ĐẠI HỌC BÁCH KHOA HÀ NỘI ĐỒ ÁN TỐT NGHIỆP PHÁT ĐIỆN SỨC GIÓ SỬ DỤNG BỘ ƯỚC LƯỢNG TỐC ĐỘ GIÓ ANFIS VÀ BỘ ĐIỀU KHIỂN TỐI ƯU THÍCH NGHI DỰA TRÊN BỘ QUAN SÁT NHIỄU 1... ‒ Áp dụng bộ điều khi
GIỚI THIỆU CHUNG
Tổng quan về năng lượng gió
Gần đây, năng lượng tái tạo đang được nhiều chính phủ quan tâm để giảm sự phụ thuộc vào nguồn tài nguyên hóa thạch Đứng trước thực tế về nhu cầu sử dụng năng lượng ngày càng cao và những nguồn năng lượng hóa thạch như dầu, khí đốt, than,… đang ngày càng trở nên khan hiếm cũng như gây nên những ảnh hưởng xấu đến môi trường, yêu cầu khách quan là cần tìm ra và phát triển những dạng năng lượng mới để thay thế cho chúng Những năng lượng đó cần đảm bảo hai điều kiện đó là nguồn năng lượng dồi dào, luôn sẵn có và quan trọng hơn là thân thiện với môi trường Từ đó, khái niệm năng lượng tái tạo (Renewable Energy) ngày càng trở nên phổ biến Đây là những nguồn năng lượng “sạch hơn” và có thể xem là vô hạn, chẳng hạn như: năng lượng gió, năng lượng mặt trời, năng lượng sinh khối
Trong số các nguồn năng lượng tái tạo, năng lượng gió được sử dụng khá phổ biến bởi đây là nguồn năng lượng sạch, tin cậy, có mặt khắp nơi trên thế giới, giá thành của hệ thống liên tục giảm để có thể cạnh tranh với các hệ thống phát điện khác Việc tạo ra năng lượng gió là một hệ thống phức tạp vì đây là sự kết hợp của các thành phần khí động học, cơ khí và điện
1.1.1 Khái niệm về năng lượng gió
Gió là sự chuyển động của không khí từ khu vực có áp suất cao đến khu vực có áp suất thấp Và gió từ lâu đã đóng vai trò là nguồn cung cấp năng lượng cho con người Con người đã khai thác năng lượng gió trong hàng nghìn năm, từ những chiếc thuyền buồm đầu tiên cho đến hệ thống thông gió có từ năm 300 trước Công nguyên Đây là một nguồn năng lượng tái tạo và không phát thải, rất thích hợp cho việc sản xuất năng lượng ở quy mô lớn Trên con đường hướng tới một tương lai
“không carbon”, năng lượng gió sẽ ngày càng đóng một vai trò quan trọng Năng lượng gió hoạt động thế nào? Để thu được năng lượng gió và chuyển thành điện năng, ta sử dụng các Tuabin gió Các Tuabin gió có kích thước lớn, có thể cao bằng một tòa nhà 20 tầng và có ba cánh quạt dài đến 200 foot (60 mét) Gió làm quay các cánh quạt, qua đó làm quay một trục nối với nam châm của máy phát điện để tạo ra điện năng Chính vì đặc điểm kích thước lớn này, mà các các Tuabin gió được yêu cầu lắp đặt cách nhau một khoảng cách đủ lớn để không gây sự cố đáng tiếc, ở khoảng cách giữa hai Tuabin với nhau thường sẽ được bố trí thêm các tấm pin mặt trời hoặc tiến hành nông nghiệp để tận dụng diện tích Các Tuabin gió lớn nhất tạo ra điện trong một năm khoảng 12 MWh, tức là đủ để cung cấp cho khoảng 600 ngôi nhà Các trang trại điện gió có hàng chục và đôi khi hàng trăm Tuabin này xếp cùng nhau ở những vùng đặc biệt nhiều gió Các Tuabin nhỏ hơn được lắp đặt ở sân sau có thể sản xuất đủ điện cho một ngôi nhà hoặc doanh nghiệp nhỏ
Hình 1.1: Kết hợp Tuabin gió với sản xuất nông nghiệp
1.1.2 Cách tạo ra năng lượng gió a) HAWT
Chuyển động xoay tròn làm quay một trục trong thiết bị bảo vệ, động năng của trục quay được chuyển đổi bởi một máy phát thành năng lượng điện Điện được dẫn đi qua một máy biến áp, làm tăng điện áp để nó có thể được vận chuyển trên lưới điện địa phương hoặc được sử dụng bởi một lưới điện quốc gia b) Cây điện gió
Là một loại Tuabin gió không phát ra tiếng ồn, hay còn được gọi là Cây điện gió (Wind Tree) Đây là một một lựa chọn tối ưu cho các khu vực đô thị như vườn, công viên và khu vực cộng đồng địa phương khi tạo ra năng lượng gió mà không gây ồn làm ảnh hưởng đến cảnh quan công cộng c) Sử dụng diều điện gió Đây là một phát minh thay thế phù hợp cho người dân gặp khó khăn trong việc lắp đặt Tuabin gió truyền thống
Bằng điều khiển của các máy tính có sử dụng hệ thống định vị toàn cầu (GPS) và nhiều cảm biến khác, diều điện gió sẽ cất cánh và bay vòng tròn xung quanh trạm, nhờ gió làm xoay 8 cánh quạt tích hợp trên cánh diều để kích hoạt một máy phát tạo ra điện rồi truyền về lưới điện thông qua dây neo theo điều khiển của các máy tính có sử dụng hệ thống định vị toàn cầu (GPS) và nhiều cảm biến khác 1.1.3 Ưu và nhược điểm của năng lượng gió Ưu điểm:
Có tính bền vững, vô hạn về trữ lượng
