Load Frequency Control of an Islanded Multi-Microgrid System. Masters thesis, King Fahd University of Petroleum and Minerals.

PDF (Master's Thesis Report) g202214940_Thesis_Report_Final.pdf - Accepted Version Restricted to Repository staff only until 26 May 2026. Download (10MB)

Arabic Abstract

تدمج أنظمة الشبكات المصغرة المتعددة )MMG )بشكل متزايد توربينات الرياح )WT )وألواح الطاقة الشمسية ) PV )وأنظمة تخزين الطاقة بالبطاريات )BESS )وأحمال تعدين العمالت الرقمية ) CML )لتعزيز االستدامة واالستقرار والموثوقية؛ ومع ذلك، لم تتكامل األبحاث الحالية بعد CML كمشاركين نشطين في عمليات MMG. يكشف هذا الفجوة، جنًبا إلى جنب مع التقطع الفطري لمصادر الطاقة المتجددة ) RESs )والملفات الديناميكية العالية للطلب، عن قيود استراتيجيات التحكم التقليدية التي تفتقر إلى المرونة الالزمة للحفاظ على االستقرار، ويترك أنظمة التحكم المتقدمة المعتمدة على الشبكات العصبية غير مختبرة في سياقات MMG. ونتيجة لذلك، تعاني األنظمة الحالية من مشكالت في االستقرار وفقدان الطاقة القابل للتجنب، خاصة عند إدارة مناطق مترابطة متعددة. يقدّم هذا البحث نموذج جديد للحمل الديناميكي خاص بتطبيقات تعدين العمالت الرقمية، إذ تم تطويره والتحقق من دقته باستخدام طرق متنوعة مثل التعريف بالنظام(Identification System (، االنحدار الخطي(LR (، آلة المتجهات الداعمة(SVM (، والشبكات العصبية (NN (. وقد أظهر النموذج المعتمد على الشبكات العصبية أعلى مستوى من الدقة، حيث تراوحت قيمة ²R بين 0.9898 و،0.9953 إضافة إلى انخفاض ملحوظ في مؤشرات الخطأ مثلRMSE ، MSE، MAE، و.WIA تم دمج النموذج المطّور مع الشبكة المصغّرة، وتصميم نظام تحكم تكُّيفي (Controller PID-ANN Adaptive(. يقوم النظام المقترح بالتحكم وضبط تردد الشبكة عبر السماح للحمل الديناميكي باستخدام فائض الطاقة في عمليات التعدين وتقليل االستهالك عند تدني قدرة التوليد. كما تم تحسين معامالت نظام التحكم PID باالستعانة بطرق تحسين ميتااستوراثية (Optimization Metaheuristic (مثل الخوارزمية الجينية (GA (، وخوارزمية التج ّمع الجزيئي(PSO (، وخوارزمية الذئب الرمادي .(GWO (إلى جانب ذلك، جرى تحسين قيم معامالت الشبكة العصبية باستخدام عدة طرق متقدمة مثل خوارزمية محاكاة التلدين القائمة على تج ّمع الحيتان(WSO-SA (، وخوارزمية تلقيح األزهار(FPA (، وخوارزمية قنديل البحر المعدلة XIX (MJS(، باإلضافة إلى الخوارزميات السابقة(GWO ,PSO ,GA (، وذلك بهدف تحسين مؤشرات األداء مثلISE ، IAE، و.ITAE أظهرت نتائج الدراسة تفّوق نظام التحكم المقترح )PID-ANN)على نظم التحكم التقليدية القائمة مثل )PID-GA، -PSO PID، PID-GWO )في الحد من تذبذبات التردد في حاالت متعددة تنطوي على تغيرات في إنتاجية طاقة الرياح والطاقة تفّو على بقية نظم التحكم التقليدية من حيث خفض الشمسية وأحمال متغيرة. كما أوضحت تحسينات قيم معامالت ANN-GA ق ًء قيم الخطأ وتحسين قدرة النظام على التعامل مع االضطرابات. في حين أظهر كل من ANN-PSO و ANN-GWO أدا قوًيا يتمثل في تقليل تردّد الذبذبات وتحقيق استقرار سريع للنظام، بينما أبدت ANN-WSO-SA و ANN-MJSو-FPA ANN تحسينات متوسطة مقارنة بالشبكة العصبية التقليدية نتيجة قدرتها على معالجة األخطاء الكبيرة بزمن استجابة أبطأ. يخضع النظام المقترح لمحاكاة في الوقت الحقيقي باستخدام معالجة اإلشارات الرقمية وهندسة التحكم )dSPACE )ومنصات المحاكاة الرقمية في الوقت الحقيقي )RTDS )للتحقق من تطبيقه في بيئات التشغيل في الوقت الحقيقي

