Nghiên cứu giải thuật huấn luyện online ứng dụng trong điều khiển SVR

Nội dung text: Nghiên cứu giải thuật huấn luyện online ứng dụng trong điều khiển SVR

1. NGHIÊN CỨU GIẢI THUẬT HUẤN LUYỆN ONLINE ỨNG DỤNG TRONG ĐIỀU KHIỂN SVC STUDYING ONLINE TRAINING ALGORITHM TO APPLICATION IN THE CONTROL OF SVC Vo Minh Chanh¹, Nguyen Ti Mi Sa² ¹Học viên cao học trường đại học Sư Phạm Thành Phố Hồ Chí Minh. ²Giảng viên trường đại học Sư Pham Kỹ Thuật Thành Phố Hồ Chí Minh. TÓM TẮT Việc nghiên cứu bộ điều khiển trực tuyến của bộ bù SVC để làm tăng khả năng đáp ứng của nó là hết sức cần thiết và có ý nghĩa. Một trong những hướng nghiên cứu để làm tăng khả năng đáp ứng này là ứng dụng mạng nơron mờ trong việc xây dựng bộ điều khiển trực tuyến.Thông qua những yếu tố biến thiên của hệ thống(sự cố ngắn mạch 1 pha nối đất, quá tải 20%, )bộ điều khiển sẽ thay đổi trực tuyến để đảm bảo được các yêu cầu vận hành đặt ra :Ổn định điện áp,thời gian đáp ứng, Từ khóa: bộ bù SVC,mạng nơron mờ,huấn luyện trực tuyến SVC ABSTRACT Studying the online controller of the SVC compensator to increase its responsiveness is essential and meaningful. One of the research directions to increase this responsiveness is the application of fuzzy neural networks in the construction of online controllers. Through the variable factors of the system (single phase ground fault, 20% overload, ), the controller will change online to ensure the following operating requirements: Voltage stability, response time, Key words: the SVC compensator, fuzzy neural networks,training online SVC I. GIỚI THIỆU thống. Các thay đổi đó có thể làm cho quá trình giảm điện áp xảy ra và nặng Ổn định điện áp là một vấn đề đã nhất là có thể rơi vào tình trạng không và đang được nghiên cứu nhiều ở các thể điều khiển điện áp, gây ra sụp đo nước phát triển trên thế giới, nhất là điện áp. trong cơ chế thị trường điện do tác hại Để ổn định điện áp ngày nay có rất của hiện tượng mất ổn định điện áp là nhiều phương pháp. Luận văn bước đầu rất lớn, có thể đưa hệ thống điện đến tìm hiểu về bù công suất phản kháng, tình trạng sụp đo điện áp từng phần nghiên cứu các thiết bị FACTS, đặc biệt hoặc hoàn toàn. là thiết bị bù tĩnh có điều khiển SVC, Đi Ổn định điện áp là khả năng duy sâu nghiên cứu điều khiển SVC với trì điện áp tại tất cả các nút trong hệ phương pháp ANFIS bằng cách mô thống nằm trong một phạm vi cho phép phỏng và mô hình hóa sử dụng phần ở điều kiện vận hành bình thường hoặc mềm Matlab Simulink. Hiện nay trong sau các kích động. Hệ thống sẽ đi vào nước và trên thế giới đã có một số trạng thái không ổn định khi xuất hiện nghiên cứu ứng dụng hệ nơron mờ trong các kích động như tăng tải đột ngột hay các bài toán bù công suất liên quan tới thay đổi các điều kiện vận hành trong hệ