Là nguồn năng lượng nội địa dồi dào, giúp hạn chế sự phụ thuộc vào nguồn cấp ngoại địa như năng lượng không tái tạo
Là nguồn năng lượng sạch, không gây ô nhiễm môi trường
Chi phí hoạt động thấp
Tuabin gió có thể được xây dựng trên các trang trại hoặc trại chăn nuôi,
Sử dụng công nghệ hiện đại
Tăng trưởng nhanh với tiềm năng lớn
Giá thành giảm: nhờ những tiến bộ về công nghệ và nhu cầu gia tăng mà giá đã giảm hơn 80% kể từ năm 1980 và dự kiến sẽ tiếp tục giảm trong tương lai gần
Các Tuabin gió có thể gây ảnh hưởng xấu đến động vật địa phương Các địa điểm lấy gió trên đất liền tốt thường nằm ở những vị trí hẻo lánh, xa trung tâm thành phố cần lấy điện
Phải cạnh tranh với các nguồn phát điện thông thường trên cơ sở chi phí Tuabin có thể gây ra tiếng ồn và ô nhiễm mỹ quan
Phụ thuộc nhiều vào yếu tố thời tiết, những cơn bão mạnh có thể ảnh hưởng đến hoạt động của Tuabin khi bị sét đánh
Chỉ thích hợp để xây dựng ở một địa điểm nhất định
Cần chặt bỏ một số lượng lớn cây xanh để có diện tích cho việc lắp đặt Tuabin gió
1.1.4 Tiềm năng của năng lượng gió
Năng lượng gió trên thế giới
Các nguồn năng lượng sạch đang được quan tâm nhiều như năng lượng gió, năng lượng mặt trời, năng lượng địa nhiệt, năng lượng sóng biển, năng lượng thủy triều… bởi sự cạn kiệt tài nguyên hóa thạch và ô nhiễm môi trường Năng lượng sạch là một sự lựa chọn cho ngành năng lượng thay thế trong tương lai Trong đó, năng lượng gió được xem như là nguồn năng lượng dễ khai thác, tiềm năng lớn với công nghệ đơn giản và chi phí đầu tư và vận hành tương đối thấp
Năng lượng gió ở Việt Nam
Tốc độ gió cần thiết tại trục Tuabin (có cao độ khoảng 40 – 60m) phù hợp cho việc vận hành thương mại vào khoảng 6 - 7m/giây Tốc độ gió trung bình của Việt Nam ở độ cao cách mặt đất 30m theo đánh giá là khoảng 4 - 5 m/giây ở các vùng bờ biển Ở một vài hòn đảo độc lập, con số này đạt trên 9m/s, phù hợp để phát triển việc tận dụng loại năng lượng này
Nằm trong khu vực cận nhiệt đới gió mùa với bờ biển dài, Việt Nam có một thuận lợi cơ bản để phát triển năng lượng gió So sánh tốc độ gió trung bình trong vùng biển Đông Việt Nam và các vùng biển lân cận cho thấy gió tại biển Đông khá mạnh và thay đổi nhiều theo mùa
Nhược điểm lớn nhất là sự phụ thuộc vào điều kiện thời tiết và chế độ gió Vì vậy khi thiết kế, cần nghiên cứu hết sức chi tiết về chế độ gió, địa hình cũng như loại gió không có các dòng rối (có ảnh hưởng không tốt đến máy phát).
Tổng quan về hệ thống Tuabin gió
1.2.1 Giới thiệu chung về hệ thống Tuabin gió
Tuabin điện gió (Tuabin gió) là một thiết bị cơ khí khá đơn giản và cấu tạo cũng không quá phức tạp Mượn sức gió để chuyển đổi động năng thành cơ năng và tiếp tục chuyển đổi thành điện năng Ở nước ngoài, Tuabin gió được đặt trên các cánh đồng rộng lớn vì các cánh quạt phải được trải rộng để đảm bảo được lượng gió hấp thụ và cách xa khu dân cư Các Tuabin được đặt ngoài khơi sức gió sẽ tối ưu hơn nhưng chi phí xây dựng và bảo trì cao hơn đáng kể
Tỉ lệ sản sinh ra điện của Tuabin sẽ thuận với tỉ lệ độ lớn của cánh quạt Điện gió khi sản sinh ra điện có thể hòa vào điện lưới quốc gia
1.2.2 Các thành phần của Tuabin gió
Phong kế (Anemometer): Bộ đo lường tốc độ gió và truyền dữ liệu tốc độ gió tới bộ điểu khiển
Cánh quạt (Blades): Gió thổi qua các cánh quạt và là nguyên nhân làm cho các cánh quạt chuyển động và quay
Bộ hãm (Brakes): Dùng để dừng Rotor trong tình trạng khẩn cấp bằng điện, bằng sức nước hoặc bằng động cơ
Bộ điều khiển (Controller): Bộ điều khiển sẽ khởi động động cơ ở tốc độ gió khoảng 2m/s đến 3m/s và tắt động cơ khoảng 25m/s bởi vì các máy phát này có thể phát nóng
Hộp số (Gear box): Bánh răng được nối với trục có tốc độ thấp với trục có tốc độ cao và tăng tốc độ quay từ 30 đến 60 vòng/ phút lên 1200 đến 1500 vòng/ phút, tốc độ quay là yêu cầu của hầu hết các máy phát điện sản xuất ra điện Bộ bánh răng này rất đắt tiền, nó là một phần của bộ động cơ và tuabin gió
Hình 1.2: Các thành phần của hệ thống Tuabin gió
Hiện nay, trên thế giới có hai công nghệ phổ biến là loại có hộp số và không có hộp số, tùy thuộc vào ưu điểm và bí mật công nghệ mà các hãng lựa chọn, chế tạo thiết bị cho riêng mình
- Loại có hộp số: dùng cho máy phát bình thường (chuyển đổi vòng quay lên, tùy thuộc thiết kế có số cặp cực)
