Thông tin tài liệu
BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT THÀNH PHỐ HỒ CHÍ MINH LUẬN VĂN THẠC SĨ VÕ MINH CHÁNH NGHIÊN CỨU GIẢI THUẬT HUẤN LUYỆN ONLINE ỨNG DỤNG TRONG ĐIỀU KHIỂN SVC NGÀNH: KỸ THUẬT ĐIỆN TỬ - 60520202 S K C0 Tp Hồ Chí Minh, tháng 4/2017 Luan van BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƢỜNG ĐẠI HỌC SƢ PHẠM KỸ THUÂT THÀNH PHỐ HỒ CHÍ MINH LUẬN VĂN THẠC SĨ VÕ MINH CHÁNH NGHIÊN CỨU GIẢI THUẬT HUẤN LUYỆN ONLINE ỨNG DỤNG TRONG ĐIỀU KHIỂN SVC NGÀNH: KỸ THUẬT ĐIỆN - 60520202 Hƣớng dẫn khoa học: TS NGUYỄN THỊ MI SA Tp, Hồ chí Minh, tháng 4/2017 i Luan van ii Luan van TRƢỜNG ĐH SƢ PHẠM KỸ THUẬT CỘNG HÒA XÃ HỘI CHỦ NGHĨA VIỆT NAM THÀNH PHỐ HỒ CHÍ MINH Độc lập – Tự – Hạnh phúc PHÒNG ĐÀO TẠO SAU ĐẠI HỌC - Thành phố Hồ Chí Minh, ngày 16 tháng4 năm 2017 NHIỆM VỤ LUẬN VĂN THẠC SĨ Họ Tên học viên: VÕ MINH CHÁNH Ngày, tháng, năm sinh: 23-05-1992 Phái: Nam Nơi sinh: Phú Yên Chuyên ngành: Kỹ Thuật Điện MSHV:1580605 Khóa: 2015-2017 Mã ngành: 60520202 I TÊN ĐỀ TÀI: NGHIÊN CỨU GIẢI THUẬT HUẤN LUYỆN ONLINE ỨNG DỤNG TRONG ĐIỀU KHIỂN SVC II NHIỆM VỤ: Tìm hiểu thiết bị bù tĩnh SVC Ứng dụng SVC để nâng cao độ ổn định động hệ thống điện Tìm hiểu mạng nơron mờ (ANFIS) Ứng dụng điều khiển mạng nơron mờhuấn luyện online điều khiển SVC để nâng cao độ ổn định động hệ thống lƣới điện III NGÀY GIAO ĐỀ TÀI: IV NGÀY HOÀN THÀNH ĐỀ TÀI: V CÁN BỘ HƢỚNG DẪN: CÁN BỘ HƢỚNG DẪN TS NGUYỄN THỊ MI SA CHỦ NHIỆM KHOA BỘ MÔN QUẢN LÝ Nội dung đề cương luận văn thạc sĩ hội đồng chuyên ngành thông qua Ngày 16 tháng năm 2017 iii Luan van CƠNG TRÌNH ĐÃ HỒN THÀNH TẠI TRƢỜNG ĐẠI HỌC SƢ PHẠM KỸ THUẬT THÀNH PHỐ HỒ CHÍ MINH Cán hƣớng dẫn khoa học: TS NGUYỄN THỊ MI SA Cán chấm nhận xét 1: Cán chấm nhận xét 2: Luận văn đƣợc bảo vệ HỘI ĐỒNG CHẤM BẢO VỆ LUẬN VĂN THẠC SĨ TRƢỜNG ĐẠI HỌC SƢ PHẠM KỸ THUẬT Ngày 16tháng năm 2017 iv Luan van LỜI CẢM ƠN Qua trình học tập, nghiên cứu hồn thành luận văn, học trị kính gửi lời cảm ơn chân thành sâu sắc đến: TS NGUYỄN THỊ MI SA vàcác thầy tận tình dạy, tạo điều kiện động viên học trị suốt q trình thực Quý thầy, cô giáo tham gia công tác giảng dạy, hƣớng dẫn học tròvà thành viên lớp Cao học chuyên ngành Kỹ Thuật Điện 2015B tồn khố học Q thầy, giảng dạy khoa Điện-Điện Tử, phòng Đào tạo – phận sau đại học – Trƣờng Đại học Sƣ phạm Kỹ thuật Tp Hồ Chí Minh giúp đỡ ngƣời thực thời gian học tập nghiên cứu trƣờng Kính gửi lời cảm tạ tớiBGH Trƣờng Đại học Sƣ phạm Kỹ thuật Tp Hồ Chí Minh tạo điều kiện thuận lợi cho cho học viên trƣờng đƣợc học tập nghiên cứu Kính chúc Quý thầy, cô thật nhiều sức khỏe