhan، R (۲۰۱۲)’’مطالعه تطبیقی بر روی تکنیک‌های ردیابی حداکثر قدرت برای سیستم‌های انرژی خورشیدی’’. IEEE، ۴، صفحات ۸۹–۹۸.
11. Po-Cheng Chen، Po-Yen Chen، Yi-Hua Liu، Jing-Hsiao Chen، YiFeng Luo(۲۰۱۵)، ‘’مطالعه تطبیقی بر روی تکنیک‌های ردیابی حداکثر قدرت برای سیستم‌های تولید انرژی فتوولتائیک که در شرایط تغییر سریع عملکرد می‌کنند’’, ELSEVIER صفحات ۲۶۱–۲۷۶.
12. Omar Diouri، Najia Es-Sbai، Fatima Errahimi، Ahmed Gaga و Chakib Alaoui (۲۰۱۹)،’’مدل‌سازی و طراحی اینورتر PV تک فاز با الگوریتم MPPT اعمال شده به مبدل افزایش‌دهنده با استفاده از کنترل مرحله به مرحله در حالت مستقل’’, International Journal of Photoenergy، صفحات ۱-۱۶.
13. Takuro Sato، Daniel M. Kammen، Bin Duan، Martin Macuha، Zhenyu Zhou، Jun Wu، Muhammad Tariq، Solomon Abebe Asfaw (۲۰۱۵)، ‘’استانداردها و مشخصات کارکرد در شبکه هوشمند، الزامات و تکنولوژی‌ها’’, WILEY، صفحات ۴۳.
14. Ahmed M. T. Ibraheem AL-Naib، (۲۰۱۶)،”مدل‌سازی و شبیه‌سازی آرایه خورشیدی فتوولتائیک با استفاده از MATLAB/Simulink”، AL-Taqani Journal، جلد ۲۹، شماره ۱، صفحات ۵۵-۶۵.
15. V. Jammala، S. Yellasiri و A. K. Panda، “توسعه یک اینورتر چندسطحی هیبرید جدید با استفاده از استراتژی سوئیچینگ SPWM اصلاح شده”، IEEE Transactions on Power Electronics، جلد ۳۳، شماره ۱۰، صفحات ۸۱۹۲-۸۱۹۷، اکتبر ۲۰۱۸.
16. S. Foti و همکاران، “یک استراتژی کنترل جریان بهینه برای اینورترهای چندسطحی هیبرید نامتقارن”، IEEE Transactions on Industry Applications، جلد ۵۴، شماره ۵، صفحات ۴۴۲۵-۴۴۳۶، سپتامبر-اکتبر ۲۰۱۸.
17. M. H. Rashid، “مدارهای الکترونیک قدرت، دستگاه‌ها و کاربردها”، ویرایش ۳ ۲۰۰۴، Pearson prentice Hall، صفحات ۸۶۲.
18. Rodríguez J، Lai J، Peng FZ. اینورترهای چندسطحی؟: یک مرور بر توپولوژی‌ها. IEEE Transactions on IndustrialElectronics Control Applications ۲۰۰۲;۴۹(۴):۷۲۴–۳۸.
19. Malinowski M، Gopakumar K، Rodriguez J، Perez MA. یک مرور بر اینورترهای چندسطحی کاسکدی. IEEE Transactions on Industrial Electronics ۲۰۱۰;۵۷(۷):۲۱۹۷–۲۰۶.
20. Wu B. مبدل‌های با قدرت بالا و درایوهای AC. نیویورک: Wiley IEEE; ۲۰۰۶.
21. M. D. Siddique، S. Mekhilef، N. M. Shah، A. Sarwar، A. Iqbal و M. A. Memon، “یک توپولوژی جدید اینورتر چندسطحی با کاهش تعداد کلیدها”، IEEE Access، جلد ۷، صفحات ۵۸۵۸۴–۵۸۵۹۴، ۲۰۱۹، doi:۱۰.۱۱۰۹/ACCESS.۲۰۱۹.۲۹۱۴۴۳۰.
22. H. Someya و M. Yamamura، “الگوریتم ژنتیک برای بهینه‌سازی تابع”، IEEJ Transactions on Electronics, Information and Systems، جلد ۱۲۲، شماره ۳، صفحات ۳۶۳–۳۷۳، ۲۰۰۲، doi:۱۰.۱۵۴۱/ieejeiss1987.۱۲۲.3_363.
23. S. Li، H. Chen، M. Wang، A. A. Heidari و S. Mirjalili، “الگوریتم قالب لجن: یک روش جدید برای بهینه‌سازی تصادفی”، Futur. Gener. Comput. Syst، جلد ۱۱۱، صفحات ۳۰۰–۳۲۳، ۲۰۲۰، doi:۱۰.۱۰۱۶/j.future.۲۰۲۰.۰۳.۰۵۵.
24. A. M. Lippert و R. D. Reitz، “مدل‌سازی سوخت‌های چندجزئی با استفاده از توزیع‌های پیوسته با کاربرد در تبخیر قطره‌ای و اسپری‌ها”، SAE Tech. Pap، جلد ۶۹، صفحات ۴۶–۶۱، ۱۹۹۷، doi:۱۰.۴۲۷۱/۹۷۲۸۸۲.
25. S. Mirjalili و A. Lewis، “الگوریتم بهینه‌سازی نهنگ”، Adv. Eng. Softw، جلد ۹۵، صفحات ۵۱–۶۷، ۲۰۱۶، doi:۱۰.۱۰۱۶/j.advengsoft.۲۰۱۶.۰۱.۰۰۸.
26. S. Sharma، R. Kapoor و S. Dhiman، “یک metaheuristic هیبریدی جدید مبتنی بر بهینه‌ساز گرگ خاکستری و جستجوی زادآور برای بهینه‌سازی جهانی”، ICSCCC ۲۰۲۱ – کنفرانس بین‌المللی امنیت، محاسبه سایبری و ارتباطات، صفحات ۳۷۶–۳۸۱، ۲۰۲۱، doi:۱۰.۱۱۰۹/ICSCCC51823.۲۰۲۱.۹۴۷۸۱۴۲.
27. K. Bhokray، “بهینه‌سازی کلنی زنبور مصنوعی”، شماره اکتبر، ۲۰۱۶، doi:۱۰.۱۳۱۴۰/RG.۲.۲.۲۲۸۵۴.۰۶۷۲۰.

