بخشی از مقاله
خلاصه
در این مقاله، یک تثبیت کننده سیستم قدرت - FPSS - مبتنی بر منطق فازی به وسیله تنظیم ضرائب مقیاسبندی ورودی و خروجی آن طراحی شده است. دو سیگنال ورودی به FPSS تغییر سرعت و تغییر در توان در نظر گرفته شده است و سیگنال خروجی سیگنال ولتاژ اصلاحی در نظر گرفته شده است. ضرائب نرمال این سیگنالها مسئله بهینهسازی با به حداقل رساندن انتگرال مربعات خطا در سیستمهای قدرت یک ماشین و چند ماشینه در نظر گرفته شدهاند. این ضرائب بطور بهینه با الگوریتم خفاش - BA - تعیین شدهاند و به عنوان ضرائب مقیاسبندی FPSS در نظر گرفته شدهاند.
عملکرد سیستم قدرت با چنین طراحی FPSS مبتنی بر - BA-FPSS - BA با پاسخ FPSSهایی مقایسه شده است که با الگوریتم جستجوی هارمونی - HSA-FPSS - و بهینهسازی اجتماع ذرات - PSO-FPSS - طراحی شدهاند. سیستم در نظر گرفته شده برای ارزیابی عملکرد .BA-FPSS، سیستمهای قدرت تک ماشین با شین بینهایت ، و 10 ماشیه -39باس IEEE هستند. مقایسه از لحاظ انتگرال خطای مطلق وزن داده شده زمانی - ITAE - ، انتگرال قدر مطلق خطا - IAE - و انتگرال مربعات خطا - ISE - پاسخ سرعت برای سیستمهای با FPSS، HSA-FPSS و BA-FPSS انجام شده است. عملکرد برتر سیستمهای با BA-FPSS با توجه هشت شرایط نیروگاه هر یک از سیستمها که نشان دهنده طیف گسترده ای از شرایط عملیاتی است، اثبات شده است.
کلمات کلیدی: الگوریتم خفاش - - BA ، کنترل منطقی فازی - FLC - ، تثبیت سیستم قدرت بر پایه منطق فازی - - FPSS ، الگوریتم جستجوی هارمونی - - HSA ، مقیاس گذاری فاکتور ورودی و خروجی ، بهینه سازی اجتماع ذرات - - PSO ، تثبیت سیستم قدرت - - PSS
-1 مقدمه
سیستم های قدرت الکتریکی مدرن - EPSs - پیچیده، به هم پیوسته و حساس به نوسانات فرکانس پایین - LFOs - در محدوده فرکانس 0,2 هرتز 3,0 هرتز است، تثبیت کننده های سیستم قدرت - PSSs - عموما برای میرا کردن این .LFOs استفاده شده است. تغییرات در شرایط بارگذاری، شرایط عملیاتی و برخی اختلالات علل اصلی برای افزایش LFOs در EPSs هستند. تثبیت کننده سیستم قدرت متعارف - CPSSs - متشکل از شبکه های پیشفاز-پسفاز، به دلیل ساختار ساده ونصب و راه اندازی آسان، به طور کلی از PSS برای میرایی این نوسانات استفاده میکند. طراحی CPSS بر اساس تئوری کنترل خطی است و شامل مدل دینامیکی خطی با شرایط خاص عملکرد EPS است.
با تغییر شرایط عملیاتی، این کنترل کننده باعث کاهش کارآیی میشود و گاهی قادر نیست که در یک درجه بالاتر شرایط بارگذاری، پایداری EPS را حفظ کند 2]،.[1 طیف گسترده ای از شرایط عملیاتی برای EPS واقعی برای محققان انگیزهای برای توسعه روش های مختلف در طراحی و اعمال بهبود در PSS شده است و این امر منجر به استفاده از کنترل تطبیقی و قوی برای طراحی PSS شده است. ایده اصلی در پشت روش تطبیقی برآورد مدل دینامیک با عدم قطعیت راکد در سیستم آنلاین بر اساس سیگنالهای اندازه گیری است. برآورد نادرست از حالات و عدم اطمینان ممکن است به طراحی PSS با کاهش کارآیی منجر شود.