Thành phố Hồ Chí Minh, ngày 16tháng năm 2017 Học viên VÕ MINH CHÁNH v Luan van TÓM TẮT Đề tài “NGHIÊN CỨU GIẢI THUẬT HUẤN LUYỆN ONLINE ỨNG DỤNG TRONG ĐIỀU KHIỂN SVC” đƣợc tiến hành khoảng thời gian năm trƣờng Đại Học Sƣ Phạm Kỹ Thuật TP HCM Sau thời gian nghiên cứu đề tài đƣợc triển khai tập trung giải vấn đề sau: Tìm hiểu thiết bị bù tĩnh SVC Ứng dụng SVC để nâng cao độ ổn định động hệ thống điện Tìm hiểu mạng nơron mờ (ANFIS) Ứng dụng điều khiển mạng nơron mờhuấn luyện online điều khiển SVC để nâng cao độ ổn định động hệ thống lƣới điện Học viên thực VÕ MINH CHÁNH Phạm Văn Nghĩa vi Luan van ABSTRACT Thesis “STUDYING ONLINE TRAINING ALGORITHM TO APPLICATION IN THE CONTROL OF SVC” has been done for a year at Ho Chi Minh University Of Technology And Education The thesis‟s content focused on: Learning SVC (Static var compensator) Application of SVC to enhance stability of electric system Learningadaptive neuro fuzzy inference system Applicationadaptive neuro fuzzy inference systemcontroller for SVC to enhance stability of power grid Author VÕ MINH CHÁNH vii Luan van LỜI CAM ĐOAN Tơi cam đoan cơng trình nghiên cứu Các số liệu, kết nêu luận văn trung thực chƣa đƣợc công bố cơng trình khác Thành phố Hồ Chí Minh, ngày 16 tháng năm 2017 Học viên (Ký tên ghi rõ họ tên) VÕ MINH CHÁNH viii Luan van LÝ LỊCH KHOA HỌC I LÝ LỊCH SƠ LƢỢC: Họ & tên: VÕ MINH CHÁNH Giới tính: Nam Ngày, tháng, năm sinh: 23-05-1992 Nơi sinh: Phú Yên Q qn: Hịa Tân Đơng, Đơng Hịa, Phú n Dân tộc: Kinh Chỗ riêng địa liên lạc: 39A,Đƣờng 34,Khu Phố 8,Phƣờng Linh Đông, Quận Thủ Đức, TP HCM E-mail: minhchanhpy2010@gmail.com SĐT: 0911 118 046 II QUÁ TRÌNH ĐÀO TẠO: Trung học phổ thông: Hệ đào tạo: qui Thời gian đào tạo từ 9/2007 đến 6/2010 Nơi học (trƣờng, thành phố): THPT Lê Hồng Phong, Tỉnh Phú Yên Đại học: Hệ đào tạo: quy Thời gian đào tạo từ 9/2010 đến 4/ 2015 Nơi học (trƣờng, thành phố): ĐH Sƣ Phạm Kỹ Thuật TPHCM Ngành học: Điện Công Nghiệp Tên đồ án tốt nghiệp: ĐIỀU KHIỂN VÀ GIÁM SÁT MÁY CUỐN GIẤY TỰ ĐỘNG Ngày & nơi bảo vệ đồ án tốt nghiệp: 4/2015, ĐH Sƣ Phạm Kỹ Thuật TPHCM Ngƣời hƣớng dẫn: Ts Trƣơng Đình Nhơn III Q TRÌNH CƠNG TÁC CHUN MƠN KỂ TỪ KHI TỐT NGHIỆP ĐẠI HỌC: Thời gian Nơi cơng tác ix Luan van Cơng việc đảm nhiệm Hình 4.8:Điện áp Bus B1 Hình 4.9:Điện áp Bus B2 58 Luan van Hình 4.10:Điện áp Bus B3 Hình 4.11:Điện áp định mức Vm 59 Luan van Hình 4.12:Hệ số bù B Trƣờng hợp q tải 20% Hình 4.13:Cơng suất đường dây P line - Điện áp Bus B1,B2,B3 Hình 4.14:Điện áp Bus B1 60 Luan van Hình 4.15:Điện áp Bus B2 Hình 4.16 :Điện áp Bus B3 61 Luan van Hình 