- Loại không có hộp số: dùng cho máy phát kích từ bằng nam châm vĩnh cửu (trục Rotor chuyền thẳng đến trục máy phát, vòng quay tùy thuộc thiết kế số cặp cực, số cực càng lớn thì vòng quay càng thấp)
Máy phát (Generator): máy phát làm nhiệm vụ biến đổi năng lượng cơ học của rotor thành năng lượng điện Ở các Tuabin thường sử dụng các máy phát đồng bộ lẫn máy phát không đồng bộ Đối với các Tuabin cỡ công suất từ vài trăm kW tới vài MW thông thường phát dòng điện 3 pha AC với điện áp từ 400V đến 1000V
Trục truyền động của máy phát ở tốc độ cao (High-speed shaft) Trục quay tốc độ thấp (Low-speed shaft) - Vỏ (Nacelle): Bao gồm rotor và vỏ bọc ngoài, toàn bộ được dặt trên đỉnh trụ và bao gồm các phần: hộp số, trục truyền động tốc độ cao và thấp, máy phát, bộ điều khiển và bộ hãm Vỏ bọc ngoài dùng bảo vệ các thành phần bên trong vỏ
Bước răng (Pitch): cánh được xoay hoặc làm nghiêng một ít để giữ cho rotor quay trong gió không quá cao hay quá thấp để tạo ra điện
Rotor: bộ phận này nằm phía cuối trục Tuabin, Rotor được gắn trên thân trục và phía đầu kia là bộ cánh quạt Khi gió thổi tác động lên cánh quạt ở tốc độ nhất định nhờ áp dụng nguyên tắc nâng tựa như hoạt động của cánh máy bay thì cánh quạt quay, đồng thời Rotor quay trong lòng Stator tạo ra từ trường sinh ra dòng điện Chúng là thành phần chính trong máy phát điện (Generator) của Tuabin gió có chức năng chuyển đổi năng lượng cơ học thành năng lượng điện năng
Trụ đỡ (Tower): Được làm bằng thép hình trụ hoặc thanh dằn bằng thép Bởi vì tốc độ gió tăng lên nếu trụ càng cao, trụ đỡ cao hơn để thu được năng lượng gió nhiều hơn và phát ra điện nhiều hơn
Gió vane: Để xử lý hướng gió và liên lạc với “Yaw drive” để định hướng Tuabin gió
Yaw drive: Dùng để giữ cho rotor luôn luôn hướng về hướng gió chính khi có sự thay đổi hướng gió
Yaw motor: Động cơ cung cấp cho “Taw drive” định được hướng gió 1.2.3 Phân loại Tuabin gió
Các Tuabin gió có thể được phân loại theo trục quay của rotor, theo trạng thái nối lưới, theo công nghệ tiên tiến a) Phân loại theo trục quay của rotor
Hình 1.3: Tuabin gió trục ngang và Tuabin gió trục đứng
Tuabin gió trục ngang (HAWT): là loại Tuabin gió có rotor quay quanh trục ngang Loại Tuabin gió trục ngang có độ cao tùy ý và các thành phần cấu tạo có thể được lắp đặt nguyên khối Vì vậy loại Tuabin gió trục ngang có công suất chuyển đổi năng lượng lớn và bảo trì ít phức tạp Tuy nhiên Tuabin gió trục ngang phải có hệ thống điều hướng để luôn hứng đúng hướng gió chính
Tuabin gió trục đứng (VAWT): là loại Tuabin gió có rotor quay quanh trục đứng Vì trục quay của Tuabin là trục đứng nên loại Tuabin gió trục đứng có thể quay mà không phụ thuộc vào hướng gió, do đó không cần hệ thống điều hướng Tuy nhiên loại Tuabin gió trục đứng không thể được lắp đặt ở độ cao tùy ý và các thành phần cấu tạo khác phải được lắp đặt dưới đất Vì thế Tuabin gió trục đứng có hiệu suất chuyển đổi năng lượng thấp và công tác bảo trì phức tạp b) Phân loại theo trạng thái nối lưới
Tuabin gió nối lưới: các Tuabin gió độc lập được lắp đặt tại cùng một khu vực địa lý hình thành các trang trại gió hay nhà máy điện gió Đầu ra năng lượng của các nhà máy điện gió là tổng hợp năng lượng từ các Tuabin gió độc lập Đầu ra năng lượng này được kết nối vào lưới điện để cung cấp điện cho lưới điện quốc gia Tuabin gió nối lưới là loại phổ biến nhất trên thị trường điện gió hiện nay Tuabin gió độc lập: ngày nay vẫn còn nhiều khu vực không có lưới điện đưa tới, chẳng hạn như các khu vực nông thôn, miền núi, hải đảo,… Giải pháp năng lượng gió cho các khu vực này là dùng các Tuabin gió độc lập hoặc các hệ thống năng lượng gió kết hợp với các nguồn năng lượng khác Đầu ra năng lượng của các hệ thống năng lượng gió này được kết nối trực tiếp với tải hoặc lưới điện cục bộ c) Phân loại theo công nghệ điều khiển
Xét về phương diện điều khiển, Tuabin gió được phân thành 2 loại cơ bản: điều khiển tốc độ và điều khiển công suất tương ứng với 2 vùng hoạt động của Tuabin gió là vùng hoạt động dưới tải và vùng hoạt động đầy tải (xem Hình 1.4)
Máy phát điện đồng bộ nam châm vĩnh cửu PMSG
Hình 1.6: Mặt cắt ngang của máy phát PMSG