2. SVC . Tuy nhiên, lĩnh vực này còn khá capacitor). Phối hợp điều khiển dòng điện mới mẻ và đang rất được quan tâm qua điện kháng 퐾1của bộ TCR với việc nhưng chưa được ứng dụng rộng rãi. đóng mở cuộn kháng 퐾 của bộ TSR và Chính vì lý do trên tác giả quyết định 2 điện dung của bộ TSC,SVC có khả chọn đề tài: năng điều khiển lượng công suất phản “Nghiên cứu giải thuật huấn luyện online kháng trao đổi với hệ thống từ 푄 푖푛( 0). Điện dẫn phản kháng của II. CẤU TẠO VÀ NGUYÊN LÝ bộ TCR có thể xác định theo góc mở của 훼 của Thyristor[3,4] như hình sau: LÀM VIỆC CỦA SVC. 1 2 1 (훼) = (1 − 훼 − sin 2훼) (1) Cấu tạo của SVC gồm 3 phần tử cơ 푅 퐾1 bản như trên hình 1 đó là [3]: Cuộn Từ đó có thể xác định điện dẫn phản kháng điều khiển TCR(thyristor kháng của bộ SVC như sau: controlled reactor), cuộc kháng đóng cắt 푆 (훼)= 푅(훼) + 푆푅 − 푆 (2) TSR (thyristor switched reactor) và tụ điện đóng cắt TSC (thyristor switched Hình1:Cấu tạo SVC. III. SỰ KẾT HỢP GIỮA MẠNG Trên cơ sở nền tảng lý thuyết tập mờ, một kỹ thuật điều khiển hiện đại đã NƠRON VÀ ĐIỀU KHIỂN MỜ. được phát triển mạnh mẽ và mang lại 3.1 Mạng nơron. nhiều thành công bất ngờ đó là điều khiển mờ. Những vấn đề khó khăn gặp phải Mạng nơron có thể được xem như trong vấn đề tổng hợp các bộ điều khiển là một mô hình toán học:Y=F(X), với X là phức tạp khi sử dụng các phương pháp véctơ số liệu vào và Y là véctơ số liệu ra. kinh điển như: độ phức tạp của hệ thống Chỉ cần đưa vào mạng một tập hợp mẫu cao, độ phi tuyến lớn, sự thường xuyên dữ liệu, trong quá trình học thì mạng có thay đổi trạng thái và cấu trúc của đối khả năng phát hiện những đặc trưng, ràng tượng, sẽ được giải quyết khá hoàn hảo buộc của dữ liệu và áp dụng những ràng khi sử dụng các bộ điều khiển mờ. Đặc buộc này trong quá trình sử dụng mạng. điểm chung cơ bản của các bộ điều khiển Mạng nơron còn có khả năng học những mờ là chúng làm việc theo nguyên tắc sao mối quan hệ phức tạp giữa những đầu vào chép lại kinh nghiệm, tri thứ của con và đầu ra, mà khó để mô tả bằng các biểu người trong điều khiển, vận hành máy thức toán học tường minh. móc thiết bị. 3.2 Điều khiển mờ.
3. 3.3 Sự kết hợp giữa điều khiển khiển nhất định nào đó. Một kỹ thuật ghép nối giữa điều khiển mờ và mạng nơron đã mờ và mạng nơron. mang lại nhiều thành công trong kỹ thuật Những ưu điểm của mạng nơron là điều khiển đó là hệ thống suy luận nơron- nhược điểm của bộ điều khiển mờ và mờ thích nghi- ANFIS (Adaptive Neuro- ngược lại , từ đó để có cả ưu điểm của cả Fuzzy Inference System). điều khiển mờ và mạng nơ ron trong một IV. THIẾT KẾ BỘ ĐIỀU KHIỂN bộ điều khiển , người ta đã ghép chúng ANFIS TRỰC TUYẾN. thành một hệ thống. Việc ghép nối này có 4.1 Giới thiệu về mô hình nghiên thể thực thiện theo nhiều cách ghép nối cứu. khác nhau và mỗi cách ghép nối sẽ có một giá trị riêng cho một hệ thống điều Hình 2: Mô hình SVC và PSS trong Matlab Một nhà máy phát thủy điện 1.000 hệ thống sau khi lỗi, các đường dây MW (máy M1) được kết nối với một phụ truyền tải thêm vào cho nó một lượng tải trung tâm thông qua một đường dây 200-MVAr bằng (SVC). Chú ý rằng mô truyền tải dài 700 km, 500 kV. Tải trung hình SVC đây là một mô hình phasor chỉ tâm được mô hình hóa bằng một tải trở có giá trị cho các giải pháp ổn định 5000 MW. Tải được nuôi từ xa bằng thoáng qua). Các chế độ sử dụng PSS có 1.000 MW và một máy phát khu vực là thể được lựa chọn bằng cách xác định 5000 MW (máy M2). Hệ thống này đã một giá trị (0 = Không PSS 1 = Pa PSS được khởi tạo để cho đường dây mang hoặc 2 = dw MB PSS) trong khối PSS. 950 MW để tăng trở kháng tải của nó 4.2 Thiết kế bộ điều khiển (SIL = 977 MW). Để duy trì sự ổn định ANFIS trực tuyến.
