بخشی از مقاله
چکیده
برای میرا ساختن نوسانات در سیستم قدرت، یک کنترلکنندهی هوشمند جدید پیشنهاد میشود. این کنترلکننده یک کنترل-کنندهی شبکه عصبی موجک آموزشدیده به صورت آنلاین است - OTWNNC - که در آن نرخ یادگیری تطبیقی حاصل از پایداری لیاپانوف برای تضمین همگرایی کنترلکنندهی پیشنهادی مورد استفاده قرار میگیرد.
طی روند کنترل آنلاین، به دلیل توانایی یادگیری کنترلکنندهی پیشنهادی، شناسایی سیستم، نیاز نیست، یکی از ویژگیهای کنترلکنندهی پیشنهادی، مقاومت آن در برابر اختلالات و شرایط عملیاتی مختلف است. سیستم قدرت تست یک سیستم قدرت چهار ماشینهی دو ناحیهای است. نتایج شبیهسازی نشان میدهد که با استفاده از OTWNNC نوسانات به طور رضایتبخشی میرا می-شوند.
-1 مقدمه
این پایدارسازهای سیستم قدرت به عنوان ابزارهای کارآمدی در تثبیت سیستمهای قدرت مورد استفاده قرار میگیرند. آنها می-توانند میرایی مثبت سیستم را ارتقا دهند، حاشیهی پایداری حالت ماندگار را بهبود بخشند، و نوسانات فرکانس پایین - LFO - سیستمهای قدرت را میرا سازند. بطور کلی، PSS ها را میتوان به دو گروه تقسیمبنید نمود. دستهی نخست شامل PSS های دارای پارامترهای ثابت هستند. در این گروه، کنترلکنندههایی همچون [1] PID و جبرانسازهای پیشفاز / پسفاز 6]؛[2 به عنوان PSS استفاده میشوند.
برای طراحی این نوع PSS ها، الگوریتمهای بهینهسازی همچون [2] PSO، الگوریتم ژنتیک [3]، الگوریتم آشوب [4]، تبرید شبیهسازیشده [5]، الگوریتم بهینهسازی غذایابی باکتری [6] و سایر الگوریتمهای تنظیمی همچون [7] و برنامهریزی خطی رشتهای [8] پیشنهاد شدهاند.
گروه دوم شامل اینهاست: کنترلکنندههای شبکههای عصبی NN - ها - -9] [12، شبکههای عصبی موجک WNN - ها - 13]، [14، کنترل-کنندههای PID خودتنظیم [15]، کنترلکنندهی عصبی-فازی [16] و کنترلکنندههای منطق فازی [17] به عنوان پایدارسازهای تطبیقی سیستم قدرت. PSS های طراحیشده در هر دو گروه، معایب و مزایایی دارند. PSS های دارای پارامترهای ثابت را میتوان در محیطهای عملی به شیوهای سادهتر مورد استفاده قرار داد، که این به خاطر ساختار سادهتر آنهاست.
با اینحال، نقاط ضعفی همچون تنظیم وقتگیر و میرایی بهینهنشده در تمامی شرایط عملی، دارند. به عبارت دیگر، بایستی یک PSS خوب، میرایی بالایی را در کل شرایط عملیاتی و تحت اختلالات مختلف از خود نشان دهد، در حالیکه PSS های دارای پارامترهای ثابت نمیتوانند این هدف را تحقق بخشند.
از سوی دیگر، یک مدل دقیق سیستم قدرت برای طراحی این نوع PSS ها نیاز است. کنترل تطبیقی غالباً برای طراحی PSS معمولی و سرکوب LFO استفاده شده است. پیادهسازی این نوع PSS ها با وجود قابلیت تطبیقی که دارند، در محیطهای عملی دشوار است، چراکه این کنترلکنندهها معمولاً از یک شناسه و کنترلکنندهی آنلاین تشکیل شدهاند. به علاوه، این PSSها معمولاً به آموزش آفلاین نیاز دارند که در عمل کار دشواری است. اشکال دیگر، مسئلهی همگرایی در این PSS ها است.
در نتیجه، یک PSS مناسب را میتوان با در نظر گرفتن اشکالات و مزایای هر دو گروه انتخاب نمود. با اینحال، اگر بتوان اشکالات کنترل تطبیقی را حل و فصل نمود، این نوع PSS ها بر نوع دیگر، ترجیح داده میشوند.
این مقاله یک کنترلکنندهی تطبیقی جدید را برای پایدارسازی سیستمهای قدرت، پیشنهاد میکند. این کنترلکننده بر شبکه-های عصبی طبیعی استوار است. به تازگی، شبکههای عصبی موجک در سیستمهای قدرت برای اهداف مختلف استفاده شدهاند 20]؛[18، این به خاطر مزایایی همچون چندوضوحی بودن موجکها و یادگیری NN است. WNN به خاطر ویژگیهای پشتیبانی محدود و خودهمانندی، برای تقریب زدن توابع غیرخطی ناشناخته با غیرخطی بودن محلی و تغییرات سریع، مناسب است
ایدهی اصلی، استفاده از توابع موجک و توابع مقیاسبندی به عنوان توابع غیرخطی مورد نیاز در نورونها است. بررسی متون و مقالات نشان میدهد که در موارد استفاده از کنترلکنندههای آنلاین و تطبیقی همچون کنترلکنندههای شبکه عصبی و فازی برای میراسازی نوسانات سیستم قدرت، هیچ روشی برای محاسبهی میرایی نوسانات سیستم قدرت پیشنهاد نشده است.
