بخشی از مقاله
*** این فایل شامل تعدادی فرمول می باشد و در سایت قابل نمایش نیست ***
طراحی کنترلکننده فرکانس نیروگاه برقآبی میکرو
براي پروژه ناو در استان گیلان توسط شبکههاي عصبی تطبیقی
واژههاي کلیدي: شبکه عصبی، نیروگاه برقآبی میکرو، آموزش On-Line، کنترل تطبیقی غیرمستقیم
چکیده
در این مقاله مدل سیگنال کوچک نیروگاه برقآبی پـروژه نـاو در استان گیلان کـه در مقیـاس میکـرو (micro) مـیباشـد و بصورت ایزوله از شبکه برق کشور کار مـیکنـد، ارائـه شـده
است. سپس کنترلکننده فرکانس نیروگاه بـرقآبـی مـذکور بـا استفاده از شبکههاي عصبی و به صورت تطبیقـی غیرمسـتقیم
طراحی میگردد. طرح کنترلی پیشنهادي از دو شبکههايبا نام شبکه کنترلکننده (Neuro-Controller) و شبکه شناساییکننده
(Neuro-Identifier) تشکیل شده است. شبکه کنترلکننـده بـهمنظور تولید سیگنالهاي کنترل موردنیاز براي گاورنر و شـبکه
شناساییکننده به منظور مدلسازي دینامیک نیروگاه بـرقآبـیمیکرو و تطبیق دادن پارامترهاي شبکه کنترلکننده با تغییـرات
سیستم بکار گرفته شدهانـد. روش ارائـه شـده در ایـن مقالـه داراي مشخصاتی از قبیل ساختار ساده، تطبیقی بودن و پاسـخ
سریع میباشد.
-1 مقدمه
در دنیاي امروز انرژي الکتریکی بسیار با اهمیـت مـیباشـند و حضور آن نقـش بسـیار مهمـی در ترقـی و پیشـرفت جوامـع مختلف دارد .[3-1] فاصله بین عرضه و تقاضاي ایـن انـرژي روز به روز در حـال افـزایش مـیباشـد، بطوریکـه در غالـب اوقات تامین توان موردنیاز مصرفکنندگان بزرگ امکـانپـذیر نمیباشد. از سوي دیگر با درنظر گرفتن آلودگیهاي ناشـی از کاربرد سوختهاي فسیلی به عنوان منبع تـامینکننـده انـرژي نیروگاهها، نیاز به استفاده از منابع انرژي پاك و نـو کـه داراي پتانسیل بالقوه بسیاري میباشند، امري ضروري مـیباشـددر.
ضمن بسیاري از مصرفکنندگان انرژي الکتریکی یا در مناطق دور افتاده از قبیل روستاها قرار دارند و یا نحوه استفاده آنها از تــوان الکتریکــی بصــورت نــامنظم و در ســاعات خــاص و محدودي از شبانهروز میباشد. در این گونه موارد بـا اسـتفاده از تولید انرژي الکتریکی بصورت محلی، میتوان وابستگی بـه سوختهاي فسیلی و نیاز به شبکه برق سراسـري را برطـرف نمود.
نیروگاههاي برقآبی را براساس نوع ذخیره آب میتوان به سـه زیاد خواهد بود و این موضوع، کنترل توربینها را بـا مشـکل
ذخیـرهدسته 1ـ نیروگاههـاي تلمبـهاي2ــ نیروگـاههـاي اي- مواجه میکند.