4.17:Điện áp định mức Vm Hình 4.18:Hệ số bù B 62 Luan van Nhận xét Qua kết thu đƣợc từ trƣờng hợp lỗi pha nối đất tang tải 20% cho ta thấy đƣợc hệ thống có điều khiển ANFIS đáp ứng tốt so với điều khiển ban đầu PI hệ số nhƣ công suất đƣờng dây, điện áp hiệu dụng, điện áp pha,hệ số B… Khi sử dụng điều khiển ANFIS cho thiết bị SVC không đáp ứng nhanh mà hệ thống gặp cố mà giảm dao động rõ rệt so với điều khiển PI trƣớc 63 Luan van Chƣơng KẾT LUẬN VÀ KIẾN NGHỊ 5.1 Kết luận Luận văn trình bày việc cải thiện ổn định động hệ thống nghiên cứa Để cung cấp công suất phản kháng thích hợp cho hệthống, thiết bị bù tĩnh SVC đƣợc sử dụng hệ thống Cùng với đó, điều khiển ANFIS trực tuyến đƣợc thiết kế để thay cho điều khiển PI SVC Kết so sánh miền thời gian với cố ngắn mạch pha chạm đất, tải 20% đƣợc thực để chứng minh hiệu việc ứng dụng điều khiển ANFIS trực tuyến vào SVC giúp hạn chế dao động hệ thống Có thể kết luận từ kết quảmô SVC điều khiển điều khiển ANFIS trực tuyến đƣợc đề xuất có đặc điểm đáp ứng tốt để cải thiện hiệu suất hệ thống điện điều kiện vận hành xấu 5.2 Kiến nghị Mặc dù cố gắng nghiên cứu nhƣng luận văn vấn đề tồn chƣa giải quyết, vấn đề hƣớng phát triển đề tài tƣơng lai: Chọn lựa dung lƣợng SVC cho tối ƣu với hệ thống Nghiên cứu, khảo sát hệ thống với việc sử dụng thiết bị khác họ FACTS để nâng cao khả hoạt động ổn định hệ thống Cập nhật thông số Ita,alpha,lamda điều khiển ANFIS trực tuyến cách tối ƣu cách sử dụng phƣơng pháp PSO GA để tối ƣu các hệ số,nhằm nâng cao khả hoạt động chúng 64 Luan van PHỤC LỤC Phụ lục : Source code khối điều khiển trực tuyến ANFIS function [out,Xt,str,ts] = anfisim_scatter(~,Xt,u,flag,Ita,alpha,lamda,NumInVars,NumInTerms,x0,T) % This program is an implementation of the on line ANFIS (MISO) system % The structure of the network is determined by the user % The input space is partitioned using the scatter-type method % The premise (nonlinear) parameters at Layer are estimated by Gradient Descent (GD) through error backpropagation % The consequent (linear) parameters at Layer are estimated by Recursive Least Squares (RLS) algorithm NumRules = NumInTerms; % Number of Fuzzy Logic Rules as specified by Scatter-type % Input Space partitioning %% - % initial information -if flag==0 ninps = NumInVars+2; % number of inputs to sfunction [ x e LE ] ns = 3*NumInVars*NumInTerms + ((NumInVars+1)*NumRules)^2 + (NumInVars+1)*NumRules; nds = 3*NumInVars*NumInTerms + (NumInVars+1)*NumRules; out = [0,ns+nds,1+ns+nds,ninps,0,1,1]; df, #ts str = []; consistency ts = T; time Xt = x0; % states, outputs, inputs, ?, %% - % state updates elseif flag == x = u(1:NumInVars); e = u(NumInVars+1:NumInVars+1); learning = u(NumInVars+2); if learning == off=1; off_end=NumInVars*NumInTerms; mean1=reshape(Xt(off:off_end),NumInVars,NumInTerms); off=off_end+1; off_end=off + NumInVars*NumInTerms-1; sigma1=reshape(Xt(off:off_end),NumInVars,NumInTerms); off=off_end+1; off_end=off+NumInVars*NumInTerms-1; 65 Luan van % API block % sample b1=reshape(Xt(off:off_end),NumInVars,NumInTerms); off=off_end+1; off_end=off + ((NumInVars+1)*NumRules)^2-1; P=reshape(Xt(off:off_end),(NumInVars+1)*NumRules,(NumInVars+1)*NumRules); off=off_end+1; off_end=off + (NumInVars+1)*NumRules-1; ThetaL4 = Xt(off:off_end); off=off_end+1; off_end=off + NumInVars*NumInTerms-1; dmean1=reshape(Xt(off:off_end),NumInVars,NumInTerms); off=off_end+1; off_end=off + NumInVars*NumInTerms-1; dsigma1=reshape(Xt(off:off_end),NumInVars,NumInTerms); off=off_end+1; off_end=off + NumInVars*NumInTerms-1; db1=reshape(Xt(off:off_end),NumInVars,NumInTerms); off=off_end+1; off_end=off + (NumInVars+1)*NumRules-1; dThetaL4 = Xt(off:off_end); % Present for future growth purposes Plays no role in this version %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% % FEEDFORWARD PHASE % %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% % LAYER - INPUT TERM NODES In1 = x*ones(1,NumInTerms); Out1 = 1./(1 + (abs((In1-mean1)./sigma1)).^(2*b1)); % LAYER - PRODUCT NODES Out2 = prod(Out1,1)'; S_2 = sum(Out2); % LAYER - NORMALIZATION NODES if S_2~=0 Out3 = Out2'/S_2; else Out3 = zeros(1,NumRules); end % LAYER 4: CONSEQUENCES NODES Aux1 = [x; 1]*Out3; % New Input Training Data shaped as a column vector a = reshape(Aux1,(NumInVars+1)*NumRules,1); %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% 66 Luan van % PARAMETER LEARNING SECTION % % ERROR BACKPROPAGATION % %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% % LAYER ThetaL4_mat = reshape(ThetaL4,NumInVars+1,NumRules); % LAYER e3 = [x' 1]*ThetaL4_mat*e; denom = S_2*S_2; % LAYER Theta32 = zeros(NumRules,NumRules); if denom~=0 for k1=1:NumRules for k2=1:NumRules if k1==k2 Theta32(k1,k2) = ((S_2-Out2(k2))/denom)*e3(k2); else Theta32(k1,k2) = -(Out2(k2)/denom)*e3(k2); end end end end % Sum Theta32 along rows to find the contribution of each L3 node % (indexed by k2) to a single L2 node (indexed by k1) e2 = sum(Theta32,2); % LAYER ThetaE21 = zeros(NumInVars,NumInTerms); for i=1:NumInVars for j=1:NumInTerms if Out1(i,j)~=0 ThetaE21(i,j) = (Out2(j)/Out1(i,j))*e2(j); end end end % LAYER PARAMETER ADJUSTMENT BY GRADIENT DESCENT if isempty(find(In1==mean1,1)) deltamean1 = ThetaE21.