Optimale Niederspannungsdurchlaufzeit des doppelt gespeisten Induktionsgenerators einer Windkraftanlage basierend auf dem Bonobo-Optimierungsalgorithmus

Scientific Reports Band 13, Artikelnummer: 7778 (2023) Diesen Artikel zitieren

460 Zugriffe

Details zu den Metriken

Das auf einem doppelt gespeisten Induktionsgenerator (DFIG) basierende groß angelegte Windenergieumwandlungssystem (WECS) hat in den letzten Jahren aufgrund seiner verschiedenen wirtschaftlichen und technischen Vorzüge an Popularität gewonnen. Die schnelle Integration von WECS in bestehende Stromnetze hat negative Auswirkungen auf die Stabilität und Zuverlässigkeit von Stromsystemen. Netzspannungseinbrüche erzeugen einen hohen Überstrom im DFIG-Rotorkreis. Solche Herausforderungen unterstreichen die Notwendigkeit der Low-Voltage-Ride-Through-Fähigkeit (LVRT) eines DFIG, um die Stabilität des Stromnetzes bei Spannungseinbrüchen sicherzustellen. Um diese Probleme gleichzeitig zu lösen, zielt dieses Dokument darauf ab, die optimalen Werte der eingespeisten Rotorphasenspannung für DFIG und der Pitchwinkel der Windkraftanlagen für alle Betriebswindgeschwindigkeiten zu ermitteln, um die LVRT-Fähigkeit zu erreichen. Bonobo Optimizer (BO) ist ein neuer Optimierungsalgorithmus, der angewendet wird, um die optimalen Werte der eingespeisten Rotorphasenspannung für DFIG und Windturbinen-Pitchwinkel zu ermitteln. Diese optimalen Werte sorgen für die maximal mögliche mechanische DFIG-Leistung, um sicherzustellen, dass Rotor- und Statorströme die Nennwerte nicht überschreiten, und liefern außerdem die maximale Blindleistung zur Unterstützung der Netzspannung bei Fehlern. Es wurde geschätzt, dass die ideale Leistungskurve einer 2,4-MW-Windkraftanlage die zulässige maximale Windleistung für alle Windgeschwindigkeiten ergibt. Um die Genauigkeit der Ergebnisse zu validieren, werden die BO-Ergebnisse mit zwei anderen Optimierungsalgorithmen verglichen: dem Partikelschwarmoptimierer und dem Fahrtrainingsoptimierer. Das adaptive Neuro-Fuzzy-Inferenzsystem wird als adaptiver Regler für die Vorhersage der Werte der Rotorspannung und des Windkraftanlagen-Steigungswinkels für jeden Statorspannungsabfall und jede Windgeschwindigkeit eingesetzt.

Derzeit gilt Windenergie aufgrund ihrer hohen Leistungsdichte und großen Verfügbarkeit als eine der erneuerbaren Ressourcen mit der schnellsten Wachstumsrate und als attraktivste erneuerbare Energie weltweit1,2,3. Im Jahr 2011 machte die Windenergie 3,5 % des internationalen Strombedarfs aus, und dieser Prozentsatz soll im Jahr 2030 auf 16 % ansteigen4. Dennoch stellt die Integration von WECS in das Netz aufgrund von zeitweise auftretenden Problemen mit der Stromqualität immer noch eine große Herausforderung dar Art des Windes, Resonanz, Kondensatorwechsel usw. Neben Problemen mit der Stromqualität kann der unerwartete Abfall der Klemmenspannung des Windgenerators aufgrund eines Fehlers auf der Netzseite dazu führen, dass Windkraftanlagen plötzlich vom Netz getrennt werden5,6. Die Stabilität des Netzes kann durch häufiges Ausschalten und Wiedereinschalten von Windgeneratoren beeinträchtigt werden. Viele Länder haben neue Netzvorschriften für netzgekoppelte WECS entwickelt, um die Abschaltung von Windgeneratoren vom Netz zu reduzieren und das Netz im Falle von Störungen oder Netzspannungsanomalien stabil zu halten7,8,9,10.

DFIGs sind aufgrund ihrer erheblichen Vorteile gegenüber anderen Windgeneratortypen11 die effizienteste Option für WECS. Zu den Vorteilen von DFIG gehören die Steuerbarkeit sowohl der Wirk- als auch der Blindleistung, die geringe Größe, die Notwendigkeit von Umrichtern mit niedrigerer Nennleistung, was zu geringeren Leistungsverlusten und Umrichterkosten führt, die Reduzierung von akustischem Lärm und mechanischer Belastung, die Erzeugung variabler Geschwindigkeit und die Verbesserung der Stromqualität12. 13,14. Andererseits besteht der Hauptnachteil der Verwendung eines DFIG in WECS in seiner Empfindlichkeit gegenüber Netzstörungen, insbesondere Spannungseinbrüchen, da die DFIG-Statoranschlüsse direkt mit dem Netz verbunden sind. Die Einbrüche der Netzspannung erzeugen einen großen Überstrom im DFIG-Rotorkreis. Dies führt dazu, dass die Schutzkreise aktiviert werden und DFIG zum Schutz des läuferseitigen Umrichters vom Netz getrennt wird15,16,17.

Die LVRT-Fähigkeit ist die am weitesten verbreitete Grid-Code-Anforderung. Dabei handelt es sich um die Fähigkeit, bei Spannungseinbrüchen mit dem Netz verbunden zu bleiben und bei Störungen auch Blindleistung zur Stützung der Netzspannung zu liefern6,18,19. Spannungseinbrüche sind für DFIG sehr kritische Störungen. Diese Einbrüche führen zu einem Anstieg der Stator- und Rotorströme, sodass die Leistung, die in DFIG eingespeist werden kann, reduziert werden muss20,21,22. Mehreren Literaturstudien zufolge stellen die Pitch-Steuerungsmethode, Hardware-Methoden und die modifizierte DFIG-Konverter-Steuerungsmethode die Verbesserung der LVRT-Strategien dar12,23,24. Bei der Pitch-Steuerungsmethode zur LVRT-Verbesserung kann die Leistung der Windkraftanlage durch Anpassen des Pitch-Winkels der Rotorblätter gesenkt werden. Aufgrund der langsamen mechanischen Dynamik ist die Leistung dieser Technik jedoch schlecht25. Brechstangenschutz und Energiespeichersysteme sind zwei Hauptkategorien von Hardwaremethoden zur LVRT-Verbesserung26,27,28,29. Die Grundidee der Crowbar-Methode besteht darin, bei Fehlern eine Widerstandsbank im Stromkreis des DFIG-Rotors zu aktivieren, was zu einem zusätzlichen Stromverbrauch führt und die DFIG-Ströme begrenzt. Diese Methode weist mehrere eklatante Probleme auf, darunter eine hohe Belastung des Antriebsstrangs durch elektromagnetische Drehmomentschwankungen, Verlust der Steuerbarkeit und die Verhinderung der Wiederherstellung der Netzspannung aufgrund der Aufnahme von Blindleistung. Während die andere Art von Hardware-Methoden zur Verbesserung von LVRT eine Art Energiespeichersystem wie ein Batterie-Energiespeichersystem, ein Schwungrad-Energiespeichersystem, einen elektrischen Doppelschichtkondensator und einen supraleitenden magnetischen Energiespeicher verwendet5,21,23,30,31,32 . Der größte Nachteil dieser Methode ist jedoch, dass sie keine wirtschaftliche Lösung darstellt. Aufgrund der Nachteile der Pitch-Steuerung und der Hardware-Methoden kann die LVRT-Fähigkeit durch Modifizieren der DFIG-Konvertersteuerung verbessert werden, was sich in der Änderung der Referenzsteuerwerte in der DFIG-Konvertersteuerung niederschlägt24. Die modifizierte DFIG-Konvertersteuerungsmethode ist aufgrund ihrer Vorteile wie einfache Implementierung, geringere Kosten, einfaches Zurückschalten in den Normalbetrieb und die ständige Kontrolle von DFIG die kostengünstigste Technik zur LVRT-Verbesserung30,33,34,35.

