Đang tải... (xem toàn văn)
Untitled BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT THÀNH PHỐ HỒ CHÍ MINH LUẬN VĂN THẠC SĨ NGUYỄN VŨ PHƯƠNG THẢO NGÀNH THIẾT BỊ MẠNG VÀ NHÀ MÁY ĐIỆN 605250 Tp Hồ Chí Minh, 2012 S K C 0 0 3[.]
BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT THÀNH PHỐ HỒ CHÍ MINH LUẬN VĂN THẠC SĨ NGUYỄN VŨ PHƯƠNG THẢO ĐÁNH GIÁ ỔN ĐỊNH HỆ THỐNG NHIỀU MÁY BẰNG PHƯƠNG PHÁP MÔ PHỎNG S K C 0 9 NGÀNH: THIẾT BỊ MẠNG VÀ NHÀ MÁY ĐIỆN - 605250 S KC 0 Tp Hồ Chí Minh, 2012 BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT THÀNH PHỐ HỒ CHÍ MINH LUẬN VĂN THẠC SĨ NGUYỄN VŨ PHƯƠNG THẢO ĐÁNH GIÁ ỔN ĐỊNH HỆ THỐNG NHIỀU MÁY BẰNG PHƯƠNG PHÁP MÔ PHỎNG Chuyên ngành: Thiết bị, mạng nhà máy điện Mã số ngành: 60 52 50 Cán hướng dẫn KH: PGS.TS QUYỀN HUY ÁNH Tp Hồ Chí Minh, Tháng 12 năm 2012 CƠNG TRÌNH ĐƯỢC HỒN THÀNH TẠI TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT THÀNH PHỐ HỒ CHÍ MINH Cán hướng dẫn khoa học: PGS.TS QUYỀN HUY ÁNH (Ghi rõ họ, tên, chức danh khoa học, học vị chữ ký) Cán chấm nhận xét 1: (Ghi rõ họ, tên, chức danh khoa học, học vị chữ ký) Cán chấm nhận xét 2: (Ghi rõ họ, tên, chức danh khoa học, học vị chữ ký) Luận văn thạc sĩ bảo vệ HỘI ĐỒNG CHẤM BẢO VỆ LUẬN VĂN THẠC SĨ TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT TP HỒ CHÍ MINH Ngày tháng năm 2012 LÍ LỊCH KHOA HỌC Họvàtên: Nguyễn Vũ Phương Thảo Sinh ngày: 21/08/1982 Nơi sinh: Qu ảng Ngãi Địa chỉliên lạc: 189/9, Đường Tâa ân Thới Hiệp 22, P Taâân Thới Hiệp, KP3, Qu ận 12, TP Hồ Chí Minh Quátrình đào tạo (bắt đầu từbậc đại học đến nay): Từ2002 đến 2007: Sinh viên ngành Điện khí hoá- Cung cấp điện, trường Đại học Sư phạm Kỹthuật Thàn h phốHồChí Minh Từ2009 đến nay: Học viên Cao học ngành Thiết bị mạn g vàNhàmáy điện, trườn g Đại học Sư phạm Kỹthuật Thành phốHồChí Minh Quátrình công tá c (bắt đầu từđi làm đến nay): Từ 2007 đến 2009: Nhân viên Dự Á n côn g ty Xây Lắp Kỹ Thuật Việt (VIETEKCONS) - ThủĐức Từ 2010- 2011: Nhân viên Dự Á n công ty Xây Lắp Kỹ Thuật Việt (VIETEKCONS) - ThủĐức Từ2012 đến nay: công tác Công ty Xây Dựn g Cơ Điện Hợp Tiến- Q12, TPHCM Lời cam đoan Tơi xin cam đoan cơng trình nghiên cứu tơi Các số liệu, kết nêu luận văn trung thực chưa công bố cơng trình khác Tp Hồ Chí Minh, ngày 10 tháng 11 năm 2012 Tác giả luận văn Nguyễn Vũ Phương Thảo Nguyễn Vũ Phương Thảo Page i Lời cảm ơn Sau thời gian học tập nghiên cứu trường, tơi hồn thành đề tài luận văn tốt nghiệp cao học Để có thành này, nhận nhiều hỗ trợ giúp đỡ từ thầy cô, gia đình, quan bạn bè Thơng qua luận văn xin chân thành cám ơn: PGS.TS Quyền Huy Ánh, người thầy mẫu mực, tận tụy, định hướng, bảo, truyền đạt kiến thức chuyên môn kinh nghiệm nghiên cứu q trình tơi thực luận văn Q Thầy/Cơ phản biện, đưa quan điểm, đánh giá bổ sung vào lĩnh vực nghiên cứu, giúp hiểu rộng hướng nghiên cứu đề tài, tự đánh giá lại công việc thực Ban Giám hiệu, lãnh đạo Khoa Điện-Điện tử, Q Thầy/Cơ Trường Đại Học Sư Phạm Kỹ Thuật Thành Phố Hồ Chí Minh truyền đạt kiến thức chuyên môn, kinh nghiệm, giúp tự tin tìm hiểu kiến thức chuyên ngành, tạo điều kiện tốt cho tơi hồn thành khố học Xin chân thành cảm ơn gia đình, bạn bè động viên, giúp đỡ cho tơi suốt q trình nghiên cứu học tập Xin chân thành cảm ơn! Tp Hồ Chí Minh, ngày 10 tháng 11 năm 2012 Tác giả luận văn Nguyễn Vũ Phương Thảo Nguyễn Vũ Phương Thảo Page ii Mục Lục Trang Trang tựa Quyết định giao đề tài Lý lịch khoa học Lời cam đoan i Lời cảm ơn ii Mục Lục iii Tóm tắt luận văn .vi Danh sách chữ viết tắt viii Danh sách hình ix Danh sách bảng xi Chương 1: Tổng quan 1.1 Đặt vấn đề 1.2 Mục tiêu Luận văn 1.3 Nội dung phương pháp nghiên cứu 1.3.1 Nội dung nghiên cứu 1.3.2 Phương pháp nghiên cứu 1.4 Phạm vi giới hạn nghiên cứu 1.5 Tính giá trị thực tiễn đề tài Chương 2: LÝ THUYẾT VỀ ỔN ĐỊNH HỆ THỐNG ĐIỆN 2.1 Các khái niệm bản: 2.1.1 Khái niệm ổn định 2.1.2 Phân loại 2.1.2.1 Ổn định tĩnh 2.1.2.2 Ổn định động 2.2 Các tiêu chuẩn khảo sát ổn định tĩnh 2.2.1 Tiêu chuẩn lượng Nguyễn Vũ Phương Thảo Page iii 2.2.2 Phương pháp dao động bé 2.3 Các tiêu chuẩn khảo sát ổn định động 2.3.1 Tiêu chuẩn diện tích 2.3.2 Tiêu chuẩn lượng 11 Chương 3: BỘ ỔN ĐỊNH HỆ THỐNG ĐIỆN 14 3.1 Ổn định hệ thống điện chứa máy phát làm việc với có cơng suất vơ hạn 14 3.2 Ảnh hưởng động học mạch kích từ 17 3.3 Ảnh hưởng thay đổi từ thơng kích tới ổn định 23 3.4 Ảnh hưởng hệ thống kích từ 25 3.5 Thiết kế ổn định hệ thống điện (PSS) 28 3.5.1 Chức ổn định PSS 28 3.5.2 Thiết kế PSS nơron nhận dạng 32 3.5.2.1 Mô tả hệ thống điện 33 3.5.2.2 Xây dựng ổn định hệ thống điện nơron 35 3.5.2.3 Lưu đồ giải thuật chung mạng nơron 38 Chương 4: KHẢO SÁT & SO SÁNH BỘ PSS NƠRON VỚI PSS KUNDUR 45 4.1 Mục đích mơ 45 4.2 Các kết mô 45 4.2.1 Trường hợp 1: Sự cố ngắn mạch thoáng qua đường dây L1 45 4.2.2 Trường hợp 2: Sự cố ngắn mạch thoáng qua L1 cách B1 80km 48 4.2.3 Trường hợp 3: Sự cố ngắn mạch thoáng qua L1 cách B1 50km 50 4.2.4.Trường hợp 4: Sự cố ngắn mạch thoáng qua cách B2 50km ……………… 53 4.2.5 Trường hợp 5: Sự cố ngắn mạch thoáng qua cách B2 30km tăng tải KV thêm 10% 55 4.2.6 Trường hợp 6: Sự cố ngắn mạch thoáng qua cách B1 70km giảm tải KV2 5% 57 4.2.7 Trường hợp 7: Sự cố ngắn mạch thoáng qua L1 cách B2 20km phụ tải KV1 tăng thêm 5% 59 Nguyễn Vũ Phương Thảo Page iv 4.2.8 Trường hợp 8: Sự cố ngắn mạch thoáng qua L1 đường dây, phụ tải KV1 tăng thêm 10%, phụ tải KV2 giảm bớt 5% ………………………… 61 4.3 Kết luận 64 Chương 5: Kết luận hướng phát triển đề tài 65 5.1 Kết luận 65 5.1.1 Các kết đạt đề tài 65 5.1.2 Hạn chế 65 5.2 Hướng phát triển đề tài 66 Tài liệu tham khảo 67 Phụ lục 69 Nguyễn Vũ Phương Thảo Page v Tóm tắt luận văn Hệ thống điện hệ thống phi tuyến phức tạp, điểm vận hành thay đổi diện rộng, dao động tần số thấp liên tục xuất dẫn đến liên kết hệ thống yếu dần Trong máy phát điện, tồn dao động xung quanh điểm vận hành cân bằng, theo sau loại nhiễu loạn, thí dụ thay đổi phụ tải đột ngột, thay đổi thông số đường dây truyền tải, dao động công suất ngõ tuốc bin Ổn định hệ thống điện bao gồm ổn định góc lệch rotor, ổn định tần số ổn định điện áp liên quan mật thiết với [2] Bộ ổn định PSS Kundur [1]với tín hiệu ngõ vào độ lệch tốc độ sử dụng rộng rãi nhằm cung cấp tín hiệu ổn định bổ sung vào hệ thống kích từ máy phát để xóa bỏ dao động điện nâng cao ổn định toàn cục hệ thống; cung cấp moment cản dương pha để xóa bỏ ảnh hưởng moment cản âm hệ thống Với thông số cố định, PSS Kundur khơng thể cung cấp đường đặc tính tối ưu cho tất điểm vận hành khác nhau; hệ thống thay đổi theo thời gian thông số PSS Kundur phải phục hồi lại để tiếp tục cung cấp đường đặc tính mong muốn Ứng dụng PSS hệ thống nhiều máy phát gây nhiều phức tạp tổng hợp thông số PSS; thông số tối ưu hóa cách sử dụng mơ hình động tuyến tính đạt tuyến tính hóa mơ hình phi tuyến xoay quanh điều kiện vận hành cố định ban đầu, thường không cung cấp kết thỏa đáng diện rộng điều kiện vận hành [1, 2, 3, 4] Bộ FTDNN-PSS đề xuất với hai ngõ vào độ lệch tốc độ (dw) độ lệch cơng suất tăng tốc (dPa) có thơng số cập nhật tự điều chỉnh để mô hệ thống trường hợp cố ngắn mạch ba pha, tăng giảm phụ tải diện rộng, vừa tăng giảm phụ tải hai khu vực có xét đến ngắn mạch ba pha đường dây Bộ FTDNN- PSS hai ngõ vào độ lệch tốc độ cơng suất gia tốc, có độ hội tụ nhanh nhằm nhận dạng PSS Kundur điều kiện vận hành khác Các nhân tố có ảnh hưởng đến tốc độ hội tụ luật học lan truyền ngược mạng nơron, từ ứng dụng tốt phát huy hết hiệu mạng Nguyễn Vũ Phương Thảo Page vi Luận văn Tốt Nghiệp GVHD: PGS Ts Quyền Huy Ánh Hình 4.9 So sánh kết mơ TH cố ngắn mạch thống qua L1 đường dây, phụ tải KV1 tăng thêm 10%, phụ tải KV2 giảm bớt 5% Nhận xét kết quả: Cả hai PSS có khả dập tắt dao động cho nhiễu loạn điều kiện vận hành hệ thống Hệ thống ổn định điểm điểm vận hành với dao động độ vọt lố nhỏ Vị trí xảy cố: ngắn mạch, tăng STT giảm phụ tải Sự cố NM thoáng qua L1 TH8 đường dây, phụ tải KV1 tăng thêm 10%, phụ tải KV2 giảm bớt 5% Thời gian HT bắt đầu ổn định trở lại PSS Kundur PSS Nơron 7.3s 7.3s Bảng 4.8 Kết so sánh tác động hai BSS lên hệ thống xảy cố NM thoáng qua L1 đường dây, phụ tải KV1 tăng thêm 10%, phụ tải KV2 giảm bớt 5% Kết mô cho loại nhiễu loạn khác điều kiện vận hành khác chứng tỏ tính hiệu mạnh mẽ FTDNN-PSS so với PSS-Kundur Nguyễn Vũ Phương Thảo Page 63 Luận văn Tốt Nghiệp STT Vị trí xảy cố: ngắn mạch, tăng giảm phụ tải GVHD: PGS Ts Quyền Huy Ánh Thời gian HT bắt đầu ổn định trở lại PSS Kundur PSS Nơron % Tốc độ máy phát so định mức có cố PSS Kundur Sự cố NM thoáng qua đường dây L1 (110km) 6.0s 5.7s Sự cố NM thoáng qua đường dây L1 cách B1 80 km 7.0s 6.0s 100% Sự cố NM thoáng qua đường dây L1 Cách B1 50 Km 5.2s 4.3s 100% Sự cố NM thoáng qua đường dây L1 Cách B2 50 Km 7.0s 7.0s Sự cố NM thoáng qua đường dây L1 Cách B2 80 Km 7.0s Sự cố NM thoáng qua đường dây L1 Cách B2 30 Km Tải vùng hai tăng 10% 100% PSS Nơron 32% 40% % Điện áp đầu cực máy phát so định mức có cố PSS Kundur 100% % Điện áp kích từ Efd so định mức có cố PSS Nơron PSS Kundur PSS Nơron 67% 100% 72% 100% 67% 100% 100% 65% 100% 82% 100% 20% 100% 100% 100% 94% 100% 87.5% 6.0s 100% 100% 100% 92% 100% 36% 7.0s 6.0s 100% 92% 100% 100% 100% 100% Sự cố NM thoáng qua cách B1 70km giảm tải KV2 5% 6.8s 6.8s 100% 93% 100% 94% 100% 100% Sự cố NM thoáng qua L1 đường dây, phụ tải KV1 tăng thêm 10%, phụ tải KV2 giảm bớt 5% 7.3s 7.3 100% 88% 100% 100% 100% 100% Bảng 4.9: Bảng tổng hợp kết so sánh tác động hai BSS lên hệ thống vận hành 4.3 Kết luận: Bộ FTDNN-PSS hai ngõ vào (dw & dPa) sử dụng thay PSS Kundur ngõ vào (dw), ln tạo tín hiệu điện áp ổn định kích từ cho hệ nhiều máy phát sau nhiễu loạn hay điều kiện vận hành khác Bộ FTDNN-PSS có khả thích nghi phi tuyến có hiệu tắt dần nhanh nhiễu loạn lớn nhỏ chí thay đổi điều kiện vận hành hệ thống Dưới tác động FTDNN-PSS, tắt dần dao động nhanh tốt nghĩa máy phát vận hành gần tới khả phát tối đa chúng Đảm bảo máy phát trì ổn định sau cố ngắn mạch ba pha Hệ thống ổn định điểm điểm vận hành với dao động độ vọt lố nhỏ Nó cải thiện đặc tính động máy phát Nguyễn Vũ Phương Thảo Page 64 Luận văn Tốt Nghiệp GVHD: PGS Ts Quyền Huy Ánh CHƯƠNG KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN ĐỀ TÀI 5.1 Kết luận: Đề tài hoàn thành nhiệm vụ giao bao gồm nội dung luận văn sau: - Khảo sát thông số ảnh hưởng đến ổn định hệ thống phương pháp mô - Thiết kế mô hình FTDNN-PSS hai ngõ vào độ lệch tốc độ độ lệch công suất tăng tốc; huấn luyện mạng để điều khiển ổn định hệ thống điện hệ thống xảy cố gây ổn định - Thực mô phỏng, so sánh đánh giá đáp ứng ổn định FTDNNPSS với hệ thống nhiều máy gồm mười bus đến mười ba bus (cố định), xảy cố ba pha đường dây truyền tải trường hợp gắn phụ tải chuẩn, phụ tải nặng, phụ tải nhẹ 5.2 Các kết đạt đề tài: Những đóng góp quan trọng cơng tác nghiên cứu trình bày báo sau: Đề xuất FTDNN-PSS hai ngõ vào (dw & dPa) mạng nơron truyền thẳng có delay ngõ vào thay PSS Kundur ngõ vào (dw) điều chỉnh tín hiệu điện áp kích từ ổn định cho hệ thống nhiều máy phát Bộ FTDNN-PSS có khả thích nghi phi tuyến có đáp ứng tốt tắt dần nhanh nhiễu loạn lớn nhỏ chí thay đổi điều kiện vận hành hệ thống 5.3 Hạn chế: Mạng nơron hồi quy có ưu điểm tốn giải đặc tính động hệ thống mạng nơron hồi quy có ngõ mạng phụ thuộc vào ngõ vào trước mà cịn phụ thuộc vào ngõ vào/ trước cấu trúc Việc thiết kế PSS điều chỉnh tín hiệu điện áp kích từ mạng hồi quy tốt mạng truyền thẳng, lựa chọn giải thuật huấn luyện mạng vừa điểu chỉnh trọng số cấu trúc mạng vấn đề cần quan tâm Nguyễn Vũ Phương Thảo Page 65 Luận văn Tốt Nghiệp GVHD: PGS Ts Quyền Huy Ánh nhiều việc thiết kế PSS điều chỉnh tín hiệu điện áp điều khiển kích từ máy phát Bên cạnh luật học giám sát mạng nơron hầu hết sử dụng thường xuyên luật học cưỡng chế mạng đề xuất đến thiết kế điều khiển có thành cơng định Kết hợp kỹ thuật ANN với kỹ thuật điều khiển thông minh nhằm tạo PSS tối ưu nhất, đáp ứng tốt tiếp tục nghiên cứu ứng dụng thêm 5.4 Hướng phát triển đề tài: Dựa theo kết nghiên cứu luận văn này, học viên đề nghị tiếp tục nghiên cứu tương lai: - Xây dựng nhận dạng điều khiển riêng cho mơ hình hệ thống điện với phương pháp huấn luyện offline kết hợp ANN kỹ thuật thông minh nhân tạo (AI) khác để nâng cao độ tin cậy cải thiện yếu PSS thơng thường để có PSS tốt - Ứng dụng giải thuật huấn luyện vừa điều chỉnh trọng số đồng thời thay đổi cấu trúc mạng để đạt tốc độ hội tụ nhanh với điều kiện vận hành khác hệ thống - Thiết kế PSS điều khiển hệ thống kích từ máy phát sở mạng nơron hồi quy có nhiều ngõ vào nhiều ngõ đáp ứng tốt đặc tính động hệ thống điện trường hợp cố khác Nguyễn Vũ Phương Thảo Page 66 Luận văn Tốt Nghiệp GVHD: PGS Ts Quyền Huy Ánh Tài liệu tham khảo [1].Kundur -Two Area System” Written by Jonas Persson, STRI AB, July, 1996 and revised September, 2004 [2].Jan Machowski, Janusz W Bialek and James R Bumby “POWER SYSTEM DYNAMICS Stability and Control” john wiley & sons, Ltd [3].H Demuth, mark beale, martin hagan, “Neural network Toolbox User’s Guide”, Mathworks Inc [4].Industrial Automation – Artificial Neural networks, Written by: Shady Gadoue [5].Chun-Jung Chen and Tien-Chi Chen “Power System Stabilizer for Multi Machine Using Genetic Algorithms Based on Recurrent Neural Network” 0-76952882-1/07 $25.00 ©2007 IEEE [6].PGS.TS Nguyễn Hồng Việt, PGS.TS Phan Thị Thanh Bình, Ngắn Mạch & Ổn Định Trong Hệ Thống Điện, Nhà xuất ĐHQG Tp,HCM [7].TS Nguyễn Như Hiền, TS Lại Khắc Lãi, Hệ mờ & Nơron kỹ thuật điều khiển, Nhà xuất khoa học tự nhiện công nghệ Hà Nội, 2007 [8].Bùi Cơng Cường, Nguyễn Dỗn Phước, Hệ mờ, mạng nơron ứng dụng, Nhà xuất khoa học kỹ thuật, 2006 [9].Industrial Automation–Artificial Neural networks; Written by: Shady Gadoue; EEE 8005– Student Directed Learning (SDL) [10].Huỳnh Thái Hồng, Bài thí nghiệm nhận dạng hệ thống, Đại học Bách Khoa Tp.HCM, 2005 [11].I Chun-Jung Chen and Tien-Chi Chen “Power System Stabilizer for MultiMachine Using Genetic Algorithms Based on Recurrent Neural Network” 0-76952882-1/07 $25.00 ©2007 IEEE) [12].Prabha Kundur, “Power System Stability and Control”, New York: McGraw Hill, 1994 [13].Sidhartha Panda and Narayana Prasad Padhy “Power System with PSS and FACTS Controller: Modelling, Simulation and Simultaneous Tuning Employing Genetic Algorithm”, International Journal of Electrical and Electronics Engineering Nguyễn Vũ Phương Thảo Page 67 Luận văn Tốt Nghiệp GVHD: PGS Ts Quyền Huy Ánh 1:1 2007 [14].Jian He, “Adaptive power system stabilizer based on recurrent neural network”, the University of Calgary october 1998 [15].J He and O.P hfalik, Fellow, IEEE “Design of an Adaptive Power SystemStabilizer Using Recurrent Neural Networks” IEEE Wescanex'95 proceedings [16].Y Zhang G P Chen P Malik G S Hope “An artifical neural network based adaptive power system stabilizer'' IEEE Transactions on Energy Conversion, Vol 8, No 1, March 1993 [17].Pinak Tulpule, Ali Feliachi “Online Learning Neural Network based PSS with Adaptive Training Parameters”, 1-4244-1298-6/07/$25.00 ©2007 IEEE Nguyễn Vũ Phương Thảo Page 68 Luận văn Tốt Nghiệp GVHD: PGS Ts Quyền Huy Ánh Phụ lục Code nhận dạng PSS Kundur clc; load dwG1.mat load dPaG1.mat load UpssG1.mat load dwG2.mat load dPaG2.mat load UpssG2.mat load dwG3.mat load dPaG3.mat load UpssG3.mat load dwG4.mat load dPaG4.mat load UpssG4.mat i = 3; % So delay >=1 Ni = [2 18 18]; % Neural May u1 = dwG1(2,:); u2 = dPaG1(2,:); y = UpssG1(2,:); p = con2seq([u1(i+1:end);u2(i+1:end)]); t = con2seq(y(i+1:end)); Pi = con2seq([u1(1:i);u2(1:i)]); ID = [0:i]; net = newfftd(p,t,ID,Ni); net=init(net); net.iw{1,1} net.b{1} net.trainFcn = 'trainlm'; net.trainParam.epochs = 3000; Nguyễn Vũ Phương Thảo Page 69 Luận văn Tốt Nghiệp GVHD: PGS Ts Quyền Huy Ánh % net.trainParam.goal = 1e-006; net = train(net,p,t,Pi); th = net(p,Pi); Sai_So = gsubtract(th,t); Mse_G1 = sqrt(mse(Sai_So)) gensim(net,0.001) % Neural May u1 = dwG2(2,:); u2 = dPaG2(2,:); y = UpssG2(2,:); p = con2seq([u1(i+1:end);u2(i+1:end)]); t = con2seq(y(i+1:end)); Pi = con2seq([u1(1:i);u2(1:i)]); ID = [0:i]; net = newfftd(p,t,ID,Ni); net=init(net); net.iw{1,1} net.b{1} net.trainFcn = 'trainlm'; net.trainParam.epochs = 3000; % net.trainParam.goal = 1e-006; net = train(net,p,t,Pi); th = net(p,Pi); Sai_So = gsubtract(th,t); Mse_G2 = sqrt(mse(Sai_So)) gensim(net,0.001) % Neural May u1 = dwG3(2,:); u2 = dPaG3(2,:); y = UpssG3(2,:); p = con2seq([u1(i+1:end);u2(i+1:end)]); t = con2seq(y(i+1:end)); Nguyễn Vũ Phương Thảo Page 70 Luận văn Tốt Nghiệp GVHD: PGS Ts Quyền Huy Ánh Pi = con2seq([u1(1:i);u2(1:i)]); ID = [0:i]; net = newfftd(p,t,ID,Ni); net=init(net); net.iw{1,1} net.b{1} net.trainFcn = 'trainlm'; net.trainParam.epochs = 3000; % net.trainParam.goal = 1e-006; net = train(net,p,t,Pi); th = net(p,Pi); Sai_So = gsubtract(th,t); Mse_G3 = sqrt(mse(Sai_So)) gensim(net,0.001) % Neural May u1 = dwG4(2,:); u2 = dPaG4(2,:); y = UpssG4(2,:); p = con2seq([u1(i+1:end);u2(i+1:end)]); t = con2seq(y(i+1:end)); Pi = con2seq([u1(1:i);u2(1:i)]); ID = [0:i]; net = newfftd(p,t,ID,Ni); net=init(net); net.iw{1,1} net.b{1} net.trainFcn = 'trainlm'; net.trainParam.epochs = 3000; % net.trainParam.goal = 1e-006; net = train(net,p,t,Pi); th = net(p,Pi); Sai_So = gsubtract(th,t); Nguyễn Vũ Phương Thảo Page 71 Luận văn Tốt Nghiệp GVHD: PGS Ts Quyền Huy Ánh Mse_G4 = sqrt(mse(Sai_So)) gensim(net,0.001) Code nhận dạng PSS Kundur clc; load dwG1.mat load dPaG1.mat load UpssG1.mat load dwG2.mat load dPaG2.mat load UpssG2.mat load dwG3.mat load dPaG3.mat load UpssG3.mat load dwG4.mat load dPaG4.mat load UpssG4.mat i = 1; % So delay ngo vao j = 1; % So delay ngo >= d1 = [0:i]; d2 = [1:j]; Ni = [2 44]; % Lop an % May u1 = dwG1(2,:); u2 = dPaG1(2,:); y = UpssG1(2,:); u = [u1;u2]; u = con2seq(u); y = con2seq(y); narx_net = narxnet(d1,d2,Ni); [p,Pi,Ai,t] = preparets(narx_net,u,{},y); narx_net.trainFcn = 'trainbr'; narx_net.trainParam.epochs = 300; Nguyễn Vũ Phương Thảo Page 72 Luận văn Tốt Nghiệp GVHD: PGS Ts Quyền Huy Ánh narx_net = train(narx_net,p,t,Pi); narx_net = closeloop(narx_net); [p,Pi,Ai,t] = preparets(narx_net,u,{},y); yt = narx_net(p,Pi,Ai); Sai_So = gsubtract(yt,t); Mse_G1 = sqrt(mse(Sai_So)) gensim(narx_net,0.001) % May u1 = dwG2(2,:); u2 = dPaG2(2,:); y = UpssG2(2,:); u = [u1;u2]; u = con2seq(u); y = con2seq(y); narx_net = narxnet(d1,d2,Ni); [p,Pi,Ai,t] = preparets(narx_net,u,{},y); narx_net.trainFcn = 'trainbr'; narx_net.trainParam.epochs = 300; narx_net = train(narx_net,p,t,Pi); narx_net = closeloop(narx_net); [p,Pi,Ai,t] = preparets(narx_net,u,{},y); yt = narx_net(p,Pi,Ai); Sai_So = gsubtract(yt,t); Mse_G2 = sqrt(mse(Sai_So)) gensim(narx_net,0.001) % May u1 = dwG3(2,:); u2 = dPaG3(2,:); y = UpssG3(2,:); u = [u1;u2]; u = con2seq(u); y = con2seq(y); Nguyễn Vũ Phương Thảo Page 73 Luận văn Tốt Nghiệp GVHD: PGS Ts Quyền Huy Ánh narx_net = narxnet(d1,d2,Ni); [p,Pi,Ai,t] = preparets(narx_net,u,{},y); narx_net.trainFcn = 'trainbr'; narx_net.trainParam.epochs = 300; narx_net = train(narx_net,p,t,Pi); narx_net = closeloop(narx_net); [p,Pi,Ai,t] = preparets(narx_net,u,{},y); yt = narx_net(p,Pi,Ai); Sai_So = gsubtract(yt,t); Mse_G3 = sqrt(mse(Sai_So)) gensim(narx_net,0.001) % May u1 = dwG4(2,:); u2 = dPaG4(2,:); y = UpssG4(2,:); u = [u1;u2]; u = con2seq(u); y = con2seq(y); narx_net = narxnet(d1,d2,Ni); [p,Pi,Ai,t] = preparets(narx_net,u,{},y); narx_net.trainFcn = 'trainbr'; narx_net.trainParam.epochs = 300; narx_net = train(narx_net,p,t,Pi); narx_net = closeloop(narx_net); [p,Pi,Ai,t] = preparets(narx_net,u,{},y); yt = narx_net(p,Pi,Ai); Sai_So = gsubtract(yt,t); Mse_G4 = sqrt(mse(Sai_So)) gensim(narx_net,0.001) Code nhận dạng PSS Kundur clc; load dwG1.mat Nguyễn Vũ Phương Thảo Page 74 Luận văn Tốt Nghiệp GVHD: PGS Ts Quyền Huy Ánh load dPaG1.mat load UpssG1.mat load dwG2.mat load dPaG2.mat load UpssG2.mat load dwG3.mat load dPaG3.mat load UpssG3.mat load dwG4.mat load dPaG4.mat load UpssG4.mat Ni = [2 18 18]; % May u1 = dwG1(2,:); u2 = dPaG1(2,:); y = UpssG1(2,:); u = [u1;u2]; net = newff(u,y,Ni); net.trainFcn = 'trainlm'; net.trainParam.epochs = 300; net = train(net,u,y); yh = net(u); Sai_So = gsubtract(yh,y); Mse_G1 = sqrt(mse(Sai_So)) gensim(net,0.001) % May u1 = dwG2(2,:); u2 = dPaG2(2,:); y = UpssG2(2,:); u = [u1;u2]; net = newff(u,y,Ni); net.trainFcn = 'trainlm'; Nguyễn Vũ Phương Thảo Page 75 Luận văn Tốt Nghiệp GVHD: PGS Ts Quyền Huy Ánh net.trainParam.epochs = 300; net = train(net,u,y); yh = net(u); Sai_So = gsubtract(yh,y); Mse_G2 = sqrt(mse(Sai_So)) gensim(net,0.001) % Neural May u1 = dwG3(2,:); u2 = dPaG3(2,:); y = UpssG3(2,:); u = [u1;u2]; net = newff(u,y,Ni); net.trainFcn = 'trainlm'; net.trainParam.epochs = 300; net = train(net,u,y); yh = net(u); Sai_So = gsubtract(yh,y); Mse_G3 = sqrt(mse(Sai_So)) gensim(net,0.001) % Neural May u1 = dwG4(2,:); u2 = dPaG4(2,:); y = UpssG4(2,:); u = [u1;u2]; net = newff(u,y,Ni); net.trainFcn = 'trainlm'; net.trainParam.epochs = 300; net = train(net,u,y); yh = net(u); Sai_So = gsubtract(yh,y); Mse_G4 = sqrt(mse(Sai_So)) gensim(net,0.001) Nguyễn Vũ Phương Thảo Page 76