ذخیرهجریانیاي 3ـ نیروگاههاي Run of River)بندي)تقسیم در مقالات متعدد، براي ابقاء فرکانس نیروگاه برقآبـی میکـرو
کرد. نیروگاههاي جریانیمعمولاً در مقیاسهاي میلی و میکرو در محدوده قابل قبول، کنترلکنندههاي مختلفی مورد اسـتفاده
ساخته میشوندمقیاسالبته. این نیروگاهها در هاي بزرگتر نیـز قرار گرفتـهانـد 5] و.[7 یـک دسـته از ایـن کنتـرلکننـدههـا،
وجود دارند که از آن جمله میتوان به نیروگـاه لـوارك اشـارهمی شبکههاي عصبی باشند 8] و.[9 کنترلکننـده PI نیـز بـراي
نی کرد. مهمترین مزیت روگاههاي جریانی این است که نیـازي پیادهسازي استراتژي کنترلی موردنظر مورد استفاده قرار گرفته
به ذخیره آب ندارند؛ در نتیجـه نیـاز بـه احـداث سـد از بـین است که هماکنون نیز بصـورت گسـترده در صـنعت اسـتفاده
میرود و بدین ترتیب هزینه و کار ساختمانی نیروگاه به مقدار میشود.
قابل توجهی کاهشیابد می .[4] از آنجائیکه سیستم مـوردنظر فـوقالعـاده غیـرخطـی بـوده و
انرژي موجود در آب جاري رودخانههاي کوچک را میتـوان پارامترهاي آن متغیر با زمان میباشند، لذا طراحی کنترلکننـده
از طریقم نیروگاه برقآبـی مقیـاس یکـرو استحصـال و مـورد بر اساس مدل خطی شده و حول نقطـه کـار خاصـی، تحـت
استفاده قرار داد. لذا این منبع انـرژي پـاك، مـیتوانـد نقشـی شرایط مختلف کار سیستم، عملکرد مناسبی را بدنبال نخواهد
حیاتی در تامین انرژي الکتریکی مناطق روسـتایی و توسـعه و داشت. بـا توجـه بـه پیچیـدگی سیسـتم مـوردنظر در عمـل،
پیشرفت این منـاطق در کشـورهاي مختلـف از جملـه کشـور تکنیکهاي کنترلی مورد استفاده بـراي آن بایـد داراي قابلیـت
ایران داشته باشد .[3] بالا و در عین حال زمان محاسبات پـائین باشـد تـا در ایجـاد
نیروگاههاي برقآبی میکـرو بـه عنـوان یکـی از منـابع انـرژي پایداري سیستم در رنج وسیعی از نقاط کار، مؤثر باشد.
تجدیدپذیر مطرح میباشند و مشـکلاتی را کـه نیروگـاههـاي از آنجائیکه شبکههاي عصبی داراي مزایایی همچـون سـرعت
برقآبی بزرگ با آنها دست و پنجـه نـرم مـیکننـد؛ در رونـد محاسبات بالا، توانایی یادگیري و پیادهسازي آسان مـیباشـند؛
عملکرد این نیروگاهها کمتر به چشم میخورند. امـا از طـرف لذا از آنها در شناسایی و کنترل سیستمهاي غیرخطـی اسـتفاده
دیگر این نیروگاهها به سیستمهاي کنترلی نیاز دارند تا در برابر شود می 10]و.[11
تغییرات بسیار زیاد و سریع منابع تامینکننده انرژي اولیهشـان در این مقاله، مبحث ثابت نگه داشتن فرکـانس تـوان تولیـدي
میکه همانا رودخانههاي کوچک باشند، پایدار بـاقی مانـده و توسط نیروگاه برقآبی میکرو در محدوده عملکرد قابل قبـول
توان ثابتی را تولید و ارائه نمایند .[5] توان تولیدي این دسـته مورد بررسی قرار میگیرد و براي حذف عدم تطابق تولیـد بـا
از نیروگاههاي برقآبیعموماً کمتر از 100 کیلووات میباشد. تغییرات بار، کنترلکننده تطبیقـی توسـط شـبکههـاي عصـبی
بعلاوه نیروگاههاي برقآبی میکرو داراي پتانسیل بسیار بـزرگ پیادهسازي میگردد.