English Abstract

Multi-Microgrid (MMG) systems are increasingly incorporating wind turbines (WT), photovoltaic (PV) arrays, battery energy storage systems (BESS), and flexible loads to boost energy sustainability and system stability; however, existing research has yet to integrate the cryptocurrency mining load (CML), the flexible load, as active participants in MMG operations. This gap, combined with the inherent intermittency of renewable energy sources (RESs) and highly dynamic demand profiles, exposes the limitations of conventional control strategies, which lack the adaptability needed to maintain stability and leave advanced artificial neural network–based proportional-integral-derivative (PID) controllers untested in MMG contexts. As a result, current systems suffer from stability issues and avoidable power losses, particularly when managing multiple interconnected regions. This proposed research develops dynamic models for CML employing methods like System Identification (SI), Linear Regression (LR), Support Vector Machine (SVM), and Artificial Neural Networks (ANN). It also validates the efficacy of the developed models. The load model based on ANN technology delivered the most precise results, as indicated by the coefficient of determination (R²) values ranging from 0.9898 to 0.9953 and low error metrics, including root mean squared errors (RMSE) and mean absolute errors (MAE). XVII The load model created is then added to the MMG system, and the adaptive ANN-PID controller is developed. This controller controls the grid frequency by allowing the dynamic load to use extra power for mining and cutting back on usage when power generation is low. The PID gains are improved by using metaheuristic optimization methods like Genetic Algorithm (GA), Particle Swarm Optimization (PSO), and Grey Wolf Optimization (GWO). The weight of the ANN has also been improved using various advanced methods like Simulated Annealing-based Whale Swarm Optimization (SA-WSO), Flower Pollination Algorithm (FPA), Modified Jellyfish Search (MJS), GA, PSO, and GWO to reduce performance measures like Integral Square Error (ISE), Integral Absolute Error (IAE), and Integral Time Absolute Error (ITAE). The research indicates that the ANN-PID controller is better than traditional PID-based controllers (like GA-PID, PSO-PID, and GWO-PID) at reducing frequency changes in different situations with wind and solar power and varying load patterns. The weight optimization showed that GA-ANN performs better than other controllers because it produces fewer errors and handles disturbances more effectively. Both PSO-ANN and GWO-ANN show significant performance strength through their ability to decrease oscillation frequencies while delivering quick system stabilization. SA-WSO-ANN, MJS-ANN, and FPA-ANN demonstrate moderate enhancements compared to the standard ANN because of their ability to manage high errors with slower time responses. The proposed system undergoes real-time simulations using Digital Signal Processing and Control Engineering (dSPACE) and Real-Time Digital Simulator (RTDS) platforms to validate its implementation in real-time operational environments.

Item Type:	Thesis (Masters)
Subjects:	Systems Engineering Research Electrical
Department:	College of Engineering and Physics > Control and Instrumentation Engineering
Committee Advisor:	Shafiullah, Md
Committee Co-Advisor:	Abido, M.A.
Committee Members:	Al Dhaifallah, Mujahed
Depositing User:	GHALI AHMAD (g202214940)
Date Deposited:	27 May 2025 04:44
Last Modified:	27 May 2025 04:44
URI:	http://eprints.kfupm.edu.sa/id/eprint/143470