Die kürzlich modifizierten Steuerungsansätze wurden in der aktuellen Literatur vorgeschlagen, um die LVRT-Fähigkeit für DFIG-basierte WECS zu verbessern. In Referenz20, A. Tilli et al. führte eine neuartige modifizierte Steuerung für einen Back-to-Back-Wandler ein, die auf Argumenten der nichtlinearen Steuerungstheorie basiert. Die vorgeschlagene Lösung verwendet sowohl Feedback- als auch Feedforward-Begriffe zur Vermeidung von Rotorüberströmen, um eine Auslösung des Rotorseitenwandlers zu verhindern. Die Vorteile des vorgeschlagenen Verfahrens sind Robustheit, zusätzliche Schwingungsdämpfung und minimale Unterstützung durch zusätzliche Schutzhardware. In Referenz36, MAS Ali et al. stellte eine modifizierte Steuerung für den Rotorumrichter vor, um Schwankungen der Zwischenkreisspannung und Rotorüberströme zu unterdrücken und so die LVRT-Fähigkeit zu verbessern. Den Referenzen der Rotorspannung werden zusätzliche Spannungsterme hinzugefügt, um das dynamische Verhalten von DFIG-basierten WECS zu verbessern. Es gibt keinen Einfluss auf die Stabilität der Stromschleifen, da die Spannungsterme außerhalb dieser eingeführt werden. Darüber hinaus werden die im Fehlerfall auftretenden elektromagnetischen Drehmomentschwankungen deutlich reduziert. In Referenz4, MK Senapati et al. schlugen eine modifizierte Entmagnetisierungskontrollmethode zur Verbesserung der LVRT-Fähigkeit für DFIG im Falle von Netzfehlern vor. Durch den Einsatz einer Entmagnetisierungssteuerung und eines externen Widerstands auf der DFIG-Statorseite wird die vorgeschlagene Steuerungstechnik auf koordinierte Weise erreicht. Die LVRT-Verbesserung kann durch Dämpfung der Gleichstromkomponente des Statorflusses durch Entmagnetisierungssteuerung und Beschleunigung der Übergangsflussdämpfung durch den externen Widerstand erreicht werden. Die Hauptvorteile dieser vorgeschlagenen Methode sind bessere dynamische Reaktionen, die Verbesserung des Sicherheitsbetriebs, die Verbesserung der Stabilität des Stromversorgungssystems und das Erreichen der LVRT-Fähigkeit bei höherer Durchdringung der Windenergie. In Referenz34, G. Manohar et al. präsentierte ein auf einem Hybridansatz basierendes Steuerungsmodell zur Verbesserung der LVRT-Fähigkeit von DFIG-basierten WECS. Die Hybridmethode kombiniert die Ausführung des Random Forest-Algorithmus und des modifizierten Elephant Herding-Algorithmus. Die optimalen Lösungen aus dem verfügbaren Suchraum und der Erstellung von Trainingsdatensätzen werden offline durch den modifizierten Elephant Herding-Algorithmus identifiziert, der mehrere Parameter im Zusammenhang mit LVRT wie Strom, Spannung sowie Wirk- und Blindleistung berücksichtigt. In Referenz37 stellten R. Hiremath und T. Moger einen modifizierten Super-Twisting-Algorithmus für die LVRT-Verbesserung unter Spannungseinbruchbedingungen vor. Die vorgeschlagene Methode nutzt den Gleitmodus zweiter Ordnung zur Steuerung des DFIG-basierten WECS. Es wurde festgestellt, dass die vorgeschlagene Methode die LVRT-Fähigkeit für das DFIG-System mit einer einzelnen Windturbine und den praktischen Windpark unter Übergangsbedingungen verbesserte. In Referenz38, G. Manohar et al. schlug ein Hybridsystem basierend auf dem Algorithmus für fruchtbare Felder und dem Impulssuchalgorithmus mit ANFIS vor, um die LVRT-Fähigkeit von DFIG-basierten WECS zu verbessern. Die Optimierungstechnik wird verwendet, um die Zielfunktion zu lösen, die mit LVRT zusammenhängt. Die wahrscheinlicheren Steuersignale für Rotor- und Netzumrichter werden von ANFIS ermittelt und prognostiziert. Das vorgeschlagene Verfahren kann das Problem der Spannungs- und Systeminstabilität überwinden und die LVRT-Fähigkeit verbessern. In Referenz39 präsentierten A. Chakraborty und T. Maity eine neuartige Anwendung eines adaptiven Fuzzy-Logic-Controllers zur LVRT-Verbesserung von DFIG-basierten WECS. Eine kaskadierte adaptive Fuzzy-Logik-Steuerung wird verwendet, um die Rotor- und Netzseite-Wandler anzupassen und die DFIG-basierte WECS-Leistung zu verbessern. Die vorgeschlagenen Methoden können bei schweren Störungen die gleichmäßige Blind- und Wirkleistung in das Netz einspeisen, was zu einer LVRT-Verbesserung führt.

Zur Lösung einer Vielzahl komplizierter technischer Probleme, bei denen es sich häufig um nichtlineare und nicht kontinuierliche Probleme handelt, wird eine Vielzahl von Optimierungstechniken vorgeschlagen. Die Hauptvorteile dieser Algorithmen im Vergleich zu mathematischen Techniken sind einfache Implementierung, Flexibilität, Robustheit und Recheneffizienz40,41,42,43. ANFIS-Controller werden zur Steuerung von Systemen mit mehreren Eingängen, einem Ausgang und nichtlinearen Systemen verwendet. Der ANFIS-Controller bietet die Vorteile sowohl der Fuzzy-Logik als auch der neuronalen Netze. Die Hauptvorteile der Implementierung von ANFIS-Controllern sind die Leistungssteigerung, die Notwendigkeit eines mathematischen Systemmodells, die Abhängigkeit des Designs von realen Systemdaten und der geringere Abstimmungsaufwand25,28,44,45,46,47,48,49,50.

Aus der Literaturübersicht geht klar hervor, wie wichtig es ist, Referenzwerte für Rotorspannungen zu ermitteln, die sicherstellen, dass Rotorüberströme bei Netzspannungseinbrüchen verhindert werden, um die LVRT-Fähigkeit zu verbessern. Daher präsentiert dieses Papier zusätzliche Beiträge zu diesem Forschungspunkt, die wie folgt zusammengefasst werden können: (i) Ermitteln der optimalen Werte der Rotorspannungen und des Nickwinkels für einen weiten Bereich der Windgeschwindigkeit von 4 m/s bis 25 m/s und mehr unterschiedliche Werte der Statorspannungen, (ii). Diese optimalen Werte stellen sicher, dass das DFIG die zulässige maximale Leistung entwickelt, ohne die Nennwerte der Stator- und Rotorströme zu überschreiten. (iii) Anwendung von BO und DTA als neuartige Optimierer, die 2022 entwickelt werden, um die optimalen Werte für Rotorspannungen und Pitchwinkel zu erzielen bei unterschiedlichen Windgeschwindigkeiten und Statorspannungen und (iv) Entwicklung eines ANFIS-Reglers, um eine schnelle Vorhersage der optimalen Rotorspannungen und Steigungswinkel für jede Statorspannung und Windgeschwindigkeit zu gewährleisten. Die BO-Ergebnisse werden durch zwei weitere Optimierungsmethoden überprüft; Einer davon ist der bekannte Optimierungsalgorithmus (PSO), der in Referenz51 ausführlich vorgestellt wird.

Der Rest dieser Arbeit ist wie folgt aufgebaut. Das aerodynamische Modell der Windkraftanlage wird im Abschnitt „Aerodynamikmodell der Windkraftanlage“ vorgestellt, um die Werte der Anstellwinkel der Windkraftanlage für alle Betriebswindgeschwindigkeiten zu ermitteln. Diese Werte liefern maximale Leistungswerte der Windkraftanlage, die sicherstellen, dass die DFIG-Stator- und Rotorströme dies nicht tun ihre Nennwerte überschreiten. Im Abschnitt „DFIG-Steady-State-Modell“ wird das elektrische Steady-State-Modell von DFIG unter Berücksichtigung von Eisenverlusten beschrieben, um die Werte der eingespeisten Rotorphasenspannung für DFIG zu erhalten, um die LVRT-Fähigkeit zu erreichen und dem Netz die maximale Blindleistung zur Unterstützung des Netzes bereitzustellen Spannung bei Spannungseinbrüchen. Der Abschnitt „Bonobo-Optimierer“ zeigt eine Beschreibung des BO, der zur Erreichung dieser Ziele verwendet wird, indem die optimalen Werte der Rotorphasenspannung für DFIG unter Verwendung der stationären DFIG-Gleichungen und der Nickwinkel von Windturbinen unter Verwendung von Windturbinengleichungen zugeschnitten werden. Die Ergebnisse der Referenzwerte der eingespeisten Rotorspannung und Pitchwinkel zur Erreichung der LVRT-Fähigkeit werden im Abschnitt „Ergebnisse und Diskussion“ vorgestellt. Anschließend wird im Abschnitt „ANFIS-Regler“ der vorgeschlagene Regler auf Basis von ANFIS vorgestellt, um die Werte der Rotorspannung und des Nickwinkels für jeden Statorspannungsabfall und jede Windgeschwindigkeit vorherzusagen. Schließlich schließt der Abschnitt „Schlussfolgerung“ dieses Papier ab.

Der größtmögliche Anteil der verfügbaren eingefangenen Luftleistung einer Windkraftanlage beträgt gemäß dem Betzschen Gesetz52 59,26 %. Eine Windkraftanlage dient dazu, die kinetische Energie des Windes zu erfassen und in mechanische Energie umzuwandeln, die zum Antrieb des Windgenerators verwendet wird. Das Modell der Windkraftanlage ist wie folgt angegeben53,54,55,56:

wobei \({P}_{turbine}\), \({C}_{p}\), \(\rho \), \(R\), \({V}_{w}\), \(\lambda \), \(\beta \) und \({\omega }_{T}\) sind die von der Windkraftanlage aufgenommene Leistung, der Leistungskoeffizient, die Luftdichte, der Rotorblattradius der Windkraftanlage und die Windgeschwindigkeit , Spitzengeschwindigkeitsverhältnis, Nickwinkel bzw. Drehzahl der Windkraftanlage. Abbildung 1 zeigt die Variation der Leistung einer Windkraftanlage mit der Drehzahl bei verschiedenen Windgeschwindigkeiten. Dies zeigt, dass die Ausgangsleistung der Windkraftanlage von der Windgeschwindigkeit und ihrer Drehzahl beeinflusst wird22,57.

Die Leistung der Windkraftanlage mit der Drehzahl bei verschiedenen Windgeschwindigkeiten.