در ارزیابی پایداری گذرا آنلاین، برخی از احتمالات انتخاب شده نیاز ارزابی به قبل از وقوع خطا یا اختلال در سیستم با همان سرعت خطا یا اختلال دارند. بنابراین، زمان محاسباتی بسیار حیاتی است. روش بهینه سازی H برای طراحی قوی PSS استفاده شده است، اما مرتبه PSS را به اندازهای بالا میبرد که پیچیدگی سیستم را افزایش می دهد و قابلیت اجرای آن را کاهش می دهد .[3]در فاز اولیه بهینه سازی، پارامترهای CPSS با استفاده از روش بهینه سازی گرادیان تنظیم شده است. این کار نیاز به محاسبه حساسیت و بردارهای ویژه در تکرار پایان دارد که بار محاسباتی سنگین و نرخ همگرایی آهسته را نتیجه میدهد. تکنیک های بهینه سازی فراابتکاری برای تنظیم کردن پارامترهای CPSS و PSS مبتنی بر مشتقگیر-انتگرالگیر-تناسبی - PID - به کار گرفته شده است.
در این میان الگوریتم جستجوی ممنوع [1]، واقعی کدگذاری الگوریتم ژنتیک - RCBA - ، الگوریتم ژنتیک [2]، بهینه سازی ازدحام ذرات - PSO - و الگوریتم ژنتیک مادر [4]، الگوریتم جستجوگری باکتری [3]، شبیه سازی بازپخت [3]، دیفرانسیل تکامل [1] و الگوریتم های تکاملی پارتو [4] با موفقیت برای تنظیم کردن پارامترهای CPSS استفاده شده است. با این حال، الگوریتمهای شبیه سازی بازپخت و ژنتیکی و تمایل به بازبینی حلهای زیر بهینه دارند و در نتیجه طراحی CPSS ممکن است عملکرد نامناسبی را داشته باشد. این تکنیک های بهینه سازی با تابع هدف epistatic، زابطه مسائل چندگانه و با تعداد متغیرهای بیشتر شکست میخورند .[5]
برای کاهش این محدودیت ها، مدلهای طراحی PSS مبتنی بر هوش مصنوعی، مانند شبکه های عصبی مصنوعی [10] - ANNs - ، منطق فازی [5-6]، فازی تطبیقی [7]، عصبی-فازی 6]،[7، و فاصله نوع 8] 2،[9، در منابع گزارش شده است. در مورد شبکه های عصبی مصنوعی، الگوریتم گرادیان برای یاد گیری پارامترهایش با استفاده از پارامترها ورودی / خروجی [9] یا داده های آنلاین از نقاط کار مختلف در یک شبکه قدرت استفاده شده است.کنترل کننده های فازی - FLCs - می توانند از آنهایی که به طور طبیعی عدم قطعیت را در رفتار خود دارند برآید. آنها به مدل ریاضی روند کنترل نیاز ندارد. این که سفتی و استحکام به عنوان ویژگی های عمیق و جالب خود را در مقایسه با روش های دیگر.
منطق فازی درستی طراحی شده بر اساس PSS کار شبیه به PD یا PSS PID بر اساس .[10] توسعه یک هم ارزی بین عامل پوسته پوسته شدن از ضرایب کنترل کننده PID کنترل و خطی فازی در [10] گزارش شده است. در مقایسه با روش های دیگر، این روش از استحکام و مقاوم بودن به عنوان ویژگیهای عمیق و جالبش برخوردار است. PSS مبتنی بر منطق فازی به درستی طراحی شده شبیه به PSS مبتنی بر PD یا PID کار میکند .[11] توسعه هم ارزی بین ضرائب مقیاسبندی یک کنترل کننده فازی و ضرایب کنترل خطی PID در [12] گزارش شده است. انتخاب ضرائب مقیاسبندی، تابع عضویت مناسب، تعداد متغیرهای زبانی و جدول قوانین مربوطه، الزامات اصلی در طراحی PSS مبتنی برFLC هستند.
جزئیات در متغیرهای زبانی و انتخاب تابع عضویت را به خوبی در [12] گزارش شده است. بر اساس یک رویکرد سازمان یافته، یک جدول قوانین استاندارد در [13] ارائه شده است. بهینه سازی ضرائب مقیاسبندی با استفاده از بهینه سازی ازدحام ذرات در [5] گزارش شده است. الگوریتم جستجوی هارمونی - HSA - توسط Geem و همکاران در سال [13] 2001 ارائه شده است، و توسط فرایند بداههسازی استفاده شده توسط نوازندگان برای رسیدن به هماهنگی الهام گرفته است. الگوریتم HS یک الگوریتم بهینه سازی فرا ابتکاری است که شبیه به [14] PSO و [14] BA است. این روش به طور گسترده در زمینه های بهینه سازی مهندسی در [15] اجرا شده است.