Các máy phát điện đồng bộ nam châm vĩnh cửu có 4 cực từ, phần cắt ngang của nó được mô tả trong Hình 1.6 Các nam châm được gắn chặt trên lõi thép rotor Không gian giữa các nam châm được lấp đầy bằng các lá thép hình đặc biệt, các bộ phận đó tạo ra một dòng điện đóng cho từ trường
Hình 1.7: Nguyên lý làm việc của máy phát PMSG
Khi ta đưa dòng điện kích thích một chiều 𝑖 vào dây quấn kích thích đặt trên cực từ, dòng điện 𝑖 sẽ tạo nên một từ thông 𝜙 Nếu ta quay rotor lên đến tốc độ n (v/ph), thì từ trường kích thích 𝜙 sẽ quét qua dây quấn phần ứng và cảm ứng nên trong dây quấn đó suất điện động và dòng điện phần ứng biến thiên với tần số
𝑓 =𝑝𝑛/60 Trong đó p là số đôi cực của máy Với máy điện đồng bộ 3 pha, dây quấn phần ứng nối sao (Y) hoặc nối tam giác (Δ)
Khi máy làm việc dòng điện phần ứng 𝐼 ư chạy trong dây quấn 3 pha sẽ tạo nên một từ trường quay Từ trường quay với tốc độ đồng bộ 𝑛 = 60𝑓/𝑝 1.3.2 Mô hình toán học của PMSG
Máy phát điện đồng bộ nam châm vĩnh cửu thường được mô hình hóa trong hệ tọa độ d-q với mục đích đơn giản cho việc thiết kế điều khiển [3, 4]
Hình 1.8: Sơ đồ mạch điện tương đương trong hệ quy chiếu d-q
Trong đó 𝑉,𝑉 là điện áp Stator trên hệ d-q, 𝑖 ,𝑖 là dòng điện Stator trên hệ d-q,
𝐿 là điện cảm Stator, 𝑅 là điện trở Stator, 𝜓 là từ thông, 𝜔 là tốc độ quay của Rotor, 𝑝 là số cặp cực, J là momen quán tính; B là hệ số nhớt; 𝑇 là Mô-men xoắn của Tuabin gió, 𝑇 là mô-men điện từ
Phương trình điện áp của PMSG trong hệ quy chiếu d-q [39]:
Phương trình từ thông của PMSG theo hệ quy chiếu d-q [39]:
Khi đó có thể viết [39]:
Biểu thức Mô-men được mô tả bởi [39]:
Từ (7) và (8), suy ra mô hình toán của PMSG trong hệ quy chiếu d-q [39]:
Jd T B T dt di Ri p i p v dt L L L di R i p i v dt L L
Mô hình mờ ANFIS
ANFIS (Hệ thống suy luận mờ nơ-ron thích nghi) là một kiến trúc Mạng nơron nhân tạo dựa trên hệ thống suy luận mờ Takagi-Sugeno [5, 6] Mạng ANFIS có khả năng xấp xỉ một hàm phi tuyến Các kỹ thuật huấn luyện mạng có thể là thuật toán lan truyền ngược (back-propagation), thuật toán huấn luyện lai hybrid,
1.4.1 Cấu trúc mô hình ANFIS
Giả sử hệ suy luận mờ có hai đầu vào là x và y, đầu ra là f, cấu trúc ANFIS được thể hiện như sau:
Hình 1.9: Cấu trúc mạng ANFIS với hai đầu vào và một đầu ra
Chú thích: Nốt vuông là những nốt có tham số, nốt tròn là những nốt không có tham số
Mô hình suy luận mờ được xây dựng dựa trên hai luật hợp thành Nếu-Thì loại Takagi-Sugeno
Luật 1: Nếu x là A 1 và y là B 1 thì f 1 p x q y r 1 1 1
Luật 2: Nếu x là A2 và y là B2 thì f2 p x q y r2 2 2
Trong đó: , ,p q r, i i i i 1, 2 là các tham số của hệ mờ Anfis
Xét lớp 1: Mỗi một nốt i trong lớp này là nốt vuông, biểu diễn cho hàm:
Trong đó x là đầu vào của mỗi nốt i, Ai là biến ngôn ngữ được liên kết bởi hàm đặc trưng của nốt đó Nói cách khác O 1 i là hàm liên thuộc của Ai và nó xác định mức độ thoả mãn của x với tập Ai Hàm cơ sở A i x chọn là hàm hình chuông với giá trị đỉnh bằng 1 và giá trị nhỏ nhất bằng 0 như sau:
Trong đó a c i , i là tập các tham số Khi những tham số này biến đổi, hàm hình chuông cũng sẽ có những thay đổi tương ứng
Xét lớp 2: Mỗi nốt trong lớp này là nốt tròn có nhãn là , nó sẽ gửi kết quả ra bằng cách nhân các tín hiệu đầu vào và gửi kết quả ra như công thức sau: wi A i x B i y , i 1,2 (1.12)
Xét lớp 3: Mỗi nốt trong lớp này là nốt tròn có nhãn là Nốt thứ i tính tỉ lệ giữa đầu ra của nốt thứ i ở lớp 2 với tổng tất cả các đầu ra của lớp 2:
Xét lớp 4: Mỗi nốt i trong lớp này là nốt vuông với hàm đặc trưng là:
Xét lớp 5: Mỗi nốt trong lớp này là nốt tròn có nhãn là , tính tổng trọng số của ANFIS Đầu ra của lớp này là tổng của các đầu ra của tất cả các nốt thích nghi trong lớp thứ 4, hàm đặc trưng cho lớp này có công thức sau:
1.4.2 Một số hạn chế của ANFIS
ANFIS phức tạp hơn các hệ thống suy luận mờ đã được đề cập trước đây, và cũng không sẵn có như các tùy chọn của hệ thống suy luận mờ Đặc biệt, ANFIS chỉ hỗ trợ theo mô hình Sugeno với những ràng buộc sau:
Là các hệ thống loại Sugeno ở vị trí 0 hoặc 1
Có một đầu ra đơn, giải mờ bằng phương pháp trung bình trọng tâm Tất cả các hàm liên thuộc đầu ra phải cùng loại, hoặc tuyến tính hoặc bất biến Không chia sẻ luật điều khiển Các luật khác nhau không thể chia sẻ cùng một hàm liên thuộc đầu ra, cụ thể là số lượng các hàm liên thuộc đầu ra phải bằng số lượng các luật.
