بخشی از مقاله
چکیده
در این مقاله برای تنظیم بهینه کنترل کننده PI برای طراحی کنترل کننده فرکانس بار - LFC - الگوریتم خفاش پیشنهاد شده است. مسئله طراحی LFC بر اساس تنظیم PI به عنوان یک مسئله بهینه سازی فرموله شده است که با توجه به دامنه زمان تابع اهداف که برای یافتن بهینه ترین نتایج توسط الگوریتم خفاش حل شده است. برای نشان دادن روش پیشنهادی، یک سیستم قدرت متصل دو بخشی به عنوان سیستم مورد آزمایش در نظر گرفته شده است.
برای تضمین قدرت کافی استراتژی پیشنهادی کنترل برای پایدارکردن نوسان فرکانس، فرآیند طراحی طیف گسترده ای از شرایط عملیاتی و سیستم غیرخطی را در نظر می گیرد. نتایج شبیه سازی برای تشخیص برتری الگوریتم خفاش در شبیه سازی ترمیم حرارتی - SA - در تنظیم پارامترهای کنترل کننده PI از طریق شاخص های متفاوتی داده شده است. ارزیابی نتایج نشان می دهد که الگوریتم پیشنهادی در مقایسه با SA عملکردی قوی و خوب برای محدوده گسترده پارامترهای سیستم و تغییرات باز دارد.
مقدمه
در سیستم های الکتریک قدرت با مقیاس بزرگ، با مناطق متصل به هم، کنترل فرکانس بار - LFC - نقش مهمی را بازی می کند. LFC برای نگهداری فرکانس سیستم هر منطقه تنظیم می شود تا قدرت اتصال خطوط بین منطقه ای برای مقابله با نوسانات تقاضای بار و اختلالات سیستم در حد قابل قبولی باشد
این توابع مهم به این دلیل به LFC منتقل شده اند که یک سیستم قدرت با طراحی مناسب باید ولتاژ و فرکانس را در یک محدوده برنامه ریزی شده نگه دارد، درحالیکه سطح قابل قبولی از کیفیت قدرت ارائه بدهند. 3]و.[4 در طول دهه های گذشته، چندین تحقیق و تکنیک در زمینه کنترل مقاومت LFC، [12-5]، روش قرار دادن قطب 13]و[14، کنترل ساختار متغیر [15]، و بازخورد حالت [16] به کار گرفته شده اند، و برای مقابله با مشکل طراحی LFC استفاده شده اند.
این استراتژی ها معایبی نیز دارد مانند کنترل کننده سطح بالا، مشکل و پیچیدگی غیر قابل اجرا برای پیاده سازی. به منظور غلبه بر این معایب ذکر شده، چندین تحقیق در روش های هوش مصنوعی - AI - به کار برده شده است مانند کنترل کننده منطقی فازی [23-17] - FLC - و شبکه عصبی مصنوعی .[27-24] - ANN - اگرچه این روش ها در مقابله با مشخصه های غیرخطی سیستم قدرت تأثیر گذارنداما نیازمند محاسبات گسترده ای می باشند. برای مثال، FLC باید با فازی سازی، قاعده حافظه مبنا، مکانیزم استنتاجی و عملیات تخریب پذیری مقابله کند. برای ANN ، حجم بسیار بزرگی از داده برای آموزش مورد نیاز است که منبع اصلی محدودیت هستند. واضح است که یک پردازنده کم هزینه را نمی توان در چنین سیستمی به کار برد.
یک روش جایگزین، به کاربردن روش های الگوریتم تکاملی - EA - است. به دلیل توانایی این روش در مدیریت توابع غیرخطی هدف،تصور می شود که EA برای مقابله با مشکل LFC خیلی تأثیر گذار باشد. از میان روش های EA، الگوریتم ژنتیک [33-28] - GA - ، بهینه سازی ذرات [38-34] - PSO - ، بهینه سازی کلنی مورچه ها [39] - ACO - ، تغذیه باکتری [44-40] - BF - و کلنی مصنوعی زنبورها [46-45] - ABC - در طراحی کنترل کننده LFC توجه بیشتری را به خود جذب کرده اند.
با این وجود که به نظر می رسد که این الگوریتم ها برای مشکلات طراحی تأثیر گذار باشند، در مرحله جستجوی اصلاح شده همگرایی آهسته ای دارند،در جستجوی محلی ضعفدارند و ممکن است منجر به توقف در راه حل های مینیمم محلی شوند. اخیراً، یک الگوریتم محاسباتی تکاملی، که الگوریتم خفاش نامیده می شود، ارائه شد [47]، که بعدها توسط [53-48] منتشر شد. این روش بسیار ساده و الگوریتم بهینه سازی مبتنی بر جمعیتی قوی می باشد. به علاوه، پارامترهای کنترلی کمتری نیاز دارد تا تنظیم شود. از این رو، ابزار بهینه سازی مناسبی برای طراحی کنترل کننده سیستم قدرت می باشد.
این مقاله الگوریتم خفاش را برای تنظیم بهینه کنترل کننده های PI ارائه کرده است. انگیزه اصلی این تحقیق آن بوده است که اطمینان و اثباتی مستحکم ایجاد نماید که کنترل کننده PI مبتنی بر خفاش عملکرد انحراف فرکانسی و قدرت اتصال خط در شرایط مختلف بارگیری در حضور عوامل غیر خطی سیستم را بهبود می بخشد.
سیستم قدرت دو منطقه ای
یک مدل دو منطقه ای از یک سیستم قدرت هیدروگرمایی که عوامل غیر خطی را شامل می شود در شکل 1 نشان داده شده است. منطقه 1 سیستم حرارتی باز گرم شدن است و منطقه دو سیستم آبی1 است .[39] ثابت زمانی سینه بخار که مربوط به دامنه فرآیند غیر گرمایش می باشد از 0/1 تا 0/5 ثانیه است. در حالیکه ثابت زمانی برای دامنه فرآیند گرمایش از 4 تا 10 ثانیه است. عوامل غیر خطی در محدوده رتبه بندی تولید - GRC - و تنظیم کننده باند مرده ارائه شده است. اولین آنها همانطور که از اسمش مشخص است، GRC است که نشان دهنده ی محدودیت های روی رتبه بندی تولید ناشی از محدودیت های گرمایی و حرکات مکانیکی است .[4] برای ایستگاه های گرمایی 0,1 pu مگاوات بر دقیقه می باشد.
شکل.1 بلوک دیاگرام سیستم دو بخشی
مقدار دهی اولیه جمعیت الگوریتم خفاش
فرکانس مثبت را تعریف کرده و رتبه بندی ها و میزان بلندی را صفر کنید.
ارزیابی مناسب برای هر موقعیت خفاش
ایجاد موقعیت مناسب با تنظیم فرکانس و به روز رسانی سرعت ها
اولین خفاش را در نظر بگیرید.
آیا یک عدد تصادفی بین 0 و 1، بزرگتر از میزان پالس تولید شده در این خفاش وجود دارد
راه حل مناسبی حول بهترین موقعیت ایجاد کنید
موقعیت موقت جدید را با راه حل جستجوی محلی جایگزین کنید
تناسب موقعبت موقت جدید این خفاش را اریابی کنید.