Eine Windkraftanlage arbeitet in vier Betriebsbereichen, wie in Abb. 2 dargestellt. Die Windkraftanlage erzeugt keinen Strom bei Windgeschwindigkeiten unterhalb einer Einschaltwindgeschwindigkeit. Der Einsatz einer Maximum-Power-Point-Tracking-Technik zusätzlich zur Ausführung geeigneter Gier- und Nickwinkel-Steuerungsmethoden ermöglicht es der Windkraftanlage, die mögliche Spitzenleistung zu erzeugen, wenn die Windgeschwindigkeit über die Einschaltwindgeschwindigkeit hinaus ansteigt. Ein Pitchwinkelregler wird verwendet, um den Pitchwinkel der Rotorblätter zu regulieren, wenn die Windgeschwindigkeit die Nenngeschwindigkeit überschreitet, um die Leistung der Windkraftanlage auf ihren Nennwert zu begrenzen und die Windkraftanlage vor Schäden zu schützen. Die Rotorbremsung der Windkraftanlage wird bei Windgeschwindigkeiten über der Abschaltwindgeschwindigkeit aktiviert und stoppt so jede weitere Stromerzeugung zum Schutz der Windkraftanlage58,59,60.

Die Leistung der Windkraftanlage mit Windgeschwindigkeitscharakteristik.

Das stationäre elektrische Ersatzschaltbild des DFIG kann ideal vereinfacht werden, wie in Abb. 3 dargestellt. Das stationäre DFIG-Modell berücksichtigt Eisenverluste. Als Motor wird die positive Richtung gewählt. Als Referenzspannung wird der Vektor der Statorspannung mit dem Winkel Null gewählt. Rs, Rr, Rm sind der Phasenstatorwiderstand, der Phasenrotorwiderstand bezogen auf den Stator bzw. der Magnetisierungswiderstand. \({L}_{\sigma s}\), \({L}_{\sigma r}\), \({L}_{m}\) sind Streuinduktivität des Stators, Streuinduktivität des Rotors bezogen auf den Stator bzw. Magnetisierungsinduktivität. \({\omega }_{s}\), \({\omega }_{r}\), S sind die Statorwinkelfrequenz, die Rotorwinkelfrequenz bzw. der Schlupf. Vs, Vr, \(\theta \) sind die Größe der Statorspannung, die Größe der Rotorspannung bezogen auf den Stator bzw. der Rotorspannungswinkel. Is, Ir sind Statorstrom bzw. bezogener Rotorstrom12,61,62,63,64.

Ersatzschaltung pro Phase des DFIG-Steady-State-Modells.

Die stationären Gleichungen von DFIG können wie folgt betrachtet werden. Die Stator- und Rotorstromgleichungen können wie folgt betrachtet werden65:

Die Wirk- und Blindleistung von Stator und Rotor betragen65,66:

wobei \({L}_{s}=\) \({L}_{m}+ {L}_{\sigma s}\), \({L}_{r}\) = \({ L}_{m}+ {L}_{\sigma r}\), \(\sigma =1-\frac{{L}_{m}^{2}}{{L}_{s}{ L}_{r}}\), \({K}_{1}=\frac{{R}_{s}{R}_{r}}{\sigma {L}_{s}{L }_{r}}-{\omega }_{s}{\omega }_{r}\), \({K}_{2}=\frac{{\omega }_{s}{R} _{r}}{\sigma {L}_{r}}+\frac{{\omega }_{r}{R}_{s}}{\sigma {L}_{s}}\), \(m={tan}^{-1}(-\frac{{K}_{2}}{{K}_{1}})\), M=\(\sqrt{\frac{1} {{K}_{1}^{2}+{K}_{2}^{2}}}\), \({a}_{s}=\sqrt{\frac{{R}_{ s}^{2}}{\sigma {L}_{s}}+{\omega }_{s}^{2}}\), \({a}_{r}=\sqrt{{( \frac{{R}_{r}}{\sigma {L}_{r}})}^{2}+{\omega }_{r}^{2}}\), \({b} _{s}={tan}^{-1}(\frac{\sigma {L}_{s}{\omega }_{s}}{{R}_{s}})\), \( {b}_{r}={tan}^{-1}(\frac{\sigma {L}_{r}{\omega }_{r}}{{R}_{r}})\) , \({c}_{s}=\frac{{R}_{s}{L}_{m}}{\sigma {L}_{s}{L}_{r}}\), und \({c}_{r}=\frac{{R}_{r}{L}_{m}}{\sigma {L}_{s}{L}_{r}}\)

Die DFIG-Ausdrücke für mechanische Leistung und Leistungsverluste lauten65:

BO ist eine der neueren intelligenten heuristischen Optimierungstechniken. Es wurde von Das und Pratihar67 entwickelt. Es simuliert zahlreiche interessante Aspekte des Sozialverhaltens und der Fortpflanzungstechniken von Bonobos, oft auch als Zwergschimpansen bekannt. Bonobos haben eine Spaltungs-Fusions-Sozialstruktur, bei der zuerst der Spaltungstyp und dann der Fusionstyp auftritt. Beim Spaltungstyp spalten sie sich in mehrere Gruppen unterschiedlicher Zusammensetzung und Größe auf und bewegen sich im gesamten Gebiet. Beim Fusionstyp schließen sie sich wieder mit den Mitgliedern ihrer Gemeinschaft zusammen, um bestimmte Aktivitäten durchzuführen. Um eine perfekte soziale Harmonie aufrechtzuerhalten, verfügen Bonobos über vier verschiedene Fortpflanzungsmethoden: promiskuitive Paarung, restriktive Paarung, Konsortialpaarung und Paarung außerhalb der Gruppe. Die Suchtechnik mit selbstanpassenden Parametern ist so entwickelt, dass sie mehrere Zustände bei der Lösung verschiedener Probleme effizient bewältigen kann. Darüber hinaus ist die Spaltungs-Fusions-Technik eine neuartige Methode in metaheuristischen Algorithmen, die zur Auswahl des Paarungspartners verwendet wird. Diese natürlichen Techniken werden in BO zur Lösung eines Optimierungsproblems mathematisch modelliert, wie in Abb. 468,69 dargestellt.

Das Flussdiagramm von BO.

Zunächst umfasst BO zwei Situationen: eine positive Situation und eine negative Situation. Die positive Situation eignet sich am besten für friedliche Lebensumstände. Andererseits weist eine negative Situation darauf hin, dass die oben genannten Bedingungen für ein friedliches und gutes Leben fehlen. In jeder Iteration beginnt BO mit der Initialisierung der Parameter. Es gibt zwei Arten von Bo-Parametern: benutzerdefinierte und nicht benutzerdefinierte Parameter. Die benutzerdefinierten Parameter sind Populationsgröße (N), Iterationszahl (it). BO ist ein Algorithmus, der mit zwei Populationsgrößen arbeitet; konstante Populationsgröße und zufällige Populationsinitialisierung. Während die nicht benutzerdefinierten Parameter von BO, wie Phasenwahrscheinlichkeit (\({P}_{p}\)), Paarungswahrscheinlichkeit außerhalb der Gruppe (\({P}_{xgm}\)), positiv sind Phasenzahl (\(ppc\)), negative Phasenzahl (\(npc\)), temporärer Untergruppengrößenfaktor (\({tsgs}_{Faktor}\)) und Richtungswahrscheinlichkeit (\({P} _{D}\)). Anschließend werden die objektiven Werte aller Bonobos geschätzt, um den Alpha-Bonobo (\({\alpha }_{Bo}\)) zu ermitteln, der unter allen Bonobos in der Population in ihrem aktuellen Zustand die beste Lösung darstellt. Während das Abbruchkriterium nicht erreicht wird, wird mithilfe der Spaltungs-Fusions-Sozialstrategie von Bonobos ein anderer Bonobo ausgewählt und nimmt an der Paarung teil. Die angewandten Paarungsstrategien müssen je nach Situationstyp unterschiedlich sein. In einer positiven Situation ist die Wahrscheinlichkeit einer restriktiven oder promiskuitiven Paarung höher. Während die Wahrscheinlichkeit, dass es sich entweder um eine Extragruppe oder um eine Gemeinschaft handelt, eher für eine negative Situation gilt. Um beiden Arten von Paarungstechniken in einer bestimmten Situation die gleiche Bedeutung zu verleihen, wird der Wert von \({P}_{d}\) zunächst auf 0,5 gesetzt. Sein Wert wird jedoch basierend auf der Phasenanzahl und der aktuellen Situation aktualisiert. Der Wert von \({P}_{p}\) liegt für eine positive Situation zwischen 0,5 und 1. Während der Wert von \({P}_{p}\) für eine negative Situation zwischen 0 und 0,5 liegt. Wenn eine Zufallszahl (r), die im Bereich von (0, 1) liegt, gleich oder kleiner als \({P}_{p}\) ist, wird ein neuer Bonobo entweder durch restriktive oder promiskuitive Paarung nach Gl. (15):

wobei \({Bo\_new}_{j}\) und \({\alpha }_{Bo}^{j}\) die \({j}\)-ten Variablen des Nachkommens und Alpha-Bonobo sind, jeweils. j ändert sich von 1 zu d, wobei d die Gesamtzahl der Variablen für das gegebene Optimierungsproblem ist. \({Bo}_{j}^{i}\) und \({Bo}_{j}^{p}\) repräsentieren die \({j}\)-te Variable des \({i}\ )th bzw. \({p}\)th-bonobo. \({r}_{1}\) ist eine Zufallszahl, die im Bereich zwischen 0 und 1 generiert wird. scsb und scab teilen sich Koeffizienten für den ausgewählten pth Bonobo bzw. \({\alpha }_{Bo}\). \(g\) nimmt nur zwei Werte an: 1 oder -1. Wenn r größer oder gleich \({P}_{p}\) ist, wird ein neuer Bonobo durch Paarungstechniken außerhalb der Gruppe oder einer Konsortialgemeinschaft unter Verwendung der Gleichungen aus den Gleichungen erzeugt. (16) bis (22). Wenn eine andere Zufallszahl (r2) im Bereich (0, 1) entweder gleich oder kleiner als \({P}_{xgm}\) ist, wird durch die Extragruppen-Paarungstechnik ein neuer Bonobo erzeugt.