این یک جایگزین برای دیگر الگوریتم های اکتشافی مانند [14] PSO و شبیه سازی بازپخت [7] - SA - شد. این روش رایگان، بهینه سازی فرا ابتکاری است، از روش بداهه نوازی هارمونی جدید نوازندگان - که از آزمون و خطا استفاده نمیکنند - الهام میگیرد، و از تکنیک سطح بالاتر برای حل مسائل به طور موثر [2] استفاده میکند. در زمینه بهینه سازی، بسیاری از الگوریتم های شناور با خواص منحصر به فرد هستند. برخی برای یک نرم افزار شدن مفید است، در حالی که سایرین تا این اندازه نیستند. الگوریتم خفاش توسط یانگ - 2010 - * به عنوان فرا ابتکاری در طبیعت [15] گزارش شده است.
این روش بر اساس رفتار مبتنی بر انعکاس صدا میکرو خفاش ها است. این روش با توجه به تابع معیار تاسیس شد که رفتار برتر از PSO و BA است. همچنین گزارش شده است که استفاده از BA و PSO برای مسائل چند مدلی نامناسب است. فرکانس تنظیم و زوم اتوماتیک از ویژگی های اصلی الگوریتم خفاش هستند. فرکانس تنظیم و زوم اتوماتیک از ویژگی های اصلی الگوریتم خفاش هستند. بهینه سازی ازدحام ذرات - PSO - و الگوریتم کرم شب تاب - FA - کتاب کد کارآمد تولید کردند، اما زمانی که به ترتیب در همگرایی سرعت ذرات بالا و عدم دسترسی به کرم شب تاب روشن تر در فضای جستجو دستخوش بی ثباتی میشوند.
استفاده از الگوریتم خفاش - BA - بر حل اولیه - LBG - LindeBuzoGray در ارائه شده است. این کتاب کد کارآمد با زمان محاسباتی کمتر تولید میکند و به دلیل ویژگی زوم خودکارش با استفاده از نرخ انتشار پالس و بلندی صدا قابل تنظیم خفاش نتیجه میدهد. مسئله طراحی کنترل کننده به عنوان یک بهینه سازی با استفاده از الگوریتم های بهینه سازی الهام گرفته از طبیعت مانند ازدحام ذرات، جستجو فاخته، و الگوریتم خفاش در نظر گرفته شده است. یک کنترل کننده PID فازی بهینه سازی شده الگوریتم کرم شب تاب - FA - برای کنترل تولید خودکار - AGC - سیستم قدرت چندناحیه چندمنبع در [17] ارائه شده است.
در [5]، ضرائب مقیاسبندی با دو ورودی و یک خروجی برای سیستم قدرت تک ماشین باس بی نهایت - SMIB - و دو منطقه 4 ماشین -10باس توسط PSO بهینه شده است. این ضرائب مقیاسبندی - ورودی و خروجی - را با استفاده از الگوریتم جستجوی هارمونی بهینه سازی شده است .[2] عملکرد HSA-FPSS با PSP-FPS مورد مقایسه قرار گرفت و برای هر دو سیستم قدرت بهتر بود. در این مقاله، الگوریتم خفاش - BA - برای بهینه سازی ضرائب مقیاس-بندی FPSSs برای سیستم های قدرت SMIB، -4ماشین و 10 ماشین 39 باس نیوانگلند IEEE استفاده شده است. عملکرد BA-FPSS پیشنهادی با PSO-FPSS و [2] HSAFPSS برای سیستم های سه قدرت مقایسه شده است.
ارزیابی عملکرد به لحاظ ITAE، ISE و ISE در هر مورد کنترل کننده و سیستم قدرت مورد مطالعه انجام شده است.سازماندهی این مقاله به این صورت است. فرمول بندی مسئله با معرفی سیستم های قدرت آزمون، و یک تابع هدف مورد استفاده برای بهینه سازی ضرائب مقیاسبندی در بخش 2,2 در نظر گرفته شده است. الگوریتم خفاش مورد استفاده برای تعیین تنظیم بهینه ضرائب مقیاسبندی ورودی و خروجی که در بخش 3 ذکر شده است. بهینه سازی ضرائب مقیاسبندی
