Advanced hierarchical control based on extreme gradient boosting (XGBoost) algorithm for hybrid solar-diesel-battery standalone microgrid

Mohamed, Muamar (2024). Advanced hierarchical control based on extreme gradient boosting (XGBoost) algorithm for hybrid solar-diesel-battery standalone microgrid. Thèse de doctorat électronique, Montréal, École de technologie supérieure.

Prévisualisation

PDF Télécharger (10MB) | Prévisualisation

Résumé

Forecasting the stochastic behaviour of solar energy is crucial for designing a resilient microgrid. Typically, this capability is employed by the third level of hierarchical control to generate reference signals for the first and second control levels. However, the lack of inertia in the power grid, coupled with climate change dynamics and the increasing integration of renewable energy sources through power converter interfaces, adversely impacts existing high-precision methodologies. Accurate prediction of the stochastic properties of solar energy is essential for ensuring the stable operation of microgrids.

This thesis presents a methodology that utilizes multiple linear regression (MLR) and correlation matrices, in conjunction with an advanced AI-driven algorithm (eXtreme Gradient Boosting, XGBoost), to forecast the power output and reliability of renewable energy sources such as solar power. The output of this new algorithm serves as a reference signal for estimating the reference inverter current. The methodology was validated using historical data from operational solar power plants in Germany over three years. Additionally, the performance of this approach was benchmarked against other state-of-the-art neural networks, such as the long short-term memory (LSTM) model, using metrics like mean absolute error (MAE), root mean square error (RMSE), and coefficient of determination (CoD).

Furthermore, the prediction algorithm was applied to a PV-Diesel hybrid system operating independently of the grid. This system comprises a DC-DC step-down converter that maintains constant DC bus voltage, enabling an inverter to maintain a steady frequency at connection points. This operational setup ensures stability during dynamic fluctuations in energy production caused by rapid changes in solar irradiation or load variations. The efficacy of the virtual inertia control (VIC) developed for the off-grid PV-Diesel hybrid application was validated in real-time using MATLAB Simulink, and a scaled prototype of 2 kW was constructed in the laboratory. Additionally, a virtual inertia system was combined with droop control applied to the power inverter interface to enhance frequency deviation management in the off-grid PV-Diesel hybrid system. Ultimately, the research mitigates the adverse impacts on solar energy systems through the deployment of advanced forecasting techniques and the utilization of virtual inertia technology.

Titre traduit

Contrôle hiérarchique avancé basé sur l’algorithme eXtreme Gradient Boosting (XGBoost) pour micro-réseau autonome hybride solaire-batterie-diesel

Résumé traduit

La prévision de la nature stochastique de l’énergie solaire est un élément crucial dans la conception d’un microréseau stable. Habituellement, cette fonctionnalité est exploitée par le troisième niveau de contrôle hiérarchique pour générer des signaux de référence destinés au premier et au deuxième niveaux de ce dernier. Cependant, en raison de l’inertie nulle du réseau électrique, les phénomènes de changement climatique et la pénétration croissante des sources d’énergie renouvelables via les interfaces des convertisseurs de puissance ont un impact négatif sur les méthodes de haute précision existantes. Pour garantir un fonctionnement stable des microréseaux, prédire la nature stochastique de l’énergie solaire est donc essentiel. Dans cette thèse, nous développons une méthode utilisant la régression linéaire multiple (MLR) et la matrice de corrélation, combinée à un algorithme de pointe basé sur l’IA (eXtreme Gradient Boost (XGBoost)), pour prédire la puissance et la puissance générée à partir des sources d’énergie renouvelables telles que l’énergie solaire et la puissance consomée par les charges. Le signal obtenu par ce nouvel algorithme est utilisé comme signal de référence pour estimer le courant d’inventaire de référence. Nous avons testé cette approche sur des données historiques provenant de sites réels de centrales solaires en Allemagne sur une période de trois ans. En outre, nous comparons les performances de notre technique, en utilisant des matrices de performance telles que l’erreur quadratique moyenne (MAE) et l’erreur quadratique moyenne (RMSE), ainsi que le coefficient de détermination (CoD), avec d’autres réseaux de neurones plus récents, tels que le modèle de mémoire à long terme et court terme (LSTM), sur les mêmes données. Nous appliquons ensuite cet algorithme de prédiction à un système hybride PV-Diesel non connecté au réseau électrique. Cette configuration comprend un convertisseur abaisseur DC-DC pour la régulation de tension du bus DC constante, permettant à travers un onduleur de maintenir la fréquence constante aux points de raccordement. Cette opération garantit un fonctionnement stable lors de changements dynamiques de production d’énergie dus à des changements rapides d’irradiation solaire ou à des changements de charges. Nous validons les performances du contrôle d’inertie virtuel (VIC) développé pour l’application hybride PV-Diesel non connectée au réseau électrique en temps réel, à l’aide de MATLAB Simulink, et nous développons un prototype de modèle réduit de 2kW de puissance au laboratoire. De plus, nous utilisons une combinaison d’un système d’inertie virtuelle avec un contrôle de statisme appliqué à l’onduleur de puissance d’interface pour améliorer la fréquence de déviation dans le système hybride PV-Diesel non connecté au réseau électrique. Enfin, cette recherche a permis de limiter l’impact négatif sur le système d’énergie solaire grâce à une méthode de prévision avancée et à l’utilisation d’une technique d’inertie virtuelle.

Type de document:	Mémoire ou thèse (Thèse de doctorat électronique)
Renseignements supplémentaires:	"Thesis presented to École de technologie supérieure in partial fulfillment for the degree of doctor of philosophy". Comprend des références bibliographiques (pages 181-198).
Mots-clés libres:	intelligence artificielle, algorithme XGBoost, inertie virtuelle, fréquence du système électrique stabilité, micro-réseau, contrôle hiérarchique, photovoltaic, batteries, diesel generateur
Directeur de mémoire/thèse:	Directeur de mémoire/thèse Chandra, Ambrish
Codirecteur:	Codirecteur Rezkallah, Miloud
Programme:	Doctorat en génie > Génie
Date de dépôt:	16 déc. 2024 20:20
Dernière modification:	16 déc. 2024 20:20
URI:	https://espace.etsmtl.ca/id/eprint/3507

Gestion Actions (Identification requise)

Dernière vérification avant le dépôt