Hcmute nghiên cứu giải thuật huấn luyện online ứng dụng trong điều khiển svc

BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT THÀNH PHỐ HỒ CHÍ MINH CƠNG TRÌNH NGHIÊN CỨU KHOA HỌC CẤP TRƯỜNG NGHIÊN CỨU GIẢI THUẬT HUẤN LUYỆN ONLINE ỨNG DỤNG TRONG ĐIỀU KHIỂN SVC MÃ SỐ: T2018-49TĐ SKC 0 Tp Hồ Chí Minh, tháng 04/2019 Luan van BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT THÀNH PHỐ HỒ CHÍ MINH BÁO CÁO TỔNG KẾT ĐỀ TÀI KH&CN CẤP TRƯỜNG TRỌNG ĐIỂM NGHIÊN CỨU GIẢI THUẬT HUẤN LUYỆN ONLINE ỨNG DỤNG TRONG ĐIỀU KHIỂN SVC Mã số: T2018-49TĐ Chủ nhiệm đề tài: TS Nguyễn Thị Mi Sa TP HCM, 04/2019 Luan van TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT THÀNH PHỐ HỒ CHÍ MINH KHOA ĐIỆN – ĐIỆN TỬ BÁO CÁO TỔNG KẾT ĐỀ TÀI KH&CN CẤP TRƯỜNG TRỌNG ĐIỂM NGHIÊN CỨU GIẢI THUẬT HUẤN LUYỆN ONLINE ỨNG DỤNG TRONG ĐIỀU KHIỂN SVC Mã số: T2018-49TĐ Chủ nhiệm đề tài: TS Nguyễn Thị Mi Sa TP HCM, 04/2019 Luan van MỤC LỤC MỤC LỤC i DANH SÁCH CÁC BẢNG iv DANH SÁCH CÁC HÌNH v Chương TỔNG QUAN 1.1 Lý chọn đề tài tính cấp thiết đề tài 1.2 Tổng quan tình hình nghiên cứu 1.3 Mục tiêu nghiên cứu, đối tượng nghiên cứu phạm vi nghiên cứu 1.4 Nhiệm vụ giới hạn đề tài 1.5 Phương pháp nghiên cứu .4 1.6 Nội dung đề tài Chương THIẾT BỊ BÙ TĨNH SVC 2.1 Thiết bị bù tĩnh điều khiển thyristor SVC (Static Var compensator) 2.1.1 Cấu tạo nguyên lý SVC 2.1.2 Nguyên nhân lõm điện áp 10 2.1.3 Một số ứng dụng SVC 14 2.1.4 Các đặc tính SVC 14 2.1.4.2 Đặc tính làm việc SVC 16 2.1.4.3 Điều chỉnh điện áp SVC 17 Chương TỔNG QUAN VỀ HỆ NƠRON MỜ (ANFIS) .20 3.1 Đặt vấn đề 20 3.2 Tổng quan điều khiển mờ 20 i Luan van 3.2.1 Giới thiệu 20 3.2.2 Cấu trúc hệ điều khiển mờ 23 3.3 Tổng quan mạng nơron 27 3.3.1 Giới thiệu 27 3.3.2 Lịch sử phát triển mạng nơron nhân tạo 28 3.3.3 Cấu trúc mạng nơron nhân tạo 29 3.3.4 Mô hình nơron 31 3.3.5 Cấu trúc mạng 33 3.3.6 Huấn luyện mạng .35 3.4 Sự kết hợp mạng nơron logic mờ 37 3.4.1 Vài nét lịch sử phát triển .37 3.4.2 Logic mờ 37 3.4.3 Mạng nơron 38 3.4.4 Sự kết hợp mạng nơron logic mờ 38 3.4.5 Cấu trúc chung hệ nơron mờ 40 3.5 Nơron mờ .40 3.6 Huấn luyện mạng Nơron-mờ 43 Chương THIẾT KẾ BỘ ĐIỀU KHIỂN ANFIS TRỰC TUYẾN 48 4.1 Giới thiệu mơ hình nghiên cứu 48 4.2 Thiết kế điều khiển ANFIS trực tuyến ứng dụng cho điều khiển SVC 49 4.3 Kết mô 54 Chương 63 KẾT LUẬN VÀ KIẾN NGHỊ 63 5.1 Kết luận 63 ii Luan van 5.2 Kiến nghị 63 PHỤ LỤC 64 TÀI LIỆU THAM KHẢO 69 iii Luan van DANH SÁCH CÁC BẢNG Bảng 3.1: So sánh mạng nơron logic mờ 38 iv Luan van DANH SÁCH CÁC HÌNH Hình 2.1:Cấu tạo SVC Hình 2.2: Nguyên lý Thyristor mắc song song ngược Hình 2.3: Đồ thị dịng điện tải .7 Hình 2.4: Hình ảnh Van Thiristor điều khiển chiều (Bi-Directional Control Thyristors-BCT) Hình 2.5: Nguyên lý hoạt động TCR 10 Hình 6: Hình ảnh tụ TSC .11 Hình 7: Hình ảnh Van TSC thiết bị giải nhiệt 11 Hình 8: Nguyên lý hoạt động TSC 12 Hình 9: Hệ thống điều khiển SVC .12 Hình 10: Biểu đồ hoạt động SVC 13 Hình 11: Mơ Hình SVC lắp đặt thực tế .14 Hình 12: Đặc tính V-I SVC 16 Hình 2.13: Đặc tính làm việc SVC điều chỉnh theo điện áp 17 Hình 14: Điều chỉnh điện áp nút phụ tải SVC 18 Hình 15: Sự thay đổi điện áp phụ tải có khơng có SVC .19 Hình 1: Các khối chức điều khiển mờ .23 Hình 2: Các hàm liên thuộc biến ngôn ngữ 24 Hình 3: So sánh phương pháp giải mờ 27 Hình 3.4: Mơ hình nơ ron sinh học .29 Hình 5: Mơ hình nơron đơn giản 31 Hình 3.6: Mạng nơron lớp .31 Hình 7:Mơ hình nơron đơn giản 32 Hình 8: Nơron với R đầu vào .32 Hình 9: Ký hiệu nơron với R đầu vào 33 Hình 10: Cấu trúc mạng nơron lớp 33 Hình 11: Ký hiệu mạng R đầu vào S .34 Hình 3.12: Ký hiệu lớp mạng 35 v Luan van Hình 13: Cấu trúc mạng nơron lớp 35 Hình 14: Ký hiệu tắt mạng nơron lớp 35 Hình 15: Cấu trúc huấn luyện mạng 36 Hình 16: Mơ hình hệ nơron mờ 40 Hình 4.1: Mơ hình hệ thống nghiên cứu (a) mơ hình Matlab(b) .48 Hình 2: Cấu trúc mạng ANFIS .49 Hình 3: Khối điều khiển ANFIS simulink 52 Hình 4: Cấu tạo bên điều khiển SVC 55 Hình 5: Bộ điều khiển ban đầu PI 55 Hình 4.6: Bộ điều khiển ANFIS .56 Hình 7: Công suất đường dây P line .56 Hình 8: Điện áp Bus B1 57 Hình 9: Điện áp Bus B2 57 Hình 4.10: Điện áp Bus B3 58 Hình 11: Điện áp định mức Vm 58 Hình 12: Hệ số bù B 59 Hình 13: Cơng suất đường dây P line .59 Hình 4.14: Điện áp Bus B1 59 Hình 15: Điện áp Bus B2 60 Hình 16 : Điện áp Bus B3 .60 Hình 17: Điện áp định mức Vm 61 Hình 4.18: Hệ số bù B 61 vi Luan van Chương TỔNG QUAN 1.1 Lý chọn đề tài tính cấp thiết đề tài Hiện nay, có nhiều cơng trình nghiên cứu ứng dụng thiết bị FACTS, đặc biệt sử dụng thiết bị phát nguồn công suất phản kháng cho hệ thống lưới điện nhằm đảm bảo ổn định điện áp cho hệ thống Tuy nhiên, việc đánh giá, lựa chọn thiết bị phát công suất hợp lý, dung lượng bù tối ưu phân tích chế độ xác lập, độ chưa quan tâm sâu sắc Theo thực tế nay, hệ thống điện sử dụng hệ thống điện xoay chiều Hệ thống điện xoay chiều hệ thống điện phức tạp, gồm có máy phát đồng bộ, đường dây truyền tải, máy biến áp, thiết bị bù phụ tải…và chia thành ba khâu: sản xuất, truyền tải phân phối Một hệ thống điện xoay chiều hoạt động phải thỏa yêu cầu sau: - Các máy phát điện làm việc chế độ đồng - Điện áp vận hành nằm giới hạn cho phép theo qui định - Tần số vận hành nằm giới hạn cho phép theo qui định - Các phụ tải phải cung cấp nguồn điện đầy đủ - Các đường dây phải vận hành điều kiện bình thường khơng tải Trong hệ thống điện, công suất truyền tải đường dây phụ thuộc vào tổng trở đường dây, điện áp góc truyền tải điểm đầu điểm cuối đường dây, đại lượng giới hạn cơng suất truyền tải đường dây Vì vậy, khả truyền tải công suất đường dây cải thiện đáng kể việc tăng công suất phản kháng phía phụ tải, lắp cuộn kháng bù ngang (mắc song song), tụ điện bù dọc (mắc nối tiếp) vào đường dây để điều ển điện áp dọc theo chiều dài đường dây Luan van Hình 4.10: Điện áp Bus B3 Hình 11: Điện áp định mức Vm 58 Luan van Hình 12: Hệ số bù B  Trường hợp tải 20% Hình 13: Công suất đường dây P line - Điện áp Bus B1,B2,B3 Hình 4.14: Điện áp Bus B1 59 Luan van Hình 15: Điện áp Bus B2 Hình 16 : Điện áp Bus B3 60 Luan van Hình 17: Điện áp định mức Vm Hình 4.18: Hệ số bù B 61 Luan van Nhận xét Qua kết thu từ trường hợp lỗi pha nối đất tang tải 20% cho ta thấy hệ thống có điều khiển ANFIS đáp ứng tốt so với điều khiển ban đầu PI hệ số công suất đường 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 trước 62 Luan van Chương KẾT LUẬN VÀ KIẾN NGHỊ 5.1 Kết luận Đề tài trình bày việc cải thiện ổn định động hệ thống nghiên cứu Để cung cấp công suất phản kháng thích hợp cho hệ thống, thiết bị bù tĩnh SVC sử dụng hệ thống Cùng với đó, điều khiển ANFIS trực tuyến thiết kế để thay cho điều khiển PI SVC Kết so sánh miền thời gian với cố ngắn mạch pha chạm đất, tải 20% 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 mô SVC điều khiển điều khiển ANFIS trực tuyến 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 Hướng phát triển đề tài tương lai:  Chọn lựa dung lượng SVC cho tối ưu 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 ưu cách sử dụng phương pháp PSO GA để tối ưu hệ số, nhằm nâng cao khả hoạt động chúng 63 Luan van PHỤ 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; Scatter-type % Number of Fuzzy Logic Rules as specified by % 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, ?, % API block % sample %% - % 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; 64 Luan van 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); %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% 65 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; 66 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); 67 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 68 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 lưới 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 Lượng 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 69 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 Như 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 [12] L Gyugyi, C D Schauder, and K K Sen, “Static synchronous series compensator: A solid-state approach to series compensation of transmission lines,” IEEE Trans Power Delivery, vol 12, no 1, pp 406-417, Jan 1997 [13] H F Wang, “Design of SSSC damping controller to improve power system oscillation stability,” in Proc 1999 IEEE AFRICON, vol 1, pp 495-500 [14] K K Sen, “SSSC - Static synchronous series compensator: Theory, modeling, and applications,” IEEE Trans Power Delivery, vol 13, no 1, pp 241-245, Jan 1998 [15] L S Kumar and A Ghosh, “Modeling and control design of a static synchronous series compensator,” IEEE Trans Power Delivery, vol 14, no 4, pp 1448-1453, Oct 1999 [16] M S Castro, H M Ayres, V F da-Costa, and L C P da-Silva, “Impacts of the SSSC control modes on small-signal and transient stability of a power system,” Electric Power Systems Research, vol 77, no 1, pp 1-9, Jan 2007 [17] Yong Hua Song and Allan T Johns, “Flexible AC Transmission Systems (FACTS)” Institution of Engineering and Technology, 1999 [18] G N Pillai, A Ghosh, and A Joshi, “Torsional oscillation studies in an SSSC compensated power system,” Electric Power System Research, vol 55, no 1, pp 57-64, Jul 2000 [19] D.-N Truong and L Wang, “Application of a static synchronous series compensator to improve stability of a SG-based power system with an offshore wind farm,” in Proc 2012 IEEE PES General Meeting, 22-26 Jul 2012, San Diego, CA, USA 70 Luan van [20] C Pradhan and P W Lehn, “Frequency-domain analysis of the static synchronous series compensator,” IEEE Trans Power Delivery, vol 21, no 1, pp 440-449, Jan 2006 [21] N.V.Nho, M.J Youn “ Two-mode overmodulation in two-level VSI using principle control between limit trajectories”, CD-ROM Proceedings PEDS 2003, pp.1274-1279 [22] N.V.Nho, M.J.Youn,” A Comprehensive Study On SVPWM – Carrier Based PWM Correlation In Multilevel Inverters”, IEE Proceedings -Electric Power Applications, 2005 71 Luan van S K L 0 Luan van ... ? ?Nghiên cứu giải thuật huấn luyện online ứng dụng điều khiển SVC? ?? 1.2 Tổng quan tình hình nghiên cứu Việc nghiên cứu điều khiển bù SVC để làm tăng khả đáp ứng cần thiết có ý nghĩa Một hướng nghiên. .. Một hướng nghiên cứu để làm tăng khả đáp ứng ứng dụng mạng nơron mờ việc xây dựng điều khiển Trong [1-4], việc nghiên cứu ứng dụng nơron mờ để điều khiển SVC chưa vào huấn luyện online đưa xem... pháp, giải thuật huấn luyện cho SVC oqr nước nghiên cứu [5-7] 1.3 Mục tiêu nghiên cứu, đối tượng nghiên cứu phạm vi nghiên cứu Các mục tiêu sau thực đề tài:  Tìm hiểu thiết bị bù tĩnh SVC  Ứng dụng