4. Hình 3: Cấu trúc mạng ANFIS. Tên đầy đủ cảu bộ điều khiển (1) (1) 푖푗 = 휇푗( 푖푗 ) (3) ANFIS (Adaptive Neural Fuzzy Inference (1) System) ANFIS có hệ thống suy luận mờ Ở đây 푖푗 là đầu ra lớp 1 của nút tương kết hợp với hệ thống thiết kế sử dụng ứng với ngôn ngữ thứ j của đầu vào thứ i phương pháp mạng nơron. Điều này có (1) biến 푖 .Một hàm Gauss tổng quát các nghĩa rằng nếu đã có tập mẫu dữ liệu hàm liên thuộc sử dụng cho các biến đầu vào/ra dùng thiết kế hệ thống fuzzy mờ , vào và thể hiện trong phương trình (4) : thì các hàm mờ liên thuộc và các lý luận 1 µj( 푖)= (4) 푖푗 ‘if & then’ của bảng luật mờ cơ bản lại có 푖− 푖푗 1+| | thể được thiết kế thông qua sử dụng 푖푗 phương pháp huấn luyện mạng nơron. Cấu trúc ANFIS truyền thẳng có năm lớp Trong đó i = 1. . . q và j = 1. . . y. Số và điểm nối hàm của mỗi lớp được tổng lượng các biến đầu vào q và y là số lượng hợp như trình bày bên dưới đây[8] : các tập mờ cho mỗi biến đầu vào. Layer 1: được gọi là lớp đầu Trong khi bộ ba thông số 푖푗, 푖푗và vào. Về mặt toán học, chức năng này có 푖푗 được gọi là các thông số tiền đề hoặc thể được biểu diễn bởi phương trình: các thông số phi tuyến và nó điều chỉnh
5. hình dạng và vị trí của các hàm liên hoạt các quy tắc mờ tương ứng. thuộc. Những thông số được điều chỉnh Lớp 3: được biết đến như là lớp trong chế độ đào tạo hoạt động của thuật mờ hóa. Các đầu ra của nút thứ k là sức toán lỗi lan truyền ngược. Những thông mạnh bắn của từng quy tắc chia cho tổng số tiền đề hoặc các thông số phi tuyến số của các giá trị kích hoạt tất cả các quy được cập nhật tại mỗi lần lặp nghĩa là sau tắc mờ. Điều này sẽ dẫn đến việc mờ hóa mỗi cặp đầu vào-đầu ra nhận được trong các giá trị kích hoạt cho từng quy tắc mờ quá trình đào tạo và để giảm thiểu hàm và nó được đưa ra trong phương trình lỗi tức thời như được đưa ra trong dưới đây, (2) phương trình: (3) 표 표 =휔̅̅̅ ̅= 2 ( ) (8) E(n)= (푈푠(푛) − 푈 (푛))2 (5) ∑ 표 2 =1 Ở đây Us (n) là đầu ra mong muốn Lớp 4: được xem như là một lớp hoặc đầu ra giám sát và Ua (n) là đầu ra tham số tuyến tính. Mỗi k nút trong lớp của bộ điều khiển ANFIS trực tuyến tại này được đi kèm với một tập hợp các mỗi bước thời gian (n). Đối với mỗi đầu thông số 1k điều chỉnh, 2K. . . k, 0 vào-đầu ra cặp dữ liệu huấn luyện, các và thực hiện các chức năng tuyến tính thể ANFIS hoạt động trong các đường hiện trong hình dưới đây : chuyền về phía trước để tính toán ngõ ra (4) (1) (1) hiện tại Ua (n). Sau đó, bắt đầu từ lớp ra, 표 =휔̅̅̅ ̅ =휔̅̅̅ ̅(d1k 1 + d2k 2 + .