در حقیقت، چنانچه کنترلکنندهی آنلاین استفاده شود، دیگر روش تحلیل مقادیر ویژه که یک روش معمول برای محاسبهی نرخ میرایی در حضور کنترلکنندههای دارای پارامترهای ثابت همچون جبرانسازهای پیشفاز / پسفاز و کنترل-کنندهی PID است، برای تخمین نرخ میرایی مناسب نیست، چراکه پارامترهای چنین کنترلکنندههایی بطور دائم با زمان تغییر میکنند - پارامترهای متغیر با زمان - . به عبارت دیگر، یک کنترلکنندهی تطبیقی یا انلاین را نمیتوان حول نقطهی عملیاتی، خطیسازی کرد.
سهم پژوهشی اصلی این مقاله در استفاده از کنترلکنندهی شبکه عصبی موجک آموزشدیدهی آنلاین به عنوان یک PSS هوشمند و تطبیقی برای میراسازی نوسانات سیستم قدرت است؛ از آنجاکه روش پایداری لیاپانوف برای تضمین همگرایی کنترلکنندهی پیشنهادی استفاده میشود، کل سیستم کنترل در حالت کلی پایدار بوده و از این رو، حالات بینناحیهای و محلی نوسانات به سرعت میرا میشوند؛ خطای کنترل را میتوان با انتخاب پارامترهای مناسب و نرخ یادگیری مناسب به صفر کاهش داد؛ و کنترلکنندهی پیشنهادی میتواند به عملکرد کنترلی مطلوب دست یابد. در عین حال، هیچ شناسهی عصبی برای تقریب زدن دینامیک سیستم قدرت کنترلشده، استفاده نمیشود.
.1 مدل سیستم قدرت
سیستم قدرت نشان داده شده در تصویر 1 دارای دو ناحیه است که با دو خط 220 کیلومتری 230 کیلو ولت به همدیگر متصل شدهاند 22]، .[23 به منظور میرا کردن نوسانات در سیستم قدرت نمونه، هر ژنراتور به یک OTWNNC مجزا، تجهیز میشود. داده-های دقیق باس، دادههای خط، و مشخصههای دینامیکی برای ماشینها، محرکها و بارها در 22]، [23 ارائه شده است.
تصویر .1 سیستم قدرت چهار ماشینهی دو ناحیهای با SSSC
.2 کنترلکنندهی شبکه عصبی موجک آموزشدیده به صورت آنلاین - OTWNNC -
تصویر 2 ساختار سیستم کنترل هوشمند برای میراسازی نوسانات در سیستم قدرتی را نشان میدهد، سیستم کنترل هوشمند دارای یک کنترلکنندهی شبکه عصبی موجک آموزشدیده به صورت آنلاین است. همانگونه که در این تصویر دیده میشود، ورودیهای WNN، e و e - 1-z-1 - هستند؛ در اینجا e اختلاف میان مقدار مطلوب Pd و توان شتاب ژنراتور Pa است. توان شتاب ژنراتور اینگونه بیان میشود: Pa= - Pm-Peo - ؛ در این رابطه Pm و Peo به ترتیب توان مکانیکی ورودی به ژنراتور و توان اکتیو خروجی ژنراتور هستند. همچنین از آنجاکه توان شتاب ژنراتور در حالت ماندگار، صفر است، مقدار مطلوبPd ، صفر انتخاب میشود. همچنین، خروجی OTWNNC پس از سرچینی شکل موج به ورودی AVR افزوده میشود. بنابراین، سیستم تحریک ژنراتورها، ولتاژ خروجی ژنراتورها را براساس خروجی کنترلکنندهی پیشنهادی، تنظیم میکند.
تصویر .2 سیستم کنترل هوشمند با افزودن PSS به ورودی AVR
تصویر .3 ساختار WNN سه لایه
WNN .2,1
WNN سه لایه متشکل از یک لایهی ورودی، یک موجک - لایهی - j و یک لایهی خروجی، در تصویر 3 نشان داده شده است. هدف، طراحی کنترلکنندهی wnn است، به نحوی که خطای کنترل-کننده به صفر میل کند. بدین منظور، خطای کنترلکننده اینگونه تعریف میشود: .e= - Pd-Pa -
در ساختار WNN مورد استفاده در این مقاله، لایهی اول، ورودی-های متغیر را پذیرفته و آنها را مستقیماً به لایهی دوم انتقال می-دهد. لایهی دوم، لایهی موجک است که در آن خروجی هر گره به شکل زیر محاسبه میشود