Tổng quan về điều khiển tối ưu
Điều khiển tối ưu là một trong những bài toán mà thu hút được nhiều sự quan tâm của các nhà nghiên cứu [7-10, 27] Luật điều khiển tối ưu thiết kế không chỉ để ổn định hệ thống mà còn phải tối thiểu hóa hàm mục tiêu mô tả chỉ tiêu chất lượng mong muốn Về mặt toán học, bài toán điều khiển tối ưu được giải nếu nghiệm phương trình Hamilton-Jacobi-Bellman (HJB) được giải
Với hệ tuyến tính, phương trình HJB trở thành phương trình đại số Riccati (Algebraic Riccati Equation-ARE) Nếu ma trận trạng thái (A, B) của hệ tuyến tính có sẵn, nghiệm ARE hoàn toàn có thể tìm được bằng giải tích Ngược lại, nếu thiếu một trong các ma trận này thì phương pháp giải tích không thể áp dụng Đối với hệ phi tuyến, phương trình HJB trở thành phương trình vi phân phi tuyến Nghiệm giải tích của phương trình HJB phi tuyến nói chung là không thể giải được [8, 9]
Do đó mà vấn đề xấp xỉ nghiệm của phương trình HJB được đặt ra Gần đây lý thuyết về quy hoạch động ADP và học tăng cường Reinforcement learning là một trong những công cụ mạnh để nghiên cứu và phát triển các thuật toán điều khiển tối ưu để xấp xỉ nghiệm HJB [27, 28, 29] Đầu tiên, ta sẽ đưa ra các khái niệm liên quan đến học củng cố trong điều
Tại mỗi trạng thái xk x, có tập hợp hữu hạn tín hiệu điều khiển ( )U xk
Mô hình đối tượng điều khiển xk 1 f x u xk, ( )k k với ( )u xk k U x( )k là tín hiệu điều khiển để chuyển trạng thái hệ thống từ xk sang xk 1 Chú ý đơn giản trong cách viết ta định nghĩa xk x k và xk 1 x k 1
Hàm thưởng/phạt (cost function), còn gọi là tín hiệu củng cố, k, k r x u x , đặc trưng cho chi phí điều khiển khi áp dụng luật điều khiển u xk k ở trạng tháix k
Luật điều khiển u x : x U x sao cho nếu áp dụng u xk k từ trạng thái x0 sẽ phát sinh quỹ đạo trạng thái x0, x , x , …,1 2 thỏa điều kiện :1, , 1; k 1 k, k k k N x f x u x
Hàm biểu diễn tổng chi phí cộng dồn xuất phát từ x khi tín hiệu điều khiển 0 k k u x được áp dụng dọc theo quỹ đạo trạng thái, xk x được gọi là hàm chỉ tiêu chất lượng hoặc hàm chi phí của u xk k :
J x r x u x (1.16) Để ý rằng hàm chi phí chỉ phụ thuộc vào luật điều khiển u xk k và trạng thái khởi tạo là x 0 J x0 có thể phân kỳ, chỉ hội tụ khi hàm chi phí r x u xk, k k đạt đến giá trị bằng 0 trong thời gian hữu hạn Trong trường hợp tổng quát, nhằm đảm bảo J x0 hội tụ theo tiêu chuẩn chuỗi giảm dần, hệ số hàm mũ γ k được sử dụng:
Trong đó 0,1 Hàm đánh giá V xk (hàm Bellman) của trạng thái ,xk xk x được định nghĩa dưới dạng hồi quy như sau:
Mục tiêu của thuật toán là tìm ra hàm Bellman tối ưu V x * 0 tương ứng với luật điều khiển tối ưu u x * k k , x0 x:
Luật điều khiển tối ưu u xk * k tồn tại nhưng chưa chắc là duy nhất Nếu cùng xuất phát từ điểm đầu x 0 , hai luật điều khiển tối ưu khác nhau có thể cho tổng các hàm chi phí như nhau, vì vậy nên V x * 0 không phụ thuộc vào u x * k k Giả sử tồn tại V * x 0 theo nguyên lý quy hoạch động (Dynamic Programming - DP) tối ưu của Bellman hàm Bellman tối ưu của trạng thái x k được định nghĩa:
, m f x u Hình 1.10: Nguyên lý quy hoạch động Bellman và hàm đánh giá tối ưu
Hình 1.10 minh họa hàm đánh giá tối ưu (1.20) theo nguyên lý DP, trong đó
U x u u u là tập tín hiệu điều khiển ở trạng thái xk và
1 , k k k k x f x u x là trạng thái kế tiếp tùy theo tín hiệu điều khiển nào được áp dụng Từ đó, luật điều khiển tối ưu được định nghĩa:
Trong nhiều bài toán ứng dụng thực tế, ta không thể xây dựng được mô hình quy hoạch động Bellman (1.20) để tìm luật điều khiển tối ưu (1.21) Do đó, xấp xỉ hàm Bellman V x * k là cần thiết Từ đó người thiết lập một số thuật toán thông dụng như lặp giá trị, lăp chiến lược và Q-learning ra đời nhằm xấp xỉ hai nghiệm này trên cơ sở (1.20) hoặc/và (1.21)
Khác với thuật toán VI, PI hay Q-Learning, thuật toán AC không chỉ áp dụng cho hệ rời rạc mà còn áp dụng hệ thống liên tục Thuật toán chứa hai thành phần cần phải được xấp xỉ Thành phần thứ nhất (bộ chỉ trích) ước lượng hàm đánh giá
V xk hoặc Q x uk, k và dự báo tổng chi phí kỳ vọng Thành phần thứ hai xấp xỉ luật điều khiển u x hoặc u xk Thành phần này được điều chỉnh thích nghi dựa vào tín hiệu từ thành phần thứ nhất
Bước 1: Khởi tạo với V x0 ,u x0 với x0 x0
Bước 2: Áp dụng u x t vào đối tượng điều khiển nhận trạng thái x t f x u, và r x u,
Cập nhật hàm chỉ trích:
Cập nhật tham số bộ điều khiển u x dựa vào V x t
Bước 3: Nếu thỏa mãn tiêu chuẩn hội tụ để V x t V f x t u x, với δ là một số dương đủ nhỏ được chọn trước, thì gán
V x t V x t u x u x và kết thúc, ngược lại quay về Bước 2
Bảng 1.1: Thuật toán Actor-Critic
BỘ ĐIỀU KHIỂN TỐI ƯU THÍCH NGHI DỰA TRÊN BỘ
Đặt vấn đề