+ và di chuyển ngược trở lại, lỗi lan truyền (1) dyk 1 +d0(10)) (9) ngược thực hiện để tính toán các dẫn xuất 휕 (푛) cho mỗi nút ở mỗi lớp của mạng. 휕푊 Được áp dụng bởi thuật toán bình Vào cuối mỗi lần lặp, không tham số phương nhỏ nhất đệ quy,Hệ quả hoặc số 푖푗, 푖푗và 푖푗của đầu vào hàm liên thông số tuyến tính của bộ điều khiển thuộc được cập nhật bởi các phương trình trực tuyến được cập nhật trong lớp 4. Nó : được cho bởi phương trình dưới đây : (1) (1) 휕 (푛) (n+1)=α( (푛)+η(- (1)) 1 푃 푖푗 푖푗 휕 (푃 − 푛 푛 푖푗 휆 푛 휆+ 푃 푖 = 푖 +( 푛 ) (10) (1) (1) 휕 (푛) 푛+1 푛 x (푈− 푖 푛 (n+1)=α( (푛)+η(- (1)) 푖푗 푖푗 휕 푖푗 and 휕 (1)(n+1)=α( (1) +η(- (푛)) (6) 푖푗 푖푗 (푛) (1) (11) 휕 푖푗 0푛+1= 0푛 −1 Ở đây , 푃푛 = ( 푡 λ 푡) Và λ là yếu tố Ở đây η là tốc độ học tập của các thông quên của bộ điều khiển ANFIS trực số mạng và α là hằng số động lượng giảm tuyến. độ dốc. Lớp 5: được gọi là lớp ra. Lớp Lớp 2: được biết đến như lớp này chỉ có một ngõ ra của mạng như là hoạt động mờ. Mỗi nút trong lớp này tổng đại số của đầu vào của nút. Nó được thực hiện một mờ và hoạt động. Ở đây, thể hiện trong phương trình : T-norm điều hành ngõ ra đại số đã được lựa chọn. Điều này sẽ dẫn đến đầu ra của 5 ∑ 2 (4) ∑ 2 Ua=표 = =1 표 = =1 푤̅̅̅ ̅ = mỗi nút. Nó là ngõ ra của tất cả các yếu 2 ∑ =1 푤 tố đầu vào và thể hiện trong phương trình 2 푤 (12) ∑ dưới đây. Mỗi nút đầu vào được kết nối =1 (4) với nút quy tắc. 4.3 Ứng dụng bộ điều khiển vào (2) 푞 (1) mô hình nghiên cứu. 표 =ωk=∏푖=1 표푖푗 (7) Trường hợp k = 1. . . 2. Đầu ra của mỗi Hệ thống nghiên cứu như hình 2, nút trong lớp này đại diện cho giá trị kích với bộ điều khiển SVC có cấu tạo bên
6. trong như hình 4.Trong bài báo này bộ được được hệ thống tốt hơn khi xảy ra điều khiển voltage regulator ban đầu điều các sự cố tác giả đã sử dụng thêm bộ điều khiển theo phương pháp PI, để cải thiện khiển ANFIS vào hệ thống ban đầu. Hình 4: Cấu tạo bên trong bộ điều khiển SVC. Hình 5: Bộ điều khiển ban đầu PI Hình 6: Bộ điều khiển mới ANFIS.
7. V. KẾT QUẢ MÔ PHỎNG.  Kết quả mô phỏng với trường hợp ngắn mạch một pha nối đất. Hình 11: Hệ số bù B.  Trường hợp quá tải 20%. Hình 7: Công suất đường dây P line. - Điện áp các Bus B1,B2,B3. Hình12: Công suất đường dây P line. - Điện áp các Bus B1,B2,B3. Hình 8: Điện áp Bus B1. . Hình 13: Điện áp Bus B1. Hình 9: Điện áp Bus B2. Hình 14: Điện áp Bus B2. Hình 9: Điện áp Bus B3. Hình 15 : Điện áp Bus B3. Hình 10: Điện áp định mức Vm.