منابع بالا شامل مقالات، گزارش‌ها و تحقیقات علمی است که به بررسی تکنیک‌ها، الگوریتم‌ها و کاربردهای مختلف اینورترهای چندسطحی و بهینه‌سازی عملکرد آنها می‌پردازد.

نشانی ناشر و شناسه اقلام: PRZEGLĄD ELEKTROTECHNICZNY، ISSN ۰۰۳۳-۲۰۹۷، ر. ۹۸ شماره ۸/۲۰۲۲. doi:۱۰.۱۵۱۹۹/۴۸.۲۰۲۲.۰۸.۳

منتشر شده توسط PQBlog

مهندس برق

مشاهده مقالات بیشتر

پرسش‌های متداول

اینورتر چندسطحی چیست؟

اینورتر چندسطحی دستگاهی است که برای تبدیل DC به AC در کاربردهای انرژی تجدیدپذیر طراحی شده است.

چرا استفاده از الگوریتم‌های بهینه‌سازی در اینورترها مهم است؟

استفاده از این الگوریتم‌ها به کاهش اعوجاج هارمونیک و بهبود کیفیت خروجی کمک می‌کند.

مزایای اصلی اینورتر چندسطحی چیست؟

کیفیت بالا، هزینه‌های پایین سوئیچینگ و ساختار بدون ترانسفورماتور از مزایای اینورترهای چندسطحی است.