Trong thực tế, hệ thống phi tuyến có nhiễu rất phổ biến và đã có rất nhiều nghiên cứu đưa ra để xử lý bài toán điều khiển bám cho hệ thống này [11, 12] Tuy nhiên, thiết kế bộ điều khiển tối ưu cho hệ phi tuyến vẫn còn bị hạn chế nếu sử dụng phương pháp giải tích để tìm nghiệm tối ưu của phương trình HJB Gần đây, phương pháp quy hoạch động thích nghi ADP và học tăng cường được xem là phương pháp hữu hiệu trong việc giải bài toán tối ưu với cả hệ tuyến tính và phi tuyến [13, 14] Một số thuật toán đã được nghiên cứu để xử lý bài toán điều khiển tối ưu cho hệ phi tuyến có nhiễu [15, 16, 17] Trong [15], phương pháp học tăng cường thích nghi online được trình bày cho bài toán điều khiển tối ưu của hệ phi tuyến với mô hình bất định Để tìm nghiệm của phương trình HJB, cấu trúc Actor- Critic-Identifier được xây dựng dựa trên ba mạng NN: mạng Actor và mạng Critic có vai trò ước lượng tín hiệu điều khiển tối ưu và ước lượng hàm mục tiêu, mạng
NN còn lại có vai trò nhận dạng động học của hệ thống
Trong [17], bộ điều khiển học tăng cường thích nghi dựa trên bộ quan sát nhiễu được đưa ra để thiết kế bộ điều khiển tối ưu cho hệ tàu thủy Bộ điều khiển gồm hai thành phần đó là thành phần tối ưu có nhiệm vụ tối thiểu hóa hàm mục tiêu và thành phần thứ hai là thành phần bù có vai trò loại bỏ ảnh hưởng của nhiễu Tuy nhiên, trong trong thực tế giả thiết thành phần nhiễu matched disturbances làm cho tính ứng dụng của thuật toán bị hạn chế
Bài báo [18] xử lý bài toán điều khiển tối ưu cho hệ phi tuyến với thành phần nhiễu là unmatched disturbances Bằng việc xây dựng hàm mục tiêu thích hợp, nghiệm của phương trình HJB được giải bằng một xấp xỉ hàm duy nhất, ảnh hưởng của nhiễu được loại bỏ bằng cách sử dụng bộ quan sát nhiễu Tuy nhiên, nhược điểm của bài báo là giả thiết thành phần nhiễu bằng 0 khi sai lệch tiến về 0 Điều này rất khó áp dụng cho các bài toán trong thực tế Hơn nữa, với cách đưa ra hàm mục tiêu như vậy thì khả năng áp dụng cho bài toán điều khiển bám là không cao Trong thực tế, tín hiệu đặt dường như không về 0, do đó với hàm mục tiêu được xây dựng như [19] thì sẽ làm cho hàm mục tiêu là vô hạn Nguyên nhân do tín hiệu điều khiển một phần phụ thuộc vào tín hiệu đặt và do đó làm cho u Ru T không về 0 khi thời gian tiến ra vô cùng Vấn đề trên có thể được xử lý bằng cách thêm hệ số suy giảm discount factor [20, 21] trong việc xây dựng hàm mục tiêu Bài báo [20] giải quyết bài toán điều khiển bám tối ưu bền vững cho cho WMR với thành phần nhiễu ngoài Nhiễu được coi là unmatch disturbances Bằng cách xây dựng hàm mục tiêu chứa hệ số suy giảm phù hợp, luật điều khiển tối ưu được xấp xỉ thông qua hai mạng noron đó là mạng Critic và mạng Actor Tuy nhiên, điều kiện PE phải được duy trì để đảm bảo quá trình học là hội tụ, hơn nữa việc sử dụng hai mạng NN gây ra số lượng tính toán lớn
Mô tả bài toán
Xét hệ phi tuyến với thành phần nhiễu unmatched disturbances được mô tả bởi phương trình sau: x f x g x u t d t (2.1)
Trong đó x t n và u t m lần lượt là vector trạng thái hệ thống và tín hiệu điều khiển f x n và g x n m là các hàm phi tuyến xác định trước, d t nđược xem là thành phần nhiễu ngoài unmatched disturbances Để thuận tiện cho việc phân tích tính ổn định, (2.1) thỏa mãn các giả thiết sau:
‒ Giả thiết 2.1 Thành phần nhiễu d t khi tính theo chuẩn Oclit là bị chặn bởi hàm dM t, trong đó dM t là hàm dương Thành phầnd t biến đổi chậm Giả thiết này tương đương với d t dM t và d t 0[22]
‒ Giả thiết 2.2 Cho trước tập x n chứa gốc 0, tồn tại f 0 0 và f x g x u là liên tục Lipschitz trên x Hàm f x và g x là các hàm bị chặn, thỏa mãn điều kiện: f x D x f và g x D g
Phương trình Halminton-Jacobi-Bellman (HJB)
Xét hệ affine có dạng: x f x g x u t (2.2) Định nghĩa hàm mục tiêu:
Với U x u, x Qx u Ru T T với U 0,0 0 và U x u, 0 đối với mọi x n và u m, các ma trận Q n n ,R m m là các ma trận đối xứng xác định dương Đạo hàm theo thời gian phương trình (2.3) đối với hệ (2.2) ta được:
Hàm mục tiêu tối ưu:
Theo nguyên lý tối ưu Bellman đối với lý thuyết điều khiển tối ưu, hàm mục tiêu tối ưu V x thỏa mãn phương trình HJB như sau: min , , 0 u H x u V x (2.7)
Bộ điều khiển tối ưu được tính như sau [18]:
2 u x R gT x V x (2.8) Định lý 1: Xét hệ thống phi tuyến (2.1) với thành phần nhiễu ngoài d t, hàm mục tiêu (2.3), V x là nghiệm tối ưu của phương trình HJB (2.7) và u x là tín hiệu điều khiển tối ưu
Theo giả thiết 2.1 và thay kết quả từ (2.7) vào (2.9), biến đổi ta có:
Theo giả thiết, ta có u là tín hiệu điều khiển chấp nhận được (admissible control), khi đó V sẽ là một hàm hữu hạn đối với mọi x x Không mất tính tổng quát, giả sử V là một hàm bị chặn bởi một hằng số dương b v 0
Khi đó, phương trình (2.10) trở thành:
Do đó, V x 0 với mọi x nằm ngoài tập hợp: min
Trong đó min là giá trị riêng của ma trận.