و استفاده نشدهاي در بسیاري از نقاط جهان بخصوص کشـور در این مقاله، جهت پیادهسـازي سیسـتم کنتـرل فرکـانس، دو
می ایران میباشند و توانند مشـارکت مهمـی در تـامین انـرژي شبکه با نامهـاي شـبکه کنتـرلکننـده Neuro-Controller)و)
مورد نیـاز کشـور در آینـده داشـته باشـند .[6] مبحـث ابقـاء شبکه شناساییکننده (Neuro-Identifier) مورد اسـتفاده قـرار
پارامترهاي حیاتی سیستم از قبیل ولتاژ و فرکانس در محدوده گرفتهاند. شبکه کنترلکننده به منظور تولید سیگنالهاي کنتـرل
قابل قبول، امري ضروري بـراي عملکـرد صـحیح و مـوثر آن اضافی براي سیستم تحریک و شبکه شناساییکننده به منظـور
میباشد. یکی از مشکلات طراحی این نیروگاهها، کنتـرل بـار مدلسازي دینامیک سیستم قدرت و تطبیـق دادن پارامترهـاي
است؛ چرا که با توجه به تعداد کم مصرفکننده، نوسانات بـار شبکه کنترلکننده با تغییرات سیستم موردنظر بکار گرفته شده است.
2
مدل سیگنال کوچک نیروگاه برقآبی میکرو براي پروژه ناو دراســتان گــیلان در بخــش 2 توصــیفطراحشـدهــی اســت.
کنترلکننده شبکه عصبی تطبیقی غیرمستقیم در بخش 3 مطرح شده است. روند آموزش شـبکههـاي عصـبی کنتـرلکننـده و
شناساییکننده در بخش 4 و نتایج شبیهسازي در بخش 5 ارائه شده است.
-2 مدل نیروگاه برقآبی میکرو پروژه ناو
یکی از این نیروگاههاي برقآبی مقیاس میکرو در کشور ایـران که به بهرهبرداري رسیده است، نیروگاه پـروژه نـاو در اسـتان گیلان میباشد. این نیروگـاه در 40 کیلـومتري جنـوب غربـی تالش قرار دارد و اصلیترین هدف ساخت این نیروگاه، تامین برق روستاهاي دور افتاده از شبکه سراسري برق مینوعباشد.
بند، انحرافی بوده و کانال انتقال آب آن از نوع بلوك سـیمانی به طول 450 متر میباشد. حوضچه تعادل نیروگاه با حجم 25 مترمکعب بتنی بوده و پنستاك آن از جنس فولاد و به طول 81 متر و قطر 0/4 متر میباشد. نوع نیروگاه جریـانی روزمینـی و
توربین آن پمپ معکوسباشد می .[12]
مدل دینامیکی نیروگاه برقآبی میکرو پیشنهادي در شـکل (1) نشان داده شده است؛ این مدل براساس مدل موجود در مرجع
[5] ارائه شده است.
در این مدلسازي براي سیستم گاورنر نیروگاه، یک سروموتور پیشنهاد شده است که تابع تبدیل تقریبی آن عبارت است از:
کـه در آن T2 ثابـت الکتریکـی و T3 ثابـت مکـانیکی موتــور میباشند. معادلات موجـود بـراي سیسـتم گـاورنر پیشـنهادي
بصورت زیر بازنویسی میشوند:
کــه در ایــن روابــط X E 2 و X E3 متغیرهــاي حالــت سـروموتور، f تغییـرات فرکـانس، R ثابـت رگولاسـیون و
X E1 سیگنال کنترل میباشند. معادلات دیفرانسـیل موجـود براي بخش هیدرولیک نیروگـاه کـه خروجـی آن تغییـر تـوان
هیدرولیکی تولیدي توسط آب میباشد، عبارت است از:
که در آن Pg توان تولیدي توسط بخش هیدرولیک و TW زمان
نامی آغاز آب در پنستاك میباشد کـه از رابطـه زیـر محاسـبه میگردد:
که در این رابطه l طول پنستاك، v سرعت آب در پنسـتاك، h معادلات دیفرانسیل ارائـه شـده در بـالا را مـیتـوان بـه فـرم معادلات حالت زیر تبدیل کرد:
کـه در آن X، u و p بـه ترتیـب بردارهــاي حالـت، ورودي و اغتشاش میباشند و A، B و Г به ترتیب ماتریسهایی با ابعاد مناسب آنها میباشند. معادلات حالت بصورت زیر بازنویسـی میشوند: هد یا ارتفاع آب و g ثابت گرانش زمین میباشند.