*(2*b1./(In1-mean1)).*Out1.*(1-Out1); deltab1 = ThetaE21.*(-2).*log(abs((In1mean1)./sigma1)).*Out1.*(1-Out1); deltasigma1 = ThetaE21.*(2*b1./sigma1).*Out1.*(1-Out1); dmean1 = Ita*deltamean1 + alpha*dmean1; mean1 = mean1 + dmean1; dsigma1 = Ita*deltasigma1 + alpha*dsigma1; sigma1 = sigma1 + dsigma1; 67 Luan van db1 = Ita*deltab1 + alpha*db1; b1 = b1 + db1; % Sort the terms in Layer for j=1:NumInTerms-1 if any(mean1(:,j)>mean1(:,j+1)) for i=1:NumInVars [mean1(i,:) index1] = sort(mean1(i,:)); sigma1(i,:) = sigma1(i,index1); b1(i,:) = b1(i,index1); end end end end % Fixing of Consequent Parameters by RLS P = (1./lamda).*(P - P*(a*a')*P./(lamda+a'*P*a)); ThetaL4 = ThetaL4 + P*a.*e; %%%%%%%%%%%%% END OF PARAMETER LEARNING PROCESS %%%%%%%%%%% % State Vector Storage % Xt = [mean1 sigma1 b1 P ThetaL4 dmean1 dsigma1 db1 dThetaL4]; Xt = [reshape(mean1,NumInVars*NumInTerms,1); reshape(sigma1,NumInVars*NumInTerms,1); reshape(b1,NumInVars*NumInTerms,1); reshape(P,((NumInVars+1)*NumRules)^2,1); ThetaL4; reshape(dmean1,NumInVars*NumInTerms,1); reshape(dsigma1,NumInVars*NumInTerms,1); reshape(db1,NumInVars*NumInTerms,1); dThetaL4;]; end% of "if learning==1" loop out=Xt; %% - % outputs elseif flag == % Unpack the ANFIS-Scatter network parameters off=1; off_end=NumInVars*NumInTerms; mean1=reshape(Xt(off:off_end),NumInVars,NumInTerms); off=off_end+1; off_end=off + NumInVars*NumInTerms-1; sigma1=reshape(Xt(off:off_end),NumInVars,NumInTerms); off=off_end+1; off_end=off+NumInVars*NumInTerms-1; b1 =reshape(Xt(off:off_end),NumInVars,NumInTerms); 68 Luan van off=off_end+1; off_end=off + ((NumInVars+1)*NumRules)^2 - 1; % P = reshape(Xt(off:off_end),(NumInVars+1)*NumRules,(NumInVars+1)*NumRules); off=off_end+1; off_end=off + (NumInVars+1)*NumRules - 1; ThetaL4 = Xt(off:off_end); %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% % FEEDFORWARD OPERATION % %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% % LAYER - INPUT TERM NODES x = u(1:NumInVars); In1 = x*ones(1,NumInTerms); Out1 = 1./(1 + (abs((In1-mean1)./sigma1)).^(2*b1)); % LAYER - PRODUCT NODES Out2 = prod(Out1,1)'; S_2 = sum(Out2); % LAYER - NORMALIZATION NODES if S_2~=0 Out3 = Out2'./S_2; else Out3 = zeros(1,NumRules); end % LAYER 4: CONSEQUENCES NODES Aux1 = [x; 1]*Out3; % New Input Training Data shaped as a column vector a = reshape(Aux1,(NumInVars+1)*NumRules,1); % LAYER 5: SUMMING NODE outact = a'*ThetaL4; % Block Outputs Vector Formation out=[outact;Xt]; else out=[]; end 69 Luan van TÀI LIỆU THAM KHẢO [1] Nguyễn Thanh Quảng, “Ứng dụng mạng Nơron- mờ để điều khiển SVC giữ điện áp nút có tải thay đổi” Hội nghị khoa học kỷ niệm 35 năm viện khoa học công nghệ Việt Nam –Hà Nội.2010 [2] Phan Thành Việt,“ Nghiên cứu xây dựng mơ hình sử dụng thiết bị SVC để điều khiển nâng cao ổn định điện áp cho hệ thống điện”,Đại Học Đà Nẵng 2011 [3] Lê Xuân Kha,“ Áp dụng fuzzy logic điều khiển SVC lƣới điện”,Lê Xuân Kha, Đại Học Thái Nguyên.2011 [4] Nguyễn Thế Vĩnh,“Điều Khiển Thiết Bị Bù Tĩnh (SVC) Và Ứng Dụng Trong Việc Nâng Cao Cho Ổn Định Chất Lƣợng Điện Năng”,Đại Học Thái Nguyên.2007 [5] Akbar Lak, Daryoush Nazarpour, Hasan Ghahramani.Novel methods with Fuzzy Logic and ANFIS controller based SVC for damping SubSynchronous Resonance and low-frequency power oscillation.20th Iranian Conference on Electrical Engineering, (ICEE2012), May 15-17,2012, Tehran, Iran [6] S Sabna, D Prasad, R Shivakumar.Power System Stability Enhancement by Neuro Fuzzy Logic Based SVC for Multi Machine System,,International Journal of Engineering and Advanced Technology (IJEAT) ISSN: 2249 – 8958, Volume-1, Issue-4, April 2012 [7] Nemat Talebi,Mansoor Sheykhan.Using ANFIS as Indicator in the Networks Containing SVC and STATCOM for Voltage Collapse Phenomena,Journal of Electrical Engineering Science., (7), 2010 ISSN: 2008-9864 70 Luan van [8] K Premkumar, B.V Manikandan.GA-PSO optimized online ANFIS based speed controller for Brushless DC motor,Journal of Intelligent & Fuzzy Systems.2015 [9] Jang R J.-S., Sun C.-T., Mizutani E., “Neuro-Fuzzy and Soft Computing, A Computational Approach to Learning and Machine Intelligence”, Prentice Hall, Upper Saddle River, NJ 07458,(1997) [10] Nguyễn Nhƣ Hiền,Lại Khắc Lãi Hệ mờ nơron Nhà xuất khoa học tự nhiên công nghệ Hà Nội,2007,tr29-135 [11] L.A.Zadeh,Fuzzy Sets Theory,Department of Electrical Engineering and electronics Research Laboratory, University of California,1965 71 Luan van S K L 0 Luan van ... SƢ PHẠM KỸ THUÂT THÀNH PHỐ HỒ CHÍ MINH LUẬN VĂN THẠC SĨ VÕ MINH CHÁNH NGHIÊN CỨU GIẢI THUẬT HUẤN LUYỆN ONLINE ỨNG DỤNG TRONG ĐIỀU KHIỂN SVC NGÀNH: KỸ THUẬT ĐIỆN - 60520202 Hƣớng dẫn khoa học: TS... Mã ngành: 60520202 I TÊN ĐỀ TÀI: NGHIÊN CỨU GIẢI THUẬT HUẤN LUYỆN ONLINE ỨNG DỤNG TRONG ĐIỀU KHIỂN SVC II NHIỆM VỤ: Tìm hiểu thiết bị bù tĩnh SVC Ứng dụng SVC để nâng cao độ ổn định động... van điều khiển Hiện nay, nhà nƣớc ta có vài cơng nghiên cứu ứng dụng nơron mờ để điều khiển SVC nhƣng chƣa vào huấn luyện online, cụ thể là: ? ?Ứng dụng mạng Nơron- mờ để điều khiển SVC giữ điện
Ngày đăng: 02/02/2023, 09:50
Xem thêm:
