Điều khiển tần số thông minh trong hệ thống điện đa nguồn phát

BỘ CƠNG THƯƠNG TRƯỜNG ĐẠI HỌC ĐIỆN LỰC ĐỒN DIỄM VƯƠNG ĐIỀU KHIỂN TẦN SỐ THÔNG MINH TRONG HỆ THỐNG ĐIỆN ĐA NGUỒN PHÁT LUẬN ÁN TIẾN SĨ KỸ THUẬT ĐIỀU KHIỂN VÀ TỰ ĐỘNG HÓA Hà Nội - 2023 BỘ CƠNG THƯƠNG TRƯỜNG ĐẠI HỌC ĐIỆN LỰC ĐỒN DIỄM VƯƠNG ĐIỀU KHIỂN TẦN SỐ THÔNG MINH TRONG HỆ THỐNG ĐIỆN ĐA NGUỒN PHÁT Ngành : Kỹ thuật điều khiển tự động hóa Mã số: 9520216 LUẬN ÁN TIẾN SĨ KỸ THUẬT ĐIỀU KHIỂN VÀ TỰ ĐỘNG HÓA NGƯỜI HƯỚNG DẪN KHOA HỌC: TS NGUYỄN NGỌC KHOÁT PGS TS THÁI QUANG VINH Hà Nội - 2023 i LỜI CAM ĐOAN Tôi xin cam đoan công trình nghiên cứu riêng tơi Các thơng tin trích dẫn luận án liệt kê đầy đủ rõ nguồn gốc Các số liệu, kết nêu luận án trung thực chưa công bố công trình khoa học khác Tập thể người hướng dẫn Hà Nội, ngày 29 tháng năm 2023 Nghiên cứu sinh TS Nguyễn Ngọc Khoát PGS TS Thái Quang Vinh Đồn Diễm Vương ii LỜI CẢM ƠN Tơi xin bày tỏ lời cảm ơn lịng kính trọng người thầy hướng dẫn dẫn quý báu định hướng nghiên cứu để tơi hiểu rõ đối tượng nghiên cứu để đưa giải thuật điều khiển tốt nhằm ổn định tần số hệ thống điện đa máy phát kết nối Hà Nội, ngày 29 tháng năm 2023 Nghiên cứu sinh Đoàn Diễm Vương iii MỤC LỤC LỜI CAM ĐOAN i LỜI CẢM ƠN ii MỤC LỤC iii DANH MỤC KÍ HIỆU VÀ CHỮ VIẾT TẮT v DANH MỤC BẢNG vii DANH MỤC CÁC HÌNH VẼ viii MỞ ĐẦU 1.Tính cấp thiết đề tài 2.Mục đích luận án phạm vi nghiên cứu, phương pháp nghiên cứu 3.Ý nghĩa khoa học thực tiễn đề tài 4.Bố cục luận án CHƯƠNG I: TỔNG QUAN VỀ ĐIỀU KHIỂN TẦN SỐ 1.1.Điều khiển tần số hệ thống điện đa kết nối 1.2.Phân tích, đánh giá cơng trình nghiên cứu cơng bố ngồi nước9 1.3.Kết luận chương 21 CHƯƠNG II: CƠ SỞ LÝ THUYẾT 22 2.1 Mơ hình hóa hệ thống điện đa kết nối 22 2.1.1.Bộ điều tốc .22 2.1.2 Tua bin 23 2.1.3 Tua bin gió 25 2.1.4 Năng lượng mặt trời 26 2.1.5 Máy phát tải .26 2.1.6 Cấu trúc hệ thống điện đơn vùng 29 2.1.7 Cấu trúc hệ thống nhiều vùng 32 2.2 Cơ sở lý thuyết điều khiển 43 2.2.1 Bộ điều khiển PID 43 2.2.2 Bộ điều khiển thích nghi 43 iv 2.2.3 Bộ điều khiển mờ 45 2.2.4 Các phương pháp tối ưu 52 2.3 Kết luận chương 57 CHƯƠNG III: THIẾT KẾ BỘ ĐIỀU KHIỂN THÍCH NGHI HÀM GAUSS CHO BÀI TOÁN ĐIỀU KHIỂN TẦN SỐ 59 3.1 Thiết kế điều khiển thích nghi hàm Gauss sử dụng Lyapunov 59 3.2 Đáp ứng hệ thống điện sử dụng điều khiển thích nghi hàm Gauss 64 3.3 Kết luận chương 67 CHƯƠNG IV: THIẾT KẾ BỘ ĐIỀU KHIỂN THÔNG MINH ĐIỀU KHIỂN TẦN SỐ HỆ THỐNG ĐIỆN ĐA NGUỒN PHÁT 68 4.1 Thiết kế điều khiển mờ - PID ổn định tần số hệ thống điện đa kết nối 68 4.1.1 Thiết kế điều khiển .68 4.1.2 Mô kết .72 4.2 Thiết kế điều khiển mờ - PSO - PID 86 4.2.1 Thiết kế điều khiển .86 4.2.2 Mô kết .90 4.3 Kết luận chương 95 KẾT LUẬN VÀ KIẾN NGHỊ 96 Đánh giá kết nghiên cứu 96 2.Hướng phát triển nghiên cứu 97 v DANH MỤC KÍ HIỆU VÀ CHỮ VIẾT TẮT STT Từ viết tắt Tiếng Anh Proportional Integral Derivative Fuzzy Proportional Integral Derivative Fuzzy Observer Proportional Integral Derivative hybrid Particle Swarm Optimization - Pattern Search Bacterial Foraging Optimization Algorithm Genetic Algorithm Adaptive Neuro-Fuzzy Inference System High-Voltage Direct Current PID FPID FOPID hPSO-PS BFOA GA ANFIS HVDC 10 11 VSS FGS ZN Fuzzy Gain-Scheduling 12 GWO Grey Wolf Optimization 13 QOGWO 14 COA 15 T-SMC 16 17 LFC GDB 18 GRC 19 PSO 20 RESs 21 22 23 BIA LQ MPC Quasi-Oppositional Grey Wolf Optimization Cuckoo Optimization Algorithm Terminal Sliding Mode Control Load Frequency Control Governor Deadband Generation Rate Constraint Particle Swarm Optimization Renewable Energy Sources Bat inspired algorithm Linear Quadratic Model Predictive Tiếng Việt Thuật tốn tỉ lệ- tích phân – vi phân Thuật toán mờ-PID Thuật toán mờ-PID quan sát Thuật tốn lai tối ưu hóa bầy đàn tìm kiếm mẫu Thuật tốn tìm kiếm tối ưu hóa vi khuẩn Thuật toán di truyền Thuật toán lai mờ nơ ron thích nghi Truyền tải cao áp chiều Hệ thống cấu trúc biến đổi Điều chỉnh thông số mờ Ziegler–Nichols Thuật tốn tối ưu bầy sói xám Thuật tốn tối ưu bầy sói xám tựa đối lập Thuật toán tối ưu chim cucco Điều khiển trượt đầu cuối Điều khiển tần số tải Dải chết máy điều tốc Giới hạn công suất phát Tối ưu bày đàn Các nguồn lượng tái tạo Thuật tốn lồi dơi Tồn phương tuyến tính Bộ điều khiển dự báo mơ vi 24 BBO 25 MO 26 DEPSO 27 FOC 28 BSA 29 GSA 30 BOA 31 PHEVS 32 MBA 33 ICA Controller Biogeography-Based Optimization Many-Objective Differential Evolution and Particle Swarm Optimisation Algorithm Fractional Order Control Backtracking Search Algorithm Gravitational search algorithm Butterfly Optimization Algorithm Plug-in Hybrid Electric Vehicles Mine Blast Algorithm Imperialist Competitive Algorithm 34 SMES Superconducting Magnetic Energy Storage 35 HHO Harris Hawks Optimizer 36 DE-PSO 37 MUGA 38 IGWO 39 FPA hình Tối ưu hóa dựa địa lý sinh học Đa mục tiêu Thuật toán lai bầy đàn tiến hóa vi phân Điều khiển đa tầng theo thứ tự Thuật tốn tìm kiếm quay lùi Thuật tốn tìm kiếm hấp dẫn Thuật tốn tối ưu hóa theo đàn bướm Xe điện lai Thuật tốn nổ mìn Thuật toán cạnh tranh Bộ lưu trữ lượng từ trường siêu dẫn Phương pháp tối ưu hóa Harris Hawks Differential Evolution and Thuật tốn lai tiến hóa dị biệt Particle Swarm Tối ưu hóa bầy đàn Optimization Multi-objective Uniform Giải thuật di truyền đa mục diversity Genetic tiêu Algorithm Improved Grey Wolf Thuật tốn tối ưu bày sói Optimizer xám phát triển Flower Pollination Thuật toán thụ phấn hoa Algorithm vii DANH MỤC BẢNG Bảng 1: Thông số hệ thống điện hai vùng [71] .35 Bảng 2: Thông số hệ thống điện ba vùng [71] 40 Bảng 1: Luật mờ cho Kp’ 71 Bảng 2: Luật mờ cho Kd ‘ 71 Bảng 3: Luật mờ cho α 71 Bảng 4: Thông số điều khiển nhiễu tải hàm bước 72 Bảng 5: Thông số điều khiển nhiễu tải hàm xung .74 Bảng 6: Thông số điều khiển nhiễu tải hàm ngẫu nhiên 75 Bảng 7: Thông số điều khiển nhiễu tải hàm sin 77 Bảng 8: Các thông số hệ thống thay đổi hoạt động 77 Bảng 9: Thông số điều khiển hệ thống có tồn thời gian trễ .79 Bảng 10: Thông số điều khiển nhiễu tải hàm bước 81 Bảng 11: Thông số điều khiển nhiễu tải hàm xung 82 Bảng 12: Thông số điều khiển nhiễu tải hàm ngẫu nhiên 83 Bảng 13: Thông số điều khiển nhiễu tải hàm sin 84 Bảng 14: Bảng luật mờ 87 Bảng 15: Các trường hợp mô .89 Bảng 16: Thông số PSO 89 Bảng 17: Các hệ số điều khiển 89 viii DANH MỤC CÁC HÌNH VẼ Hình 1: Cấu trúc hệ thống điện đơn vùng .7 Hình 2: Hệ thống điện đa liên kết nhiều vùng Hình 3: Cấu trúc điều khiển tần số - phụ tải chống lại GRC [76] .11 Hình 4: Bộ SMLFC cho hệ thống điện có hai vùng liên kết [81] 12 Hình 5: Cấu trúc điều khiển PID – Mờ cho hệ thống [59] 13 Hình 1: Sơ đồ khối hệ thống điều khiển công suất [62] 22 Hình 2: Mơ hình hóa điều tốc 23 Hình 3: Mơ hình hóa tuabin khơng hồi nhiệt 24 Hình 4: Mơ hình hóa tuabin hồi nhiệt 24 Hình 5: Mơ hình máy phát tải [62] 26 Hình 6: Sơ đồ khối máy phát theo mô-men [62] 27 Hình 7: Sơ đồ khối máy phát theo cơng suất [62] 28 Hình 8: Sơ đồ khối máy phát tải [62] 29 Hình 9: Cấu trúc tổ máy nhiệt điện tua bin không hồi nhiệt 29 Hình 10: Cấu trúc tổ máy nhiệt điện tua bin hồi nhiệt 29 Hình 11: Cấu trúc tổ máy thủy điện 30 Hình 12: Sơ đồ cấu trúc GRC 30 Hình 13: Cấu trúc hệ thống điện đơn vùng tua bin khơng hồi nhiệt có GDB GRC 31 Hình 14: Cấu trúc hệ thống điện đơn vùng tua bin hồi nhiệt có GDB GRC 31 Hình 15: Cấu trúc hệ thống điện đơn vùng tua bin thủy lực có GDB 31 Hình 16: Hệ thống điện hai vùng [62] 32 Hình 17: Mơ hình tương đương hệ thống điện kết nối hai vùng [62] 32 Hình 18: Cấu trúc hệ thống điện hai vùng phi tuyến [71] 34 [19] Bahgaat, N.K.El-Sayed, M.I.Hassan, M.A.M.Bendary, F.A (2014) Load frequency control in power system via improving PID controller based on particle swarm optimization and ANFIS techniques Int J Syst Dyn Appl, 3, 1–24 [20] Bheem Sonker, Deepak Kumar, Paulson Samuel (2019) Dual loop IMC structure for load frequency control issue of multi-area multi-sources power systems International Journal of Electrical Power & Energy Systems, vol.112, pp.476-494 [21] Bhongade, S (2018) Automatic generation control of two-area ST-Thermal power system using jaya algorithm Int J Smart Grid 2018, 2, 99–110 [22] Chaine, S.;Tripathy, M.; Jain, D (2017) Non dominated Cuckoo search algorithm optimized controllers to improve the frequency regulation characteristics of wind thermal power system Eng Sci Technol Int J, 20, 1092–1105 [23] Chen, Chunyu & Zhang, Kaifeng & Yuan, Kun & Teng, Xianliang (2017) Tie-Line Bias Control Applicability to Load Frequency Control for Multi-Area Interconnected Power Systems of Complex Topology Energies, vol.10 , pp.78 [24] Debnath, M.K.; Jena, T.; Mallick, R.K (2017) Optimal design of Pd-FuzzyPID cascaded controller for Automatic Generation Control Cogent Eng, 4, 1416535 [25] Debnath, M.K.; Sinha, S.; Mallick, R.K (2017) Application of fuzzy-PIDF controller for automatic generation control using termite correlation PSO algorithm Int Rev Autom Control, 10, 380 [26] Dey, P.P.; Das, D.C.; Latif, A.; Hussain, S.M.; Ustun, T.S (2020) Active power management of virtual power plant UNDER penetration of CENTRAL Receiver SOLAR Thermal-Wind using Butterfly optimization technique Sustainability, 12, 6979 [27] Dhillon, S.S.; Lather, J.S.; Marwaha, S (2016) Multi objective load frequency control using hybrid bacterial foraging and particle swarm optimized PI controller Int J Electr Power Energy Syst, 79, 196–209 [28] Dianwei Qian, Guoliang Fan (2018) Neural-Network-Based Terminal Sliding Mode Control for Frequency Stabilization of Renewable Power Systems IEEE/CAA Journal Of Automatica Sinica, 5(3): 706 -717 [29] Dipayan Guha, Provas Kumar Roy, Subrata Banerjee (2019) Binary Bat Algorithm Applied to Solve MISO-Type PID-SSSC-Based Load Frequency Control Problem Iranian Journal of Science and Technology, Transactions of Electrical Engineering , vol.43, no.2, pp 323–342 [30] E Nikmanesh, O Hariri, H Shams and M Fasihozaman (2016) Pareto design of Load Frequency Control for interconnected power systems based on multi-objective uniform diversity genetic algorithm (MUGA), Electrical Power & Energy Systems, vol.80, pp 333-346 [31] Elsaied, M.M.; Attia, M.A.; Mostafa, M.A.; Mekhamer, S.F (2018) Application of different optimization techniques to Load frequency control with WECS in A Multi-Area System Electr Power Compon Syst, 46, 739–756 [32] Elyas Rakhshani, Javad Sadeh (2010) Practical viewpoints on load frequency control problem in a deregulated power system Energy Conversion and Management, vol.51, no.6, pp.1148-1156 [33] F U A Ahammad and S Mandal (2016) Robust load frequency control in multi-area power system: An LMI approach 2016 IEEE First International Conference on Control, Measurement and Instrumentation (CMI), Kolkata, pp 136140 [34] G.T Chandra Sekhar, Rabindra Kumar Sahu, Sidhartha Panda (2015) A novel hybrid PSO-PS optimized fuzzy PI controller for AGC in Multi Area Interconnected Power System Electrical Power and Energy Systems 64 : 880–893 [35] Gheisarnejad, M (2018) An effective hybrid harmony search and cuckoo optimization algorithm based fuzzy PID controller for load frequency control Appl Soft Comput, 65, 121–138 [36] Guha, D.; Roy, P.K.; Banerjee, S (2018) Application of backtracking search algorithm in load frequency control of multi-area interconnected power system Ain Shams Eng J, 9, 257–276 [37] Guha, D.; Roy, P.K.; Banerjee, S (2017) Symbiotic organism search algorithm applied to load frequency control of multi-area Power System Energy Syst, 9, 439–468 [38] Guha, Dipayan & Roy, Provas & Banerjee, Subrata (2016) Load Frequency Control of Large Scale Power System using Quasi-Oppositional Grey Wolf Optimization Algorithm Engineering Science and Technology, an International Journal, 19(4): 1693-1713 [39] Hanan, M.; Javed, M.Y.; Ai, X.; Gulzar, M.M.; Ahmad, S (2018) A TwoStage Algorithm to Harvesting Maximum Power from Photovoltaic System In Proceedings of the IEEE International Conference on Energy Internet and Energy System Integration(EI2), Beijing, China, October, pp 1–6 [40] Hussain, I.; Ranjan, S.; Das, D.C.; Sinha, N (2017) Performance analysis of flower pollination algorithm optimized pid controller for wind-PV-SMES-BESSDiesel Autonomous hybrid Power System Int J Renew Energy Res 7, 643–651 [41] Javed, M.Y.; Murtaza, A.F.; Ling, Q.; Qamar, S.; Gulzar, M.M (2016) A Novel MPPT design using Generalized Pattern Search for Partial Shading Energy Build, 133, 59–69 [42] K Naidu, H Mokhlis, and A.H.A Bakar (2014) Multiobjective optimization using weighted sum Artificial Bee Colony algorithm for Load Frequency Control Electrical Power & Energy Systems, vol.55, pp 657-667 [43] Kandhavel A Load frequency control https://www.mathworks.com/matlabcentral/fileexchange/31514-load-frequencycontrol), MATLAB Central File Exchange Retrieved July 5, 2021 [44] Kennedy J, Eberhart R (1995) Particle swarm optimization In: Proceedings of IEEE international conference on neural networks, pp 1942–1948 [45] Kumar, A., & Srikanth, N V (2017) Teaching-learning optimization based adaptive fuzzy logic controller for frequency control in an autonomous microgrid International Journal of Renewable Energy Research (IJRER), 7(4), 1942–1949 [46] Kumar, A.; Suhag, S (2017) Effect of TCPS, smes, and DFIG on load frequency control of a multi-area multi-source power system using multi-verse optimized fuzzy-PID controller with derivative filter J Vib Control 24, 5922– 5937 [47] Lal, D.K.; Barisal, A.K.; Tripathy, M (2018) Load frequency control of Multi Source Multi-Area nonlinear power system with De-pso Optimized Fuzzy pid controller in coordination With SSSC and RFB Int J Control Autom, 11, 61–80 [48] Liu, X.; Kong, X.; Lee, K.Y (2016) Distributed model predictive control for load frequency control with dynamic fuzzy valve position modelling for hydro– thermal power system IET Control Theory Appl, 10, 1653–1664 [49] M Elsisi, M Soliman, M.A.S Aboelela and W Mansour (2016) Bat inspired algorithm based optimal design of model predictive load frequency control Electrical Power & Energy Systems, vol 83, pp.426-433 [50] M Hajiakbari Fini, G R Yousefi and H Haes Alhelou (2016) Comparative study on the performance of many-objective and single-objective optimisation algorithms in tuning load frequency controllers of multi-area power systems IET Generation, Transmission & Distribution, vol 10, no 12, pp 2915-2923 [51] M V Srikanth, Narri Yadaiah (2018) An AHP based optimized tuning of Modified Active Disturbance Rejection Control: An application to power system load frequency control problem ISA Transactions, vol.81, pp.286-305 [52] M.Mollayousefi Zadeh, S.M.T Bathaee (2018) Load Frequency Control in Interconnected Power System by Nonlinear Term and Uncertainty Considerations by Using of Harmony Search Optimization Algorithm and Fuzzy-Neural Network 26th Iranian Conference on Electrical Engineering: 1094-1100 [53] M.R Sathya and M Mohamed Thameem Ansari (2016) Design of biogeography optimization based dual mode gain scheduling of fractional order PI load frequency controllers for multi source interconnected power systems Electrical Power & Energy Systems, vol 83, pp 364-381 [54] Malik, H.; Mahto, V.M.T (2019) Fractional Order Control and Simulation of Wind-Biomass Isolated Hybrid Power System Using Particle Swarm Optimization Springer: Singapore, Volume 698 [55] Meysam Gheisarnejad ,Mohammad Hassan Khooban (2019) Design an optimal fuzzy fractional proportional integral derivative controller with derivative filter for load frequency control in power systems.Transactions of the Institute of Measurement and Control, 41(9): 1-19 [56] Mohamed A Mohamed, Ahmed A Zaki Diab, Hegazy RezkTao Jin (2019) A novel adaptive model predictive controller for load frequency control of power systems integrated with DFIG wind turbines Neural Computing and Applications, pp 1–11 [57] Mohammad Hassan Khooban and Taher Niknam (2015) A new intelligent online fuzzy tuning approach for multi-area load frequency control: Self Adaptive Modified Bat Algorithm Electrical Power & Energy Systems, vol 71, pp 254-261 [58] Nguyen, Ngoc Khoat, Dao, Thi-Mai-Phuong, Huang, Qi (2016) Modeling and control of a 6-control-area interconnected power system to protect the network frequency applying different controllers Turkish Joural Of Electrical Engineering And Computer Sciences 24: 2205 -2219 [59] Nour EL Yakine Kouba, Mohamed Menaa, Mourad Hasni and Mohamed Boudour, (2015) Load Frequency Control in Multi-Area Power System Based on Fuzzy Logic-PID Controller IEEE International Conference on Smart Energy Grid Engineering (SEGE): 1-6 [60] Padhy, S.; Panda, S (2021) Application of a simplified grey wolf optimization technique for adaptive fuzzy PID controller design for Frequency Regulation of a distributed power generation system Prot Control Mod Power Syst, 6, 1–16 [61] Panda S, Mohanty B, Hota PK (2013) Hybrid BFOA–PSO algorithm for automatic generation control of linear and nonlinear interconnected power systems Appl Soft Comput 2013;13(12):4718–30 [62] Prabha Kundur (1994), Power System Stability and Control, McGraw-Hill Education [63] Prakash, S.; Sinha, S.K (2014) Simulation based neuro-fuzzy hybrid intelligent PI control approach in four-area load frequency control of interconnected power system Appl Soft Comput, 23, 152–164 [64] Prasun, S.; Basu, M (2018) New approach in two-area interconnected AGC including various renewable energy sources Using PSO Turk J Electr Eng Comput Sci, 26, 1491–1504 [65] Qi, X.; Bai, Y (2017) Improved linear active disturbance rejection control for microgrid frequency regulation Energies 2017, 10, 1047 [66] Qian, D.; Tong, S.; Liu, H.; Liu, X (2016) Load frequency control by neuralnetwork-based integral sliding mode for nonlinear power systems with wind turbines Neurocomputing, 173, 875–885 [67] Ranjan, S.; Das, D.C.; Behera, S.; Sinha, N (2018) Parabolic trough solar– thermal–wind–diesel isolated hybrid power system: Activepower/frequency control analysis IET Renew Power Gener, 12, 1893–1903 [68] S A Azeer, R Ramjug-Ballgobin, S Z Sayed Hassen (2017) Intelligent Controllers for Load Frequency Control of Two-Area Power System IFACPapersOnLine, vol.50, no.2, pp.301-306 [69] S Prakash, S K Sinha (2015) Neuro-Fuzzy Computational Technique to Control Load Frequency in Hydro-Thermal Interconnected Power System Journal of The Institution of Engineers (India): Series B, vol.96, no.3, pp 273–282 [70] Sahu, B.K Pati, S Panda, S (2014) Hybrid differential evolution particle swarm optimization optimised fuzzy proportional-integralderivative controller for automatic generation control of interconnected power system IET Gener Transm Distrib, 8,1789–1800 [71] Seyed Abbas Taher, Masoud Hajiakbari Fini, Saber Falahati Aliabadi (2014) Fractional order PID controller design for LFC in electric power systems using imperialist competitive algorithm Ain Shams Engineering Journal, 5(1), pp 121135 [72] Shah, J.S.; Suleyman, S.T.; ˙Ibrahim, K.; Zakirhussain, F (2018) Gravitational Search Algorithm (GSA) based PID Controller Design for Two Area Multi-Source Power System Load Frequency Control J Control Sci, 31, 139–153 [73] Shi Y, Eberhart R (1998) A modified particle swarm optimizer In: Proceedings of evolutionary computation, pp 69–73 [74] Shiroei, M.; Ranjbar, A.M (2014) Supervisory predictive control of power system load frequency control Int J Electr Power Energy Syst, 61, 70–80 [75] Surbhi Pande, Roohi Kansal (2015) Load Frequency Control of Multi Area System using Integral Fuzzy Controller Journal of Engineering Research and Applications ", Vol 5, no.6, ( Part -1) , pp.59-64 [76] Tan Wen, Zhang H, Yu M (2012) Decentralized load frequency control in deregulated environments Electrical Power and Energy Systems, 41:1626 [77] Thongchart Kerdphol, Fathin Saifur Rahman and Yasunori Mitani (2018) Virtual Inertia Control Application to Enhance Frequency Stability of Interconnected Power Systems with High Renewable Energy Penetration Energies 11 [78] Ulbig, A.; Rinke, T.; Chatzivasileiadis, S.; Andersson, G (2013) Predictive control for real-time frequency regulation and rotational inertia provision in power systems In Proceedings of the 52nd IEEE Conference on Decision and Control, Florence, Italy, pp 2946–2953 [79] V.Shanmuga Sundaram and T.Jayabarathi (2011) An artificial neural network approach of load frequency control in a multi area interconnected power system Elixir Elec Engg, 38 :4394-4397 [80] X Liu, X Kong and K Y Lee (2016) Distributed model predictive control for load frequency control with dynamic fuzzy valve position modelling for hydro– thermal power system IET Control Theory & Applications, vol 10, no 14, pp 1653-1664 [81] Yonghui Sun, Yingxuan Wang, Zhinong Wei, Guoqiang Sun, and Xiaopeng Wu (2018) Robust H1 Load Frequency Control of Multi-area Power System With Time Delay: A Sliding Mode Control Approach IEEE/CAA Journal Of Automatica Sinica, 5(2) : 610-617 [82] Zaheeruddin; Singh, K (2020) Primary frequency regulation of a microgrid by deloaded tidal turbines Soft Comput 2020, 24, 14667–14685 [83] Trường Đại học Cần thơ (2009), Điều khiển mờ [84] Wikiversity (2020), Algorithm models/Grey Wolf Optimizer, https://en.wikiversity.org/wiki/Algorithm_models/Grey_Wolf_Optimizer PHỤ LỤC % Bộ điều khiển mờ - PSO-PID function out=DK_PSO(input) Ka=evalin('base','Ka'); warning off; sailech=input(1); daohamsailech=input(2); mo=newfis('mo','sugeno'); mờ dạng sugeno Ga1=[0.5,0.5]; % Hàm liên thuộc đầu vào đầu Gb1=[0.5,0.5]; % Hàm liên thuộc đầu vào đầu Gc1=[0.5]; % Hàm liên thuộc đầu vào đầu % Hàm liên thuộc cho đầu vào mo = addvar(mo,'input','sailech1',Ka(1)*[-1 1]); mo = addvar(mo,'input','daohamsailech_1',Ka(2)*[-1 1]); mo = addvar(mo,'output','u1',[-1 1]); mo = addmf(mo,'input',1,'NB','trimf',Ka(1)*[-1 -1 -Ga1(2)]); mo = addmf(mo,'input',1,'NS','trimf',Ka(1)*[-1 -Ga1(1) ]); mo= addmf(mo,'input',1,'ZO','trimf',Ka(1)*[-Ga1(1) Ga1(1)]); mo = addmf(mo,'input',1,'PS','trimf',Ka(1)*[0 Ga1(1) 1]); mo = addmf(mo,'input',1,'PB','trimf',Ka(1)*[Ga1(2) % Hàm