Xấp xỉ thành phần Critic dựa trên mạng noron ổn định tiệm cận
mờ Fuzzy [25], hoặc dùng mạng ANFIS [26]
Trong đó Wc l , x l và c x lần lượt là vector trọng số, hàm tác động và sai lệch xấp xỉ thành phần Critic l là số lượng noron trong lớp hidden Đạo hàm riêng theo biến x của phương trình (2.13), ta có:
Trong đó x x l n x và c c n x x x Trọng số lý tưởng NN (2.13) là chưa xác định, do đó V x được xấp xỉ bởi: ˆ ˆ T
Trong đó ˆWclà ước lượng của Wc Đạo hàm phương trình (2.15), ta có: ˆ T ˆ c
Gọi ecHlà sai lệch xấp xỉ của mạng Critic, ta có:
Phương trình (2.17) là không thể tính trực tiếp, áp dụng (2.15) và (2.16) đối với (2.17) ta được: ˆ ˆ ˆ ˆ ˆ
Từ phương trình (2.17) và (2.18), biến đổi ta được:
Trong đó dˆ Vˆ T x d V T x e cH c x c x x; x ; x x ; W c W W c ˆ c là vector sai lệch xấp xỷ trọng số của mạng noron Thành phần được giả thiết là bị chặn bởi hằng số dương Mthỏa mãn
Cập nhật vector trọng số: ˆc c c ˆM sgn T c
Trong đó l c 0là tốc độ học của thành phần Critic, tham số 0, ˆ M là ước lượng của M Luật cập nhật cho ˆMđược tính như sau: ˆ M l Wˆ c T (2.21)
Với l 0là tốc độ học
Cập nhật sai lệch vector trọng số: ˆ T sgn T c c c M M c c
Trong đó, thành phần M M ˆ M , luật cập nhật cho M được tính như sau:
Do đó, tín hiệu điều khiển tối ưu được tính như sau:
Tuy nhiên, do thành phần cx và trọng số lý tưởng Wclà chưa biết, do đó mà tín hiệu điều khiển tối ưu được xấp xỉ bởi công thức sau:
T T u x R g x x Wc (2.25) Định lý 2: Xét hệ thống phi tuyến với thành phần nhiễu (2.1), luật cập nhật trọng số theo công thức (2.20) và (2.23) có thể đảm bảo ổn định tiệm cận
Chứng minh: Chọn hàm Lyapunov như sau:
L tr W W l l (2.26) Đạo hàm theo thời gian của công thức (2.26) và thay luật cập nhật số (2.22) vào, ta được:
(2.27) Áp dụng tính chất tr XY tr YX , và thay công thức số (2.23) vào (2.27), ta được:
Từ phương trình (2.29) có thể thấy rằng, tồn tại tham số 2M để làm cho
Bộ quan sát nhiễu phi tuyến
Thành phần nhiễu d t được sử dụng để xây dựng hàm mục tiêu và để xấp xỉ hàm Hamiltonian, do đó để xác định được d t, ta dùng bộ quan sát nhiễu theo [18] như sau:
Trong đó, dˆ n là thành phần nhiễu ước lượng, z n là một biến trung gian,
K n nlà ma trận xác định dương Định lý 3: Xét hệ thống phi tuyến (2.1) với các giả thiết (2.1-2.4), bộ quan sát nhiễu (2.30), định nghĩa sai lệch quan sát d d dˆsẽ tiến về miền hấp dẫn d và đảm bảo ổn định UUB
Chứng minh: Chọn hàm Lyapunov:
Theo giả thiết (2.1) ta có d 0, đạo hàm theo thời gian của (2.30) ta được:
Từ phương trình (2.32), ta có thể thấy rằng L 2 0khi sai lệch quan sát nằm ngoài miền hấp dẫn d , trong đó: min 0 d : d d x
Phân tích tính ổn định
L x x V xT (2.34) Đạo hàm theo thời gian của phương trình trên ta được:
Từ phương trình (2.5), ta có:
Từ phương trình (2.39) ta có thể kết luận rằng L 3 0 khi min Q D f 1 và
R D , trạng thái của hệ thống nằm ngoài tập xác định:
Kết quả mô phỏng
Trong phần này, ví dụ mô phỏng cho đối tượng lý thuyết được thực hiện trên phần mềm MATLAB/Simulink để kiểm chứng chất lượng của thuật toán, xét hệ phi tuyến có phương trình sau: x f x g x u d t (2.41)
Trong đó biến trạng thái x x x 1 2 x x 3 4 T được khởi tạo x 1 0.5 1 0.5 T và trạng thái của bộ quan sát z 2 1 2 1 T , tín hiệu điều khiển u u u T
K I Q I R I l l Hàm activation function của mạng được chọn như sau: x x 2 1 x x 1 2 x x x x 1 3 1 4 x 2 2 x x 2 3 x x 2 4 x 2 3 x x 3 4 x 2 4 T
Hình 2.1: Trạng thái của hệ thống
Hình 2.2: Trọng số của mạng Critic
Hình 2.3: Tín hiệu điều khiển
Hình 2.4: Sai lệch quan sát
Kết quả mô phỏng được chỉ ra ở Hình 2.1 đến Hình 2.4 tương ứng với đáp ứng trạng thái của hệ thống, Vector trọng số của mạng Critic, tín hiệu điều khiển và sai lệch quan sát Có thể thấy rằng, trạng thái của hệ thống hội tụ về miền lân cận gốc tọa độ sau 3s, vector trọng số hội tụ về trọng số lý tưởng, sai lệch quan sát hội tụ về 0 Từ đó cho thấy thuật toán đáp ứng được bài toán điều khiển tối ưu có thành phần nhiễu unmatched disturbances trong hệ phi tuyến
THIẾT KẾ ĐIỀU KHIỂN MPPT CHO HỆ THỐNG PHÁT ĐIỆN SỨC GIÓ SỬ DỤNG BỘ ƯỚC LƯỢNG TỐC ĐỘ GIÓ ANFIS VÀ BỘ ĐIỀU KHIỂN TỐI ƯU THÍCH NGHI DỰA TRÊN BỘ QUAN SÁT NHIỄU
Thiết kế bộ điều khiển tối ưu thích nghi sử dụng bộ quan sát nhiễu
Trong đó x1 r ref ;x2 i q i qref ;x3 i d i dref với ref optlà tốc độ đặt của rotor, 2 1
3 ref qref m ref n m i T B Jd p dt là dòng điện đặt của trục q, và idref = 0 là dòng điện đặt của trục d