wobei \({\tau }_{1}\) und \({\tau }_{2}\) die beiden Zwischenmesswerte sind, die zur Bestimmung des \({Bo\_new}_{j}\)-Werts verwendet werden. r3 ist eine Zufallszahl. \({r}_{4}\) ist eine Zufallszahl zwischen 0 und 1 und ungleich 0. r5 und r6 sind zwei Zufallszahlen zwischen 0 und 1. \({Var\_min}_{j}\ ) und \({Var\_max}_{j}\) sind die Werte der unteren bzw. oberen Grenzen, die der \({j}\)-ten Variablen entsprechen. Wenn dann der Fitnesswert von \(Bo\_new\) besser als \({Bo}^{i}\) ist oder eine Zufallszahl zwischen 0 und 1 gleich oder kleiner als \({P} _{xgm}\), \(Bo\_new\) wird akzeptiert. Zusätzlich wird \({Bo}^{i}\) durch das neue in der Bonobo-Population ersetzt. Wenn sich jedoch herausstellt, dass der Fitnesswert von \(Bo\_new\) im Vergleich zu dem von \({\alpha }_{Bo}\) besser ist, wird \(Bo\_new\) als \( {\alpha }_{Bo}\). Wenn schließlich \({\alpha }_{Bo}\) der aktuellen Iteration einen besseren Fitnesswert hat als der der vorherigen Iteration, werden die Parameter von BO geändert.

Die in dieser Arbeit verwendeten Windturbinen- und DFIG-Parameter sind in Tabelle 1 dargestellt. Die MATLAB-Software wird in dieser Arbeit verwendet, um ein analytisches stationäres Modell der DFIG und der Windturbine zu entwickeln. Die optimalen Größen und Winkel der eingespeisten Rotorspannung, der Nickwinkel der Windkraftanlage und der maximalen mechanischen DFIG-Leistungen werden durch drei Optimierungstechniken ermittelt; BO, DTA und PSO, bei denen die Stator- und Rotorströme bei Einbrüchen der Statorspannung von 0,2 \({V}_{s}^{rated}\) auf 0,9 \({V}_{s}) unter den Nennwerten liegen. ^{Nennwert}\) mit 0,1-Schritten bei allen Werten der Windgeschwindigkeiten (4–25 m/s) mit 0,1-Schritten.

Die Optimierungszielfunktion (\({OF}_{1}\)) minimiert die Summe der mechanischen DFIG-Leistung und der Stator-Blindleistung, wobei ihr Vorzeichen bei jeder Windgeschwindigkeit negativ ist, wie in Gleichung dargestellt. (23). Die Zielfunktion wird durch die Variation von zwei Eingangsvariablen erreicht: der Größe und dem Winkel der Rotorspannung.

Für zulässige Lösungen beträgt die Strafe Null. Die ungleichen Einschränkungen der Zielfunktion sind in Gl. dargestellt. (24).

wobei \({P}_{mech}\) die mechanische Leistung von DFIG ist, \({I}_{{s}_{rated}}\) und \({I}_{{r}_{rated}} \) sind die Nennwerte von Stator bzw. Rotor und \({P}_{t\_max}\) ist die maximal zulässige Windkraftanlagenleistung bei einer bestimmten Windgeschwindigkeit. Nach Erreichen der maximalen mechanischen DFIG-Leistung, die sicherstellt, dass die Stator- und Rotorströme bei Statorspannungseinbrüchen von 0,2 \({V}_{s}\) bis 0,9 \({V}_{s}\) ihre Nennwerte nicht überschreiten. Bei allen Werten der Windgeschwindigkeiten (4–25 m/s) werden drei Optimierungsmethoden verwendet, um die Referenzneigungswinkel der Windkraftanlage zu erhalten, mit denen erreicht wird, dass die Leistung der Windkraftanlage gleich der maximalen mechanischen Leistung des DFIG ist. Die Zielfunktion, die verwendet wird, um Referenznickwinkel bei allen Windgeschwindigkeiten von 4 bis 25 m/s zu erhalten, ist:

wobei \({P}_{turbine}\) die Leistung der Windturbine und \({P}_{mech\_max}\) die maximale mechanische DFIG-Leistung ist, die aus \({OF}_{1}\) erhalten wird. . Die Ergebnisse von drei Optimierungsalgorithmen werden verglichen, um die Genauigkeit der Ergebnisse zu gewährleisten. Die optimale Lösung mit der niedrigsten Zielfunktion wird nach 50 Versuchen mit jeder der drei Optimierungsstrategien ausgewählt. Die Anzahl der Iterationen und die Populationsgröße betragen für drei Optimierungstechniken 200 bzw. 1000. Tabelle 2 zeigt die Parametereinstellungen für drei Optimierungstechniken. Tabelle 3 zeigt die Statistik der Ergebnisse für drei Optimierungstechniken für \({OF}_{1}\) bei einer Windgeschwindigkeit von 12 m/s im Falle von Statorspannungseinbrüchen auf \({0,9 V}_{s}^ {bewertet}\). Tabelle 4 zeigt die Statistik der Ergebnisse für drei Optimierungstechniken für \({OF}_{2}\) bei 12 m/s Windgeschwindigkeit und \({V}_{s}\)=\({0,9V}_ {s}^{rated}\). Die Abbildungen 5 und 6 zeigen die Eigenschaften von DFIG bei Windgeschwindigkeit bei Statorspannungseinbrüchen von \({0,9 V}_{s}^{Nennwert}\) auf \({0,2 V}_{s}^{Nennwert} \) über den gesamten Windgeschwindigkeitsbereich. Abbildung 7 zeigt die Eigenschaften einer Windkraftanlage mit Windgeschwindigkeit bei Statorspannungseinbrüchen von \({0,9 V}_{s}^{Nenn}\) auf \({0,2 V}_{s}^{Nenn}\ ) über den gesamten Windgeschwindigkeitsbereich. Die Tabellen 5, 6 und 7 zeigen Vergleiche zwischen den DFIG-Eigenschaften für drei Optimierungsmethoden bei \({V}_{w}\)= 12 m/s und einer Statorspannung, die sich von \({0,9V}_{s}^{ ändert. Nennwert}\) auf \({0,2V}_{s}^{Nennwert}\).

DFIG-Kennlinien mit Windgeschwindigkeit bei Vs = \({0,2V}_{s}^{rated}\) bis \({0,9V}_{s}^{rated}\) (a) Rotorspannungsgröße (b) Rotorspannungswinkel (c) DFIG mechanische Leistung (d) Statorblindleistung.

DFIG-Kennlinien mit Windgeschwindigkeit bei Vs = \({0,2V}_{s}^{Nennwert}\) bis \({0,9V}_{s}^{Nennwert}\) (a) Statorwirkleistung (b) Rotorwirkleistung (c) Statorstrom (d) Rotorstrom.

Eigenschaften einer Windkraftanlage mit einer Windgeschwindigkeit von \({V}_{s}\) = \({0,2V}_{s}^{Nennwert}\) bis \({0,9V}_{s}^{Nennwert} \) (a) Leistung der Windkraftanlage (b) Drehmoment der Windkraftanlage (c) Drehzahl der Windkraftanlage (d) Leistungskoeffizient (e) Verhältnis der Spitzengeschwindigkeit (f) Steigungswinkel.

Anhand der Ergebnisse liefern drei Optimierungstechniken sehr ähnliche Ergebnisse, was beweist, dass diese Lösungen für Nickwinkel und Rotorspannungswerte die optimalen Lösungen sind. Diese erzielten optimalen Rotorspannungen und Pitchwinkel erreichen zwei Ziele dieser LVRT-Fähigkeit: Sie garantieren, dass die Rotor- und Statorströme den Nennstrom nicht überschreiten und bieten maximale Statorblindleistung zur Unterstützung der Netzspannung bei Spannungseinbrüchen. Daher kann die LVRT-Fähigkeit durch die Verwendung dieser Referenz-Pitchwinkel und Rotorspannungen in der DFIG-Konvertersteuerung verbessert werden. Die Ergebnisse zeigen, dass die Größe der Rotorspannung mit zunehmendem Statorspannungsabfall und zunehmender Windgeschwindigkeit abnimmt, bis die Windgeschwindigkeit nahezu die Nennwindgeschwindigkeit erreicht, die Rotorspannung leicht ansteigt und dann bei Windgeschwindigkeiten, die größer als die Nennwindgeschwindigkeit sind, konstant bleibt . Der Rotorspannungswinkel liegt bei Windgeschwindigkeiten, die unter dem Nennwert liegen, zwischen 0° und 12° und bei Windgeschwindigkeiten, die über dem Nennwert liegen, zwischen -144° und -167°. Die maximale mechanische Leistung des DFIG verringerte sich aufgrund des Spannungseinbruchs auf 1,7 MW statt 2,4 MW unter normalen Bedingungen. Dabei reduzierte sich die maximale Statorleistung auf 1,45 MW statt 2 MW. Die Statorblindleistung nimmt mit zunehmendem Statorspannungsabfall für alle Statorspannungseinbrüche und Windgeschwindigkeiten ab. Die Rotorströme bleiben über den gesamten Bereich von Statorspannungseinbrüchen und Windgeschwindigkeiten konstant auf ihrem Nennwert (1823 A). Dabei liegen die Statorströme unter dem Nennwert (1760 A). Der Bereich der Steigungswinkelwerte reicht von 0° bis 35° für alle Statorspannungsabfälle und Windgeschwindigkeiten.