liên thuộc cho đầu vào ]); mo = addmf(mo,'input',2,'NB','trimf',Ka(2)*[-1 -1 -Gb1(2)]); mo = addmf(mo,'input',2,'NS','trimf',Ka(2)*[-1 -Gb1(1) ]); mo = addmf(mo,'input',2,'ZO','trimf',Ka(2)*[-Gb1(1) Gb1(1)]); mo = addmf(mo,'input',2,'PS','trimf',Ka(2)*[0 Gb1(1) 1]); mo = addmf(mo,'input',2,'PB','trimf',Ka(2)*[Gb1(2) % hàm liên thuộc cho đầu mo = addmf(mo,'output',1,'NB','constant',[-1]); mo = addmf(mo,'output',1,'NS','constant',[-Gc1(1)]); mo = addmf(mo,'output',1,'ZO','constant',[0]); mo = addmf(mo,'output',1,'PS','constant',[Gc1(1)]); mo = addmf(mo,'output',1,'PB','constant',[1]); rule_matrix =[ 1 1 1 1; 1 1; 1; 1; 1 1; 2 1 1; 1; 1; 1; ]); 1; 1 1; 2 1; 3 1; 4 1; 5 1; 1; 1; 4 1; 4 1; 5 1; 1; 1; 5 1; 5 1; 5 1; ]; mo=addrule(mo,rule_matrix); out= evalfis([sailech daohamsailech],mo); function mo_PSO options = optimoptions('particleswarm','PlotFcns',@pswplotbestf,'MaxIter',30,'SwarmSize',1 0); lb = 1*ones(1,4); ub = 1000*ones(1,4); [x,fval,exitflag,output] = particleswarm(@func,4,lb,ub,options); function fitness=func(x) assignin('base', 'Ka', [x(1) x(2) x(3) x(4)]); sim('three_area',30); fitness=max((Sys_Out1.Data(end)))+max((Sys_Out2.Data(end)))+ max((Sys_Out3.Data(end)))+max((Sys_Out4.Data(end)))+ end % Bộ điều khiển thích hàm gauss Q= [B1*B1 0 0 B1 0; 0 0 0 0 0; 0 0 0 0 0; 0 B2*B2 0 -B2 0; 0 0 0 0 0; 0 0 0 0 0; B1 0 -B2 0 0; 0 0 0 0; 0 0 0 0 1] R = [10 0 0 0 0;0 10 0 0 0 0;0 10 0 0 0;0 0 10 0 0 0; 0 0 10 0 0;0 0 0 10 0 0; 0 0 0 10 0; 0 0 0 10 0; 0 0 0 0 10]; S = care(A, B, Q, R) K=inv(R)*B'*S Ac=A-B*K eig(Ac) Am=A-B*K; Bm=B BmT=Bm' Q=diag([0.05 0.05 0.05 0.05 0.05 0.05 0.05 0.05 0.05]); P=lyap(Am',Q) U0 = [0.001 0.001 0.001 0.001 0.001 0.001 0.001 0.001 0.001] Uc=[-15; -15] % Phương pháp tối ưu PSO objFun = @(x)( obj_function1(x) ); xLow = -ones(4,1); xUpp = ones(4,1); x0 = -0.2*ones(4,1); options.alpha = 0.4; options.beta = 0.9; options.gamma = 0.9; options.nPopulation = 10; options.maxIter = 20; options.plotFun = @plotBowl; % Plots progress [xBest, fBest, info, dataLog] = PSO(objFun, x0, xLow, xUpp, options); % Phương pháp tối ưu GWO SearchAgents_no=10; dim = 4; Max_iteration=20; % Maximum numbef of iterations lb = -1*ones(1,4); ub = 1*ones(1,4); %Lower bound % Upper bound fobj = @(x)(obj_function1(x)); %Objective function [Best_score,Best_pos,GWO_cg_curve]=GWO(SearchAgents_no,Max_iteration,lb,u b,dim,fobj); display(['The best solution obtained by GWO is : ', num2str(Best_pos)]); display(['The best optimal value of the objective funciton found by GWO is : ', num2str(Best_score)]); % Phương pháp GA FitnessFunction = @obj_function1; numberOfVariables = 4; rng default % For reproducibility [x,Fval,exitFlag,Output] = ga(FitnessFunction,numberOfVariables); fprintf('The number of generations was : %d\n', Output.generations); fprintf('The number of function evaluations was : %d\n', Output.funccount); fprintf('The best function value found was : %g\n', Fval); % Hàm tối ưu function J = obj_function1(x) Kp1=x(1); Ki1=x(2); Kp2=x(3); Ki2=x(4); poptions=simset('SrcWorkspace','current','Dstworkspace','current'); sim('dieu khien tan so vung',[0 10],options); J=J_obj; end