8. thống gặp sự cố mà còn giảm dao động rõ rệt so với bộ điều khiển PI trước đó. VI. KẾT LUẬN. Bài báo đã trình bày việc cải thiện sự ổn định động của một hệ thống Hình 16: Điện áp định mức Vm. nghiên cứa. Để cung cấp công suất phản kháng thích hợp cho hệ thống, thiết bị bù tĩnh SVC đã được sử dụng trong hệ thống. Cùng với đó, bộ điều khiển ANFIS trực tuyến được thiết kế để thay thế cho bộ điều khiển PI của SVC. Kết quả so sánh trong miền thời gian với sự cố ngắn mạch 1 pha chạm đất, quá tải Hình 17: Hệ số bù B. 20% đã được thực hiện để chứng minh hiệu quả của việc ứng dụng bộ điều  Nhận xét. khiển ANFIS trực tuyến vào SVC giúp Qua những kết quả thu được từ trên trong hạn chế dao động của hệ thống. Có thể cả 2 trường hợp lỗi một pha nối đất và kết luận từ kết quả mô phỏng rằng SVC tang tải 20% cho ta thấy được hệ thống điều khiển bằng bộ điều khiển ANFIS khi có bộ điều khiển ANFIS đáp ứng tốt trực tuyến được đề xuất có những đặc hơn so với bộ điều khiển ban đầu PI về điểm đáp ứng tốt nhất để cải thiện hiệu các hệ số như công suất đường dây, điện suất của hệ thống điện trong những điều áp hiệu dụng, điện áp các pha,hệ số B kiện vận hành xấu nhất. Khi sử dụng bộ điều khiển ANFIS cho thiết bị SVC không chỉ đáp ứng nhanh khi mà hệ TÀI LIỆU THAM KHẢO Hasan Ghahramani. Novel methods [1] Nguyễn Thanh Quảng, “Ứng dụng with Fuzzy Logic and ANFIS mạng Nơron- mờ để điều khiển SVC controller based SVC for damping giữ điện áp tại nút có tải thay đổi”. Sub-Synchronous Resonance and Hội nghị khoa học kỷ niệm 35 năm low-frequency power oscillation. viện khoa học và công nghệ Việt 20th Iranian Conference on Electrical Nam –Hà Nội.2010. Engineering, (ICEE2012), May 15- 17,2012, Tehran, Iran. [2] Phan Thành Việt, “ Nghiên cứu xây dựng mô hình sử dụng thiết bị SVC [6] S. Sabna, D. Prasad, R. Shivakumar. để điều khiển nâng cao ổn định điện Power System Stability Enhancement áp cho hệ thống điện”, Đại Học Đà by Neuro Fuzzy Logic Based SVC Nẵng .2011 for Multi Machine System, , International Journal of Engineering [3] Yong Hua Song and Allan T Jhons and Advanced Technology (IJEAT) (1999), Flexible AC transmission ISSN: 2249 – 8958, Volume-1, systems(FACT), The Institution of Issue-4, April 2012. Electrical Engineers, London, United Kingdom. [7] Nemat Talebi,Mansoor Sheykhan. Using ANFIS as Indicator in the [4] Narain G.Hingorani, Laszlo Gyugyi Networks Containing SVC and (2000), "Understanding FACTS", STATCOM for Voltage Collapse Concepts and technology of Flexible Phenomena, Journal of Electrical AC transmission systems, The Engineering Science., 1 (7), 2010 Institute of Electrical and Electronics ISSN: 2008-9864. Engineers, Inc., New York. [8] K. Premkumar, B.V. [5] Akbar Lak, Daryoush Nazarpour, Manikandan.GA-PSO optimized
9. online ANFIS based speed controller [10] Nguyễn Như Hiền,Lại Khắc Lãi. Hệ for Brushless DC motor, Journal of mờ và nơron. Nhà xuất bản khoa học Intelligent & Fuzzy Systems.2015. tự nhiên và công nghệ Hà [9] Jang R. J.-S., Sun C.-T., Mizutani E., Nội,2007,tr29-135. “Neuro-Fuzzy and Soft Computing, [11] L.A.Zadeh,Fuzzy Sets A Computational Approach to Theory,Department of Electrical Learning and Machine Intelligence”, Engineering and electronics Research Prentice Hall, Upper Saddle River, Laboratory, University of NJ 07458, (1997). California,1965.
10. Thông tin liên hệ tác giả chính (người chịu trách nhiệm bài viết): Họ tên:VÕ MINH CHÁNH Đơn vị: Công ty cổ phần công nghệ cao Lê Gia. Điện thoại: 0911118046 Email: minhchanhpy2010@gmail.com