Um das transiente Verhalten der Rotorspannung auf die Rotorströme und Statorströme als Reaktion auf den Netzspannungseinbruch darzustellen, wird das dynamische Modell von DFIG im Simulink-Matlab verwendet, in das die Werte der erhaltenen Rotorspannung aus Optimierungstechniken eingespeist werden Rotor. Abbildung 8 zeigt die Wellenformen von Rotorströmen und Statorströmen bei einer Windgeschwindigkeit von 12 m/s, wenn die Statorspannung auf \({0,7 V}_{s}^{Nenn}\) und \({0,4 V}_{s} abfällt. ^{bewertet}\). Die Wellenformen der Rotorströme und Statorströme werden bis zu den stationären Werten der Ströme erreicht, die durch Optimierungstechniken ermittelt werden.

Die DFIG-Wellenformen bei \({V}_{W}\)=12 m/s, \({V}_{s}\) = \({0,7V}_{s}^{rated}\) und \({V}_{W}\)=12 m/s, \({V}_{s}\) = \({0,4V}_{s}^{Nenn}\) (a) Rotorspannungen (b) Rotorströme (c) Statorströme.

Dieser Artikel enthält keine von einem der Autoren durchgeführten Tierstudien.

Durch die Kombination eines neuronalen Netzwerks mit Fuzzy-Logik entstand ANFIS, das weithin für die Lösung komplizierter Probleme und nichtlineare Anwendungen empfohlen wird. Dies liegt daran, dass sie die erforderliche Leistung erzielen können, indem sie die Zugehörigkeitsfunktionen erheblich ändern. Die Fuzzy-Logik stellt die Schlüsselprinzipien der Fuzzy-Mengen-Theorie, der Fuzzy-Wenn-Dann-Regeln und des Näherungsschlusses bereit, die sich mit Informationsgranularität und Ungenauigkeit befassen. Neuronale Netze sind in der Lage, sich anzupassen und zu lernen, indem sie die Verbindungen zwischen Schichten regulieren. Die Einbeziehung dieser Methode ist ein zweistufiger Ansatz, bei dem das anfängliche Fuzzy-Modell zusammen mit seinen Eingabevariablen unter Verwendung der extrahierten Regeln aus den Eingabe- und Ausgabedaten für ein modelliertes System auf der ersten Ebene abgeleitet werden. Anschließend wird ein neuronales Netzwerk zur Feinabstimmung der anfänglichen Fuzzy-Modellregeln auf der nächsten Ebene eingesetzt, was zur Erstellung des endgültigen ANFIS-Modells des Systems führt70,71,72.

Der Hauptvorteil des Einsatzes von ANFIS im vorgeschlagenen Regler ist seine schnelle Konvergenzzeit, um der variierenden Windgeschwindigkeit oder Stator-DFIG-Spannung gerecht zu werden. Nachdem durch den BO-Algorithmus die optimalen Größen und Winkel der eingespeisten Rotorspannung und der Windkraftanlagen-Pitchwinkel ermittelt wurden, werden diese Werte zum Trainieren des ANFIS-Controllers verwendet. Die vorgeschlagene verwendete ANFIS-Konfiguration besteht aus drei ANFIS-Controllern, da es drei Ausgänge gibt, wie in Abb. 9 dargestellt. Der Ausgang des ersten ANFIS-Controllers ist der Größenwert der eingespeisten DFIG-Rotorspannung. Während der Ausgang des zweiten ANFIS-Reglers der Winkelwert der eingespeisten DFIG-Rotorspannung ist und der Ausgang des dritten ANFIS-Reglers der Nickwinkel für die Windkraftanlage ist. Die Windgeschwindigkeit und die Stator-DFIG-Spannung sind Eingänge für drei ANFIS-Regler. Tabelle 8 zeigt die Trainingsleistung für drei ANFIS-Controller. Tabelle 9 zeigt den Vergleich zwischen den Ergebnissen des vorgeschlagenen ANFIS-Reglers und des BO-Algorithmus bei bestimmten Windgeschwindigkeiten und Statorspannungen, die beim Training von ANFIS-Reglern nicht verwendet werden. Die Ergebnisse zeigen, dass der vorgeschlagene ANFIS-Controller und der BO-Algorithmus sehr ähnliche Ergebnisse liefern, und dies beweist die Wirksamkeit des vorgeschlagenen ANFIS-Controllers.

Die vorgeschlagene ANFIS-Konfiguration.

Um die LVRT-Fähigkeit zu erreichen, wurden in diesem Artikel optimale Referenzgrößen- und Winkelwerte der eingespeisten DFIG-Rotorspannung und Referenz-Pitchwinkel eingeführt, die die maximal mögliche mechanische DFIG-Leistung bereitstellen, um sicherzustellen, dass Rotor- und Statorströme die Nennwerte nicht überschreiten und auch das Maximum liefern Blindleistung zur Stützung der Netzspannung im Fehlerfall für alle Betriebswindgeschwindigkeiten. Aktueller Optimierungsalgorithmus; BO wurde verwendet, um das Papierziel zu erreichen. Um die Genauigkeit der Ergebnisse zu bestätigen, wurden die BO-Ergebnisse mit zwei anderen Optimierungsalgorithmen verglichen; PSO und DTA. Drei Optimierungsalgorithmen lieferten sehr ähnliche Ergebnisse, die bewiesen, dass diese Lösungen der Rotorspannungswerte und Nickwinkel bei jeder Windgeschwindigkeit und jedem Statorspannungsabfall die optimalen Lösungen sind. Daraus lässt sich schließen, dass die Größe der Rotorspannung im Allgemeinen mit zunehmendem Statorspannungsabfall abnimmt, wobei ihr Bereich etwa von 0 bis 210 V für alle Statorspannungseinbrüche und Windgeschwindigkeiten reicht. Der Rotorspannungswinkel liegt zwischen etwa 12° und -167° und der Bereich der Nickwinkelwerte liegt zwischen 0° und 35°. Die maximale mechanische Leistung des DFIG reduzierte sich aufgrund der Spannungseinbrüche auf 1,7 MW statt 2,4 MW im Normalzustand. Dabei reduzierte sich die maximale Statorleistung auf 1,45 MW statt 2 MW. Die Stator- und Rotorströme überschreiten bei allen Statorspannungseinbrüchen und Windgeschwindigkeiten nicht die Nennwerte. Der ANFIS-Regler wurde als adaptiver Regler zur Vorhersage der Werte der Rotorspannung und des Nickwinkels der Windkraftanlage für jeden Statorspannungsabfall und jede Windgeschwindigkeit eingesetzt. Der vorgeschlagene Regler mit 2,4-MW-Windturbinenmodell und stationärem DFIG-Modell unter Berücksichtigung von Eisenverlusten wurde mithilfe der Matlab-Umgebung untersucht und simuliert. Der ANFIS-Controller erzielte im Vergleich zu BO-Ergebnissen akzeptable Ergebnisse.

Die Daten, die die Ergebnisse dieser Studie stützen, sind auf begründete Anfrage beim entsprechenden Autor erhältlich.

Windenergie-Umwandlungssystem

Doppelt gespeister Induktionsgenerator

Niederspannungsdurchfahrt

Bonobo-Optimierer

Fahrtrainingsoptimierer

Partikelschwarmoptimierer

Adaptives Neuro-Fuzzy-Inferenzsystem

Aufgenommene Leistung der Windkraftanlage (W)

Leistungskoeffizient der Windkraftanlage

Luftdichte

Rotorblattradius der Windkraftanlage (m)

Windgeschwindigkeit (m/s)

Einschaltwindgeschwindigkeit (m/s)

Nennwindgeschwindigkeit (m/s)

Abschaltwindgeschwindigkeit (m/s)

Geschwindigkeitsverhältnis der Spitze (rad)

Steigungswinkel (°)

Drehzahl der Windkraftanlage (rad/s)

Phasenstatorwiderstand (\(\Omega \))

Phasenrotorwiderstand bezogen auf den Stator (\(\Omega \))

Magnetisierungswiderstand (\(\Omega \))

Streustatorinduktivität (H)

Streuinduktivität Rotor bezogen auf Stator (H)

Magnetisierungsinduktivität (H)

Statorwinkelfrequenz (rad/s)

Winkelrotorfrequenz (rad/s)

Unterhose

Polzahl

Größe der Statorspannung (V)

Bezogene Rotorspannungsgröße (V)

Rotorspannungswinkel (°)

Statorstrom (A)

Bezogener Rotorstrom (A)

Aktive Statorleistung (W)

Statorblindleistung (W)

Aktive Rotorleistung (W)

Blindleistung des Rotors (W)

DFIG mechanische Leistung (W)

Eisenverluste (W)

Statorkupferverluste (W)

Rotorkupferverluste (W)

Pradhan, PP & Subudhi, B. Ein auf dem ARMAX-DFIG-Modell basierender adaptiver Regler für ein Windenergieumwandlungssystem. Wind-Ing. 46, 12–22. https://doi.org/10.1177/0309524X211000718 (2021).

Artikel Google Scholar

Sahu, S. & Behera, S. Ein Überblick über moderne Steuerungsanwendungen in Windenergieumwandlungssystemen. Energieumwelt. 33, 223–262. https://doi.org/10.1177/0958305X21995929 (2021).

Artikel Google Scholar

Barra, PHA, de Carvalho, WC, Menezes, TS, Fernandes, RAS & Coury, DV Ein Überblick über die Glättung der Windkraft mithilfe von Hochleistungs-Energiespeichersystemen. Erneuern. Aufrechterhalten. Energy Rev. 137, 110455. https://doi.org/10.1016/j.rser.2020.110455 (2021).

Artikel Google Scholar

Senapati, MK, Pradhan, C., Nayak, PK, Padmanaban, S. & Gjengedal, T. Modifizierte Entmagnetisierungssteuerungsstrategie zur Verbesserung des Niederspannungs-Ride-Through in DFIG-basierten Windsystemen. IET erneuern. Stromerzeuger. 14, 3487–3499. https://doi.org/10.1049/iet-rpg.2019.1128 (2020).

Artikel Google Scholar

Priyavarthini, S., Nagamani, C., Ilango, GS & Rani, MAA Eine verbesserte Steuerung zur gleichzeitigen Minderung von Durchhang/Seegang und Blindleistungsunterstützung in einem netzgekoppelten Windpark mit DVR. Int. J. Elektr. Energiesystem. 101, 38–49. https://doi.org/10.1016/j.ijepes.2018.03.016 (2018).

Artikel Google Scholar

Tripathi, SM, Tiwari, AN & Singh, D. Niederspannungs-Ride-Through-Verbesserung mit den ω- und T-Steuerungen von PMSG in einem netzintegrierten Winderzeugungssystem. IET-Gener. Transm. Vertrieb. 13, 1979–1988. https://doi.org/10.1049/iet-gtd.2018.6275 (2019).

Artikel Google Scholar

Yang, B., Yu, T., Shu, H., Dong, J. & Jiang, L. Robuste Gleitmodussteuerung von Windenergieumwandlungssystemen für optimale Leistungsgewinnung über nichtlineare Störungsbeobachter. Appl. Energie 210, 711–723. https://doi.org/10.1016/j.apenergy.2017.08.027 (2018).

Artikel Google Scholar

Raghavendran, CR, Roselyn, JP, Sowmmiya, U. & Devaraj, D. Effektive Leistungsübertragung und Fault-Ride-Through-Strategie auf der Basis einer verallgemeinerten Integratorsequenz reduzierter Ordnung in netzverbundenen DFIG-basierten WECS. Int. J. Elektr. Energiesystem. 130, 106809. https://doi.org/10.1016/j.ijepes.2021.106809 (2021).

Artikel Google Scholar

Mahela, OP & Shaik, AG Umfassender Überblick über netzgebundene Windenergieerzeugungssysteme. Erneuern. Aufrechterhalten. Energy Rev. 57, 260–281. https://doi.org/10.1016/j.rser.2015.12.048 (2016).

Artikel Google Scholar

Kumar, V., Pandey, AS & Sinha, SK Stabilitätsverbesserung des DFIG-basierten integrierten Windpark-Stromversorgungssystems mithilfe von ANFIS-gesteuertem STATCOM. Energies 13, 4707. https://doi.org/10.3390/en13184707 (2020).

Artikel Google Scholar

Aydin, E., Polat, A. & Ergene LT Vektorsteuerung von DFIG in Windkraftanwendungen. Im Jahr 2016 IEEE International Conference on Renewable Energy Research and Applications (ICRERA), 478–483 (2016). https://doi.org/10.1109/ICRERA.2016.7884383

Hannoon, NMS et al. Ein auf einem gemeinsamen Kondensator basierender dreistufiger STATCOM und Entwurf eines DFIG-Wandlers für eine Nullspannungs-Fehlerüberbrückungsfähigkeit. IEEE Access 9, 105153–105179. https://doi.org/10.1109/ACCESS.2021.3098187 (2021).

Artikel Google Scholar

Sompracha, C., Jayaweera, D. & Tricoli, P. Partikelschwarmoptimierungstechnik zur Verbesserung der Energieeffizienz von doppelt gespeisten Induktionsgeneratoren für Windkraftanlagen. J. Eng. 2019, 4890–4895. https://doi.org/10.1049/joe.2018.9348 (2019).

Artikel Google Scholar

Chen, H., Zuo, Y., Chau, KT, Zhao, W. & Lee, CHT Moderne elektrische Maschinen und Antriebe für die Windenergieerzeugung: Ein Überblick über Chancen und Herausforderungen. IET erneuern. Stromerzeuger. 15, 1864–1887. https://doi.org/10.1049/rpg2.12114 (2021).

Artikel Google Scholar

Gupta, S. & Shukla, A. Verbesserte dynamische Modellierung einer DFIG-angetriebenen Windkraftanlage mit Algorithmus zur optimalen Aufteilung der Blindleistung zwischen Konvertern. Aufrechterhalten. Energietechnologie. Bewerten. 51, 101961. https://doi.org/10.1016/j.seta.2022.101961 (2022).

Artikel Google Scholar

Liu, R., Yang, E., Chen, J. & Niu, S. Neuartiger Ansatz zur Lagerstromunterdrückung in doppelt gespeisten Induktionsgeneratoren. IEEE Access 7, 171525–171532. https://doi.org/10.1109/ACCESS.2019.2955803 (2019).

Artikel Google Scholar

Marques, GD & Iacchetti, MF DFIG-Topologien für DC-Netzwerke: Ein Überblick über Steuerungs- und Designfunktionen. IEEE Trans. Power-Elektron. 34, 1299–1316. https://doi.org/10.1109/TPEL.2018.2829546 (2019).

Artikel ADS Google Scholar

Radaideh, A., Bodoor, MM & Al-Quraan, A. Wirk- und Blindleistungsregelung für auf Windkraftanlagen basierende DFIG unter Verwendung eines LQR-Reglers mit optimaler Verstärkungsplanung. J. Elektr. Berechnen. Ing. 2021, 1218236. https://doi.org/10.1155/2021/1218236 (2021).

Artikel Google Scholar

Justo, JJ, Mwasilu, F. & Jung, J.-W. Doppelt gespeiste Windkraftanlagen auf Induktionsgeneratorbasis: Ein umfassender Überblick über Fault-Ride-Through-Strategien. Erneuern. Aufrechterhalten. Energy Rev. 45, 447–467. https://doi.org/10.1016/j.rser.2015.01.064 (2015).

Artikel Google Scholar

Tilli, A., Conficoni, C. & Hashemi, A. Eine effektive Steuerungslösung für doppelt gespeiste Induktionsgeneratoren bei starken symmetrischen und unsymmetrischen Spannungseinbrüchen. Kontrolle. Ing. Üben. 84, 172–182. https://doi.org/10.1016/j.conengprac.2018.11.014 (2019).

Artikel Google Scholar

Hossam-Eldin, AA, Negm Abdallah, E., Elgamal, MS & AboRas, KM Fault Ride-Through des netzgekoppelten THIPWM-gefeuerten DCMLI-basierten DFIG unter Verwendung eines parallel geschalteten, rückkopplungsgesteuerten DVR. IET Gen. Transm. Vertrieb. 14, 945–954. https://doi.org/10.1049/iet-gtd.2019.0215 (2020).

Artikel Google Scholar

Tian, J., Su, C. & Chen, Z. Blindleistungsfähigkeit der Windkraftanlage mit doppelt gespeistem Induktionsgenerator. In IECON 2013 – 39. Jahreskonferenz der IEEE Industrial Electronics Society, 5312–5317 (2013). https://doi.org/10.1109/IECON.2013.6699999.

Asghar, R. et al. Modifizierter Fehlerstrombegrenzer vom Schaltertyp zur Verbesserung der Niederspannungsüberbrückung und Blindleistungsunterstützung von DFIG-WT bei Netzfehlern. IET erneuern. Macht Gen. 14, 1481–1490. https://doi.org/10.1049/iet-rpg.2019.1058 (2020).

Artikel Google Scholar

Ali, MAS, Mehmood, KK, Baloch, S. & Kim, C.-H. Modifiziertes Rotorseiten-Konverter-Steuerungsdesign zur Verbesserung der LVRT-Fähigkeit eines DFIG-basierten WECS. Elektrisches Energiesystem. Res. 186, 106403. https://doi.org/10.1016/j.epsr.2020.106403 (2020).

Artikel Google Scholar

Elsisi, M., Tran, MQ, Mahmoud, K., Lehtonen, M. & Darwish, MMF Robustes Design eines ANFIS-basierten Blattverstellreglers für Windenergieumwandlungssysteme gegen Windgeschwindigkeitsschwankungen. IEEE Access 9, 37894–37904. https://doi.org/10.1109/ACCESS.2021.3063053 (2021).

Artikel Google Scholar

Vidal, J., Abad, G., Arza, J. & Aurtenechea, S. Einphasige Gleichstrom-Crowbar-Topologien für Niederspannungsfahrten durch Erfüllung von Hochleistungs-Windturbinen auf der Basis von doppelt gespeisten Induktionsgeneratoren. IEEE Trans. Energiewandler. 28, 768–781. https://doi.org/10.1109/TEC.2013.2273227 (2013).

Artikel ADS Google Scholar

Sava, GN, Costinas, S., Golovanov, N., Leva, S. & Quan, DM Vergleich aktiver Crowbar-Schutzsysteme für DFIGs-Windkraftanlagen. Im Jahr 2014 16. Internationale Konferenz über Harmonische und Energiequalität (ICHQP), 669–673 (2014). https://doi.org/10.1109/ICHQP.2014.6842860.

Noureldeen, O. & Hamdan, I. Eine neuartige steuerbare Brechstange basierend auf einer Fehlertyp-Schutztechnik für das DFIG-Windenergieumwandlungssystem unter Verwendung eines adaptiven Neuro-Fuzzy-Inferenzsystems. Schützen. Steuern Sie moderne Energiesysteme. 3, 35. https://doi.org/10.1186/s41601-018-0106-0 (2018).

Artikel Google Scholar

Reddy, K. & Saha, AK Ein heuristischer Ansatz zur optimalen Crowbar-Einstellung und Niederspannungsdurchfahrt eines doppelt gespeisten Induktionsgenerators. Energies 15, 9307. https://doi.org/10.3390/en15249307 (2022).

Artikel Google Scholar

Mosaad, MI, Alenany, A. & Abu-Siada, A. Verbesserung der Leistung von Windenergieumwandlungssystemen mithilfe eines einheitlichen Leistungsflussreglers. IET-Gener. Transm. Vertrieb. 14, 1922–1929. https://doi.org/10.1049/iet-gtd.2019.1112 (2020).

Artikel Google Scholar

Du, KJ et al. Verbesserung der LVRT-Fähigkeit von DFIG-basierten Windkraftanlagen mit einem modifizierten SFCL vom Brückenwiderstandstyp. IEEE Trans. Appl. Supercond. 31, 1–5. https://doi.org/10.1109/TASC.2021.3091114 (2021).

Artikel CAS Google Scholar

Nasiri, M. & Arzani, A. Robustes Steuerungsschema für den Bremschopper von PMSG-basierten Windkraftanlagen – Eine vergleichende Bewertung. Int. J. Elektr. Energiesystem. 134, 107322. https://doi.org/10.1016/j.ijepes.2021.107322 (2022).

Artikel Google Scholar

Taveiros, FEV, Barros, LS & Costa, FB Erhöhte prädiktive Steuerung mit Zustandsrückmeldung für DFIG-basierte Windkraftanlagen, um deren LVRT-Leistung zu verbessern. Int. J. Elektr. Energiesystem. 104, 943–956. https://doi.org/10.1016/j.ijepes.2018.07.028 (2019).

Artikel Google Scholar

Manohar, G., Venkateshwarlu, S. & Jaya Laxmi, A. Ein DFIG-basiertes Windenergieumwandlungssystem (WECS) zur LVRT-Verbesserung mit einem Hybridansatz: eine effiziente MEHRFA-Technik. Soft Comput. 25, 2559–2574. https://doi.org/10.1007/s00500-020-05276-x (2021).

Artikel Google Scholar

Reddy, K. & Saha, AK Eine Untersuchung der Nutzung von Schwarmintelligenz für den Entwurf von Doppelvektor- und Proportional-Resonanz-Reglern zur Regelung von doppelt gespeisten Induktionsgeneratoren, die unsymmetrischen Netzspannungen ausgesetzt sind. Energies 15, 7476. https://doi.org/10.3390/en15207476 (2022).

Artikel Google Scholar

Ali, MAS, Mehmood, KK, Baloch, S. & Kim, C.-H. Modifiziertes Rotorseiten-Konverter-Steuerungsdesign zur Verbesserung der LVRT-Fähigkeit eines DFIG-basierten WECS. Elektr. Stromversorgungssystem. Res. 186, 106403. https://doi.org/10.1016/j.epsr.2020.106403 (2020).

Artikel Google Scholar

Hiremath, R. & Moger, T. Modifizierter Super Twisting-Algorithmus basierend auf der Gleitmodussteuerung zur LVRT-Verbesserung des DFIG-angetriebenen Windsystems. Energy Rep. 8, 3600–3613. https://doi.org/10.1016/j.egyr.2022.02.235 (2022).

Artikel Google Scholar

Manohar, G., Venkateshwarlu, S. & JayaLaxmi, A. Ein Elite-Ansatz zur Verbesserung der LVRT in einem auf einem doppelt gespeisten Induktionsgenerator (DFIG) basierenden Windenergieumwandlungssystem (WECS): Ein FAMSANFIS-Ansatz. Weich. Berechnen. 26, 11315–11337. https://doi.org/10.1007/s00500-022-07419-8 (2022).

Artikel Google Scholar

Chakraborty, A. & Maity, T. Eine neuartige Anwendung eines adaptiven Filteralgorithmus zur Verbesserung der LVRT-Fähigkeit von netzgekoppelten DFIG-basierten Windenergieumwandlungssystemen (WECS). Elektrisches Energiesystem. Res. 217, 109179. https://doi.org/10.1016/j.epsr.2023.109179 (2023).

Artikel Google Scholar

Elhay, EA & Elkholy, MM Optimale dynamische und stationäre Leistung eines geschalteten Reluktanzmotors unter Verwendung des Wasserkreislaufalgorithmus. IEEJ Trans. Elektr. Elektron. Ing. 13(6), 882–890. https://doi.org/10.1002/tee.22642 (2018).

Artikel Google Scholar

Bakir, H., Merabet, A., Dhar, RK & Kulaksiz, AA Auf einem Algorithmus zur Optimierung der Nahrungssuche von Bakterien basierende optimale Steuerung für ein Windenergiesystem mit doppelt gespeistem Induktionsgenerator. IET erneuern. Stromerzeuger. 14, 1850–1859. https://doi.org/10.1049/iet-rpg.2020.0172 (2020).

Artikel Google Scholar

Elkholy, MM & Elhameed, MA Bremsen von Dreiphasen-Induktionsmotoren durch Steuerung der angelegten Spannung und Frequenz basierend auf der Technik der Partikelschwarmoptimierung. Int. J. Power Electron. Antriebssystem. (IJPEDS) 5(4), 520–528. https://doi.org/10.11591/ijpeds.v5.i4.pp520-528 (2015).

Artikel Google Scholar

Bakir, H., Merabet, A., Dhar, RK & Kulaksiz, AA Experimentelle Bewertung der Wasserkreislauftechnik zur Optimierung der Steuerungsparameter einer Windkraftanlage auf Basis eines doppelt gespeisten Induktionsgenerators. Ing. Wissenschaft. Technol. Int. J. 24, 890–898. https://doi.org/10.1016/j.jestsch.2020.12.024 (2021).

Artikel Google Scholar

Soliman, MA, Hasanien, HM, Azazi, HZ, El-kholy, EE & Mahmoud, SA Hybrides ANFIS-GA-basiertes Steuerungsschema zur Leistungssteigerung eines netzgekoppelten Windgenerators. IET erneuern. Stromerzeuger. 12, 832–843. https://doi.org/10.1049/iet-rpg.2017.0576 (2018).

Artikel Google Scholar

Naidu, RPK & Meikandasivam, S. Leistungsuntersuchung von netzintegrierten Photovoltaik-/Windenergiesystemen unter Verwendung eines ANFIS-basierten Hybrid-MPPT-Controllers. J. Ambient. Intel. Humaniz. Berechnen. 12, 5147–5159. https://doi.org/10.1007/s12652-020-01967-3 (2021).

Artikel Google Scholar

Rahman, MMA & Rahim, AHMA Leistungsbewertung eines ANN- und ANFIS-basierten windgeschwindigkeitssensorlosen MPPT-Reglers. Im Jahr 2016 5. Internationale Konferenz für Informatik, Elektronik und Vision (ICIEV), 542–546 (2016). https://doi.org/10.1109/ICIEV.2016.7760062.

Bui, VT, Hoang, TT, Duong, TL & Truong, DN Dynamische Spannungsstabilitätsverbesserung eines netzgekoppelten Windkraftsystems durch ANFIS-gesteuerten statischen Blindleistungskompensator. Im Jahr 2019 International Conference on System Science and Engineering (ICSSE), 174–177 (2019). https://doi.org/10.1109/ICSSE.2019.8823522

Hosseini, E., Aghadavoodi, E. & Fernández Ramírez, LM Verbesserung der Reaktion von Windkraftanlagen durch Pitchwinkelregler basierend auf verstärkungsgeplantem wiederkehrendem ANFIS Typ 2 mit passivem Verstärkungslernen. Erneuern. Energie 157, 897–910. https://doi.org/10.1016/j.renene.2020.05.060 (2020).

Artikel Google Scholar

Elkholy, MM, Metwally, H., Regal, GM & Sadek, MA Effizienter Betrieb einer Windkraftanlage mit doppelt gespeistem Induktionsgenerator unter Verwendung des TLBO-Algorithmus und künstlicher neuronaler Netze. Int. Rev. Modell. Simul. (IREMOS) 9, 464. https://doi.org/10.15866/iremos.v9i6.10309 (2016).

Artikel Google Scholar

Elkholy, MM, Metwally, H., Regal, GM & Sadek, MA Optimale Wirk- und Blindleistungssteuerung von durch Windkraftanlagen angetriebenen DFIG unter Verwendung des TLBO-Algorithmus und künstlicher neuronaler Netze. Int. J. Erneuern. Energietechnologie. 8, 132–153. https://doi.org/10.1504/ijret.2017.086810 (2017).

Artikel Google Scholar

Mostapha Kalami Heris, Particle Swarm Optimization in MATLAB (URL: https://yarpiz.com/50/ypea102-particle-swarm-optimization), Yarpiz, 2015.

Şen, Z. Modifizierte Windkraftformulierung und ihr Vergleich mit Betz-Grenzwerten. Int. J. Energy Res. 37, 959–963. https://doi.org/10.1002/er.2900 (2013).

Artikel Google Scholar

Slootweg, JG, de Haan, SWH, Polinder, H. & Kling, WL Allgemeines Modell zur Darstellung von Windkraftanlagen mit variabler Drehzahl in Simulationen der Energiesystemdynamik. IEEE Trans. Stromversorgungssystem. 18, 144–151. https://doi.org/10.1109/TPWRS.2002.807113 (2003).

Artikel ADS Google Scholar

Wang, J. et al. Maximum-Power-Point-Tracking-Steuerung für ein Windenergieumwandlungssystem mit doppelt gespeistem Induktionsgenerator basierend auf einem multivariablen adaptiven Super-Twisting-Ansatz. Int. J. Elektr. Energiesystem. 124, 106347. https://doi.org/10.1016/j.ijepes.2020.106347 (2021).

Artikel Google Scholar

Bossoufi, B. et al. Rooted-Tree-Optimierung für die Backstepping-Leistungsregelung einer Windkraftanlage mit doppelt gespeistem Induktionsgenerator: dSPACE-Implementierung. IEEE Access 9, 26512–26522. https://doi.org/10.1109/ACCESS.2021.3057123 (2021).

Artikel Google Scholar

Giannakis, A., Karlis, A. & Karnavas, YL Eine kombinierte Steuerungsstrategie eines DFIG basierend auf einer sensorlosen Leistungssteuerung durch modifizierte Phasenregelkreise und Fuzzy-Logic-Controller. Erneuern. Energie 121, 489–501. https://doi.org/10.1016/j.renene.2018.01.052 (2018).

Artikel Google Scholar

Eisenhut, C., Krug, F., Schram, C. & Klockl, B. Windturbinenmodell für Systemsimulationen nahe der Einschaltwindgeschwindigkeit. IEEE Trans. Energiewandler. 22, 414–420. https://doi.org/10.1109/TEC.2006.875473 (2007).

Artikel ADS Google Scholar

Chen, P., Han, D. & Li, KC Robuste adaptive Steuerung der Maximalleistungspunktverfolgung für Windkraftanlagen. IEEE Access 8, 214538–214550. https://doi.org/10.1109/ACCESS.2020.3039048 (2020).

Artikel Google Scholar

Youssef, A.-R., Mousa, HHH & Mohamed, EEM Entwicklung eines selbstadaptiven P&O MPPT-Algorithmus für Windkraftanlagen mit konzentriertem Suchbereich. Erneuern. Energie 154, 875–893. https://doi.org/10.1016/j.renene.2020.03.050 (2020).

Artikel Google Scholar

González-Hernández, JG, Salas-Cabrera, R., Vázquez-Bautista, R., Ong-de-la-Cruz, LM & Rodríguez-Guillén, J. Ein neuartiger MPPT PI diskreter umgekehrt wirkender Regler für eine Windenergieumwandlung System. Erneuerbare Energie 178, 904–915. https://doi.org/10.1016/j.renene.2021.06.106 (2021).

Artikel Google Scholar

Elkholy, MM & Abd-Elkader, F. Optimale Energieeinsparung eines doppelt gespeisten Induktionsmotors basierend auf einer skalaren Rotorspannungssteuerung und einem Wasserkreislaufalgorithmus. COMPEL Int. J. Comput. Mathematik. Elektr. Elektr. Ing. 38, 793–814. https://doi.org/10.1108/COMPEL-05-2018-0225 (2019).

Artikel Google Scholar

Gianto, R. Steady-State-Modell einer DFIG-basierten Windkraftanlage zur Lastflussanalyse. IET erneuern. Power Gen. 15, 1724–1735. https://doi.org/10.1049/rpg2.12141 (2021).

Artikel Google Scholar

Wu, M. & Xie, L. Berechnung stationärer Betriebsbedingungen für DFIG-basierte Windkraftanlagen. IEEE Trans. Aufrechterhalten. Energie 9, 293–301. https://doi.org/10.1109/TSTE.2017.2731661 (2018).

Artikel ADS Google Scholar

Seshadri Sravan Kumar, V. & Thukaram, D. Genaue Modellierung von Windparks auf der Basis von doppelt gespeisten Induktionsgeneratoren in der Lastflussanalyse. Elektrisches Energiesystem. Res. 155, 363–371. https://doi.org/10.1016/j.epsr.2017.09.011 (2018).

Artikel Google Scholar

Abad, G., López, J., Rodríguez, MA, Marroyo, L. & Iwański, G. Doppelt gespeiste Induktionsmaschine: Modellierung und Steuerung für die Windenergieerzeugung (2011). https://doi.org/10.1002/9781118104965.

Yaramasu, V., Wu, B., Sen, PC, Kouro, S. & Narimani, M. Hochleistungs-Windenergieumwandlungssysteme: Modernste und neue Technologien. Proz. IEEE 103, 740–788. https://doi.org/10.1109/JPROC.2014.2378692 (2015).

Artikel Google Scholar

Das, AK & Pratihar, DK Bonobo-Optimierer (BO): eine intelligente Heuristik mit selbstanpassenden Parametern über kontinuierliche Räume und ihre Anwendung auf technische Probleme. Appl. Intel. 52, 2942–2974. https://doi.org/10.1007/s10489-021-02444-w (2022).

Artikel Google Scholar

Das, AK, Nikum, AK, Krishnan, SV & Pratihar, DK Multi-Objective Bonobo Optimizer (MOBO): Eine intelligente Heuristik für die Optimierung mit mehreren Kriterien. Wissen. Inf. Syst. 62, 4407–4444. https://doi.org/10.1007/s10115-020-01503-x (2020).

Artikel Google Scholar

Abdelghany, RY et al. Entwicklung eines verbesserten Bonobo-Optimierers und dessen Anwendung zur Schätzung von Solarzellenparametern. Nachhaltigkeit 13, 3863. https://doi.org/10.3390/su13073863 (2021).

Artikel Google Scholar

Walia, N., Singh, H. & Sharma, A. ANFIS: Adaptives Neuro-Fuzzy-Inferenzsystem – eine Umfrage. Int. J. Comput. Appl. 123, 32–38. https://doi.org/10.5120/ijca2015905635 (2015).

Artikel Google Scholar

Denai, MA, Palis, F. und Zeghbib, A. ANFIS-basierte Modellierung und Steuerung nichtlinearer Systeme: Ein Tutorial. Im Jahr 2004 IEEE International Conference on Systems, Man and Cybernetics (IEEE Cat. No.04CH37583), vol. 4, S. 3433–3438 (2004). https://doi.org/10.1109/ICSMC.2004.1400873.

Karaboga, D. & Kaya, E. Trainingsansätze für adaptive netzwerkbasierte Fuzzy-Inferenzsysteme (ANFIS): Eine umfassende Umfrage. Artif. Intel. Rev. 52, 2263–2293. https://doi.org/10.1007/s10462-017-9610-2 (2019).

Artikel Google Scholar

Referenzen herunterladen

Open-Access-Finanzierung durch die Science, Technology & Innovation Funding Authority (STDF) in Zusammenarbeit mit der Egyptian Knowledge Bank (EKB).

Abteilung für elektrische Energie und Maschinentechnik, Fakultät für Ingenieurwissenschaften, Zagazig-Universität, Zagazig, Ägypten

M. Abdelateef Mostafa, Enas A. El-Hay und Mahmoud M. Elkholy

Sie können diesen Autor auch in PubMed Google Scholar suchen

MAM verfasste den Haupttext des Manuskripts und bereitete alle Abbildungen und Tabellen vor. EAE-H. und MME überprüfte das Manuskript.

Korrespondenz mit M. Abdelateef Mostafa.

Die Autoren geben an, dass keine Interessenkonflikte bestehen.

Springer Nature bleibt neutral hinsichtlich der Zuständigkeitsansprüche in veröffentlichten Karten und institutionellen Zugehörigkeiten.

Open Access Dieser Artikel ist unter einer Creative Commons Attribution 4.0 International License lizenziert, die die Nutzung, Weitergabe, Anpassung, Verbreitung und Reproduktion in jedem Medium oder Format erlaubt, sofern Sie den/die Originalautor(en) und die Quelle angemessen angeben. Geben Sie einen Link zur Creative Commons-Lizenz an und geben Sie an, ob Änderungen vorgenommen wurden. Die Bilder oder anderes Material Dritter in diesem Artikel sind in der Creative Commons-Lizenz des Artikels enthalten, sofern in der Quellenangabe für das Material nichts anderes angegeben ist. Wenn Material nicht in der Creative-Commons-Lizenz des Artikels enthalten ist und Ihre beabsichtigte Nutzung nicht gesetzlich zulässig ist oder über die zulässige Nutzung hinausgeht, müssen Sie die Genehmigung direkt vom Urheberrechtsinhaber einholen. Um eine Kopie dieser Lizenz anzuzeigen, besuchen Sie http://creativecommons.org/licenses/by/4.0/.

Nachdrucke und Genehmigungen

Mostafa, MA, El-Hay, EA & Elkholy, MM Optimale Niederspannungsdurchfahrt eines doppelt gespeisten Induktionsgenerators einer Windkraftanlage basierend auf einem Bonobo-Optimierungsalgorithmus. Sci Rep 13, 7778 (2023). https://doi.org/10.1038/s41598-023-34240-6

Zitat herunterladen

Eingegangen: 14. November 2022

Angenommen: 26. April 2023

Veröffentlicht: 13. Mai 2023

DOI: https://doi.org/10.1038/s41598-023-34240-6

Jeder, mit dem Sie den folgenden Link teilen, kann diesen Inhalt lesen:

Leider ist für diesen Artikel derzeit kein Link zum Teilen verfügbar.

Bereitgestellt von der Content-Sharing-Initiative Springer Nature SharedIt

Durch das Absenden eines Kommentars erklären Sie sich damit einverstanden, unsere Nutzungsbedingungen und Community-Richtlinien einzuhalten. Wenn Sie etwas als missbräuchlich empfinden oder etwas nicht unseren Bedingungen oder Richtlinien entspricht, kennzeichnen Sie es bitte als unangemessen.