تابع تبـدیل موجود براي سیستم قدرت نیروگاه عبارت است از: که در آن PL تغییر بار، KP ثابت گین سیسـتم قـدرت و TP ثابت زمانی سیستم قدرت میباشند.
در بخش بعدي با استفاده از مدل ارائـه شـده در ایـن بخـش، انجام میگیرد. خط چینهـاي نشـان داده شـده در شـکل (2)
کنترلکننده تطبیقی عصبی طراحی شده و بـا کنتـرلکننـده PI مسیرهاي پـس انتشـار خطـا جهـت تنظـیم وزن شـبکههـاي
مقایسه میگردد. در ضمن پارامترهاي نیروگاه برقآبی میکـروکنترل شناساییکننده و کننده را نشان میدهـد. جزئیـات رونـد
پروژه ناو در استان گیلان که در مقاله مورد بررسی قرار گرفته آموزش شبکههاي عصبی در بخش 4 مطرح میشود.
است در ضمیمه 1 ارائه شده است. از آنجایی که هر دو روند تنظیم وزنها در یک شکل نشان
داده شده است، لازم است تا زمانبندي موجود در شکل
-3 طراحی کنترلکننده عصبی تطبیقی 2)کاملاً) شفاف گردد.
طراحی کنترلکننده شبکه عصبی تطبیقی شامل دو شبکه مجزا هر دو سیگنال u(k) و ( f (k در زمان k نمونـه بـرداري
میگردد که یکی شبکه شناساییکننـده Neuro-Identifier)و) شدهاند، اما f (k ) پاسخ سیستم به سـیگنال ورودي u(k)
دیگري شـبکه کنتـرلکننـده (Neuro-Controller) مـیباشـد. نمیباشد؛ بلکه با توجه به تـاخیر زمـانی موجـود در سـاختار
ساختار آموزش و تنظیم وزنهاي دو شبکه شناسـاییکننـده و سیستم قدرت، اثر سـیگنال ورودي u(k) در نمونـه بـرداري
شکل کنترلکننده در (2) نشان داده شده است. بعــدي کــه از خروجــی سیســتمیعنــیبــه عمــل مــیآیــد،
تنظیم وزنهاي هر دو شبکه به صورت سري (ابتـدا وزنهـاي f (k 1) مشاهده میگردد.
شبکه شناساییکننده و سـپس وزنهـاي شـبکه کنتـرلکننـده)
ر ادامه این بخش ورودي خروجیهاي موردنیاز براي عملکرد On-Line شبکههاي شناساییکننده و کنترلکننده مورد بحث و
بررسی قرار میگیرد.
-1-3 شبکه شناساییکننده (Neuro-Identifier)
خروجی شبکه شناساییکننده در لحظه (k+1) که با ˆy(k 1) نشان داده شده است، به مقادیر خروجیهاي n لحظـه قبـل و وروديهاي m لحظه قبل بستگی دارد؛ به عبارت دیگر رابطـه (9) را براي خروجیهاي شبکه شناساییکننده خواهیم داشت:
که در آن، y(k) و u(k) به ترتیب خروجی و ورودي سیستم تحت کنترل را در لحظه k نشان میدهد.
براي این سیستم مشخص ـ نیروگاه برقآبی میکـرو ـ y ، uو y بــه ترتیــب تغییــرات فرکــانسخروجــی بــار ( f )، کنترلکننده عصبی ( ( u و خروجی شبکه شناسـاییکننـده کـه براي تخمین خروجی سیستم موردنظر ( ( fˆ میباشند.
در رابطه (9)، هـر دو پـارامتر n و m برابـر مقـدار 3 در نظـرگرفته شدهاند. یک دلیل استفاده از مقادیر 3 لحظه قبل آنسـت که تقریب مرتبه تقریباً3 بـراي مطالعـه پایـداري گـذراي هـرسیستمی کافی میباشد. دلیل دیگري که میتوان براي اسـتفاده از مقادیر 3 لحظه قبل عنوان کرد این است که تاخیرات زمانیبیشتر باعث افزایش حجم محاسبات میگردد.
شبکه عصبی شناساییکننده، یک لایهشبکه 3 Feed Forward
اســت کــه توســط الگــوریتم پــس انتشــار خطــا ( Back
(Propagation آمـوزش داده مـیشـود. تعـداد نرونهـاي لایـهورودي، مخفــی و خروجــی بــه ترتیــب برابــر،10 6 و 1 میباشند.
-2-3 شبکه کنترلکننده (Neuro-Controller)
شبکه کنترلکننده نیز یک لایهشبکه Feed Forward 3 اسـتکه توسط الگوریتم پس انتشـار خطـا آمـوزش داده مـیشـود.
تعداد نرونهاي لایه ورودي، مخفی و خروجی به ترتیب برابـر3 ، 6 و 1 میباشند. وروديهاي شبکه کنتـرلکننـده تغییـرات
سرعت و مقادیر دو لحظه قبل و خروجی آن سـیگنال کنتـرل u میباشد.
-4 روند آموزش شبکهها
آموزش شبکههاي عصبی شناساییکننده و کنتـرلکننـده در دوفاز مجزا انجام میگیرد. بدین صورت که ابتدا آمـوزش اولیـه
هر یک از شبکهها با سیگنال تصـادفی PRBS بصـورت تکـی انجام میگیرد و سپس در فـاز دوم سـیگنال تصـادفی PRBS
حذف شده و در هر بازه نمونهبرداري وزن شبکهها یکی پـس از دیگري تنظیم میگردند.
-1-4 فاز آموزش اولیه
در این مرحله، سیگنال تصادفی PRBS در حالتی کـه سیسـتمدر حالت ماندگار خود قرار دارد، به سیستم اعمال مـیگـردد.
سیسگنال PRBS باید بگونهاي باشد که تمام دینامیک سیسـتمرا تحریک کند. مقادیر سیگنال تصادفی PRBS ، بـین -0/1 و +0/1 قــرار دارد و بــراي مــدت زمــان 10 ثانیــه بــا نــرخنمونهبرداري 0/001 ثانیه 1) میلی ثانیه) بـه سیسـتم مـوردنظراعمال میگردد.
-1-1-4 آموزش شبکه شناساییکننده((Neuro-Identifier
ساختار آموزش شبکه شناساییکننده طی فاز اولیه آموزش، در شکل (3) نشان داده شده است. در این مرحله، آموزش اولیـه انجــام شــبکه شناســاییکننــده مــیگیــرد. در همــین راســتاوروديهاي شبکه شناساییکننـده عبارتنـد از:
و خروجی سیستم عبارت است از در این مرحله، خروجی مطلوب براي شـبکه شناسـاییکننـده،
f ( k ) بوده و تابع هزینه موردنیاز بـراي آمـوزش شـبکه
عصبی مطابق رابطه (10) تعریف میگردد:
در شکل (4)، روند آموزش شبکه شناسـاییکننـده نشـان داده شـده اسـت. شـکل (4) نشـان مـیدهـد کـه شـبکه عصـبی شناساییکننده بعد از مدت زمان کوتاهی که از رونـد آمـوزش
میگذرد، بخوبی سیستم قدرت را تخمین میزند. خطاي بـین
به مقدار کاهش مییابد