Khi hệ thống làm việc ở điểm công suất cực đại, ta có: max
3 ref ref qref opt ref n m i K B Jd p dt (3.7) Đạo hàm theo thời gian của biến x và sử dụng phương trình (3.6) và phương trình (3.7), ta có:
Mô hình động học (3.8) có thể viết dưới dạng sau:
Với x x 1 x 2 x 3 T và u v d v q T , định nghĩa hàm mục tiêu như sau:
Trong đó U x u, x Qx u Ru T T với U 0,0 0 và U x u, 0 đối với mọi x n và u m , các ma trận Q n n ,R m m là các ma trận đối xứng xác định dương Bài toán đưa về giải bài toán tối ưu hàm V x t, trên cho hệ thống (3.9) Sử dụng thuật toán được trình bày ở chương 2, ta đi tìm nghiệm tối ưu V x bằng cách sử dụng một mạng Critic NN xấp xỉ nghiệm tối ưu này: V xˆ Wˆ c T x Trong đó Wc l , x l lượt là vector trọng số, hàm tác động thành phần Critic llà số lượng noron trong lớp hidden Ứng dụng bộ điều khiển tối ưu trong chương 2, ta có:
Vector trọng số của mạng Critic được cập nhật như sau: ˆ c c c ˆ M sgn T c
Với lc 0là tốc độ học của mạng Critic, tham số 0, ˆMlà ước lượng của M Luật cập nhật cho ˆMđược tính như sau:
Với l 0là tốc độ học
Cập nhật sai lệch vector trọng số: ˆ T sgn T c c c M M c c
Trong đó, thành phần M M ˆ M , luật cập nhật cho Mđược tính như sau:
Khi đã có thành phần tín hiệu điều khiển tối ưu, ta đi thiết kế bộ quan sát nhiễu để làm cơ sở cho việc xây dựng hàm mục tiêu và để xấp xỷ hàm Hamiltonian, do đo để xác định được d t , ta sử dụng bộ quan sát nhiễu theo [18] như sau:
Trong đó, dˆ n là thành phần nhiễu ước lượng, z n là một biến trung gian,
K n nlà ma trận xác định dương.
Ước lượng tốc độ gió sử dụng mạng ANFIS
3.4.1 Công cụ ANFIS trong Matlab
Công cụ này dùng để mô hình hóa đối tượng bằng suy luận mờ Gõ “anfisedit” để khởi động ANFIS GUI Cửa sổ GUI sẽ xuất hiện trên màn hình Từ bộ soạn thảo GUI này ta có thể:
Tải dữ liệu (training, testing, checking, demo) bằng cách chọn những nút thích hợp trong phần Load Data (được lấy từ “file” có sẵn hoặc “wordsp”)
Dữ liệu tải về sẽ được vẽ trong phần đồ thị
Tạo mô hình FIS ban đầu hoặc tải một mô hình FIS ban đầu bằng cách sử dụng các lựa chọn trong Generate FIS của GUI
Xem cấu trúc mẫu FIS khi FIS ban đầu đã được tạo ra hoặc tải về bằng cách nhấn vào nút Structure trong phần ANFIS Info
Chọn phương pháp tối ưu tham số mô hình FIS trong phần “Train FIS Optim Method” Bao gồm phương pháp truyền ngược hoặc kết hợp truyền ngược với bình phương tối thiểu (phương pháp lai) Chọn số kỳ huấn luyện ở “Epochs” Để bắt đầu huấn luyện, chọn “Train Now”
Quan sát mô hình FIS để thấy được dữ liệu huấn luyện, kiểm tra hoặc thử dữ liệu đầu ra bằng cách ấn nút “Test Now”
Thanh Menu ở trên để tải một huấn luyện FIS ban đầu, ghi FIS huấn luyện, mở một hệ thống Sugeno hoặc mở bất kỳ một GUI nào để phân tích sự huấn luyện của mô hình FIS
3.4.2 Ước lượng tốc độ gió bằng ANFIS
Dựa vào đồ thị đặc tính Tuabin gió 1.5, với mỗi giá trị của cặp P và , tồn tại 𝜔 một giá trị duy nhất của tốc độ gió V Mối quan hệ giữa P, và V là phi tuyến nên 𝜔 không thể tính trực tiếp tốc độ gió từ công suất đo được và tốc độ Rotor
Trong đồ án này, mô hình ANFIS được sử dụng với 3 hàm liên thuộc ở mỗi biến đầu vào, tương đương 9 luật (rule) Ở đây sử dụng Toolbox ANFIS để ước tính tốc độ gió Trong quá trình thiết kế, việc lựa chọn số lượng các quy tắc If- Then rất quan trọng vì nó ảnh hưởng đến hiệu suất của các phản hồi đầu ra Trong đồ án này, chúng em sử dụng phương pháp học lai (hybrid learning) để cập nhật tham số cho mô hình Anfis, thuật toán này là sự kết hợp ưu điểm của hai phương pháp: bình phương nhỏ nhất (least square) và gradient decent
Với Ilà tập các giá trị đầu vào và S là tập các tham số của mạng cần phải cập nhật Nếu tồn tại một hàm H sao cho phép toán H F là tuyến tính ở một số thành phần của S, khi đó những thành phần này sẽ được tính toán dựa theo phương pháp bình phương tối thiểu
Cụ thể hơn, nếu tập các tham số S được chia thành hai tập con:
Trong đó: là phép toán hợp trong tập hợp
Giả sử phép toán H F tuyến tính với các tham số thuộc tập S 2 , ta sẽ có:
Suy ra đầu ra của ANFIS là một hàm tuyến tính:
Với X là véc tơ chứa các tham số ở tập S 2 Sau đó, phương pháp bình phương cực tiểu (LSE) được áp dụng để chỉnh các tham số này Công thức của LSE là:
Trong công thức này cần xác định ma trận nghịch đảo, chi phí tính toán rất tốn kém khi số lượng mẫu tