An Artificial Neural Network-Based Power Management in Hybrid Microgrid

Abstract

Denne oppgaven analyserer et hybrid mikronett med et kunstig nevralt nettverk som styrer kraftflyten. Kraftflyten er analysert og det kunstige nevrale nettverket er sammenlignet med en optimal kraftflyt-algoritme. Hensikten med dette er for å se om kunstige nevrale nettverk kan bidra til å kontrollere kraftflyten av distribuert elproduksjon, laster og mikronettets tilkobling til hovednettet. I dag gjennomgår kraftsystemet store endringer. For å sikre en bærekraftig fremtid må mer og mer fornybare ressurser kobles til kraftsystemet og energiforsyningen må være pålitelig. En løsning på dette er mikronett. Mikronett er et system som inneholder små energikilder, små laster og energilagringssystemer. Det kan i tillegg kobles av og på hovednettet, alt etter hva som er praktisk og økonomisk. Men fordi mikronettet inneholder ukontrollerbare energikilder og små laster vil kraftflyten endre seg fort og drastisk. For å sikre et stabilt og pålitelig mikronett er et kunstig nevralt nettverk implementert for å styre kraftflyten. Kunstige nevrale nettverk er inspirert av nevroner i hjernen. Disse har evnen til å lære og å se sammenhenger. Læringen til dette nettverket skjer gjennom inn-verdier og ut-verdier fra den optimale kraftflyt-algoritmen. For å sjekke hvor godt det kunstige nettverket fungerer, har det blitt gjort simuleringer i MATLAB/Simulink der det nevrale nettverket fungerer som en sentralisert kontroller. Resultatene er analysert og sammenlignet med den optimale kraftflyt metoden. Resultatene viser at det nevrale nettverker klarer å styre kraftflyten bra. Dessverre er kvaliteten og den dynamiske responsen dårlig, og begrensinger ikke tatt hånd om. Forbedringer i lav-nivå kontroll og konverter er foreslått. Det nevrale nettverket følger den optimale kraftflyten bra, men noen store feil oppstår av og til. Forslag til forbedringer er å endre på arkitekturen eller treningsmetoden. Videre forskning burde fokusere på å forbedre mikronettet, det nevrale nettverket og sette det inn i et større system.

This thesis analyzes a hybrid microgrid with an artificial neural network (ANN) power management strategy. The ANN will work as a centralized controller. The purpose is to see if an ANN can control the power flow of distributed energy resources, loads, energy storage systems and the microgrids connection to the main grid. Today, the power system is going through significant changes. More and more renewable energy sources have to be injected into the power system to secure a sustainable future, and the power delivery has to be reliable. One solution is microgrids. Microgrids are systems with small energy sources, loads and energy storage units, and they can connect and disconnect to the main grid as it pleases. However, because microgrids contain uncontrollable renewable energy sources and small loads, the changes in power flow can change rapidly. The rapid changes in load and generated power can lead to an unstable system and poor power quality. Therefore, an artificial neural network centralized controller is presented as a microgrid power management method. ANNs are inspired by neurons in the brain and is trained to learn patterns. The training is performed by samples of inputs and targets from an optimal power flow (OPF) algorithm. Simulations were done for both ANN and OPF as a centralized controller in MATLAB/Simulink, and the results were examined and compared. The results showed that the centralized controller with the ANN managed to keep a good power-sharing between DERs and the grid. But the power quality and dynamic response were poor, and the limitations in the system were not withheld. Improvements in the low-level control and converters were suggested. Comparing the ANN and OPF showed that the ANN managed to follow the same trends as the OPF, but a significant error occurred in some places. Improvements as changing the architecture and training method were suggested. Further research should improve both the microgrid and ANN performance and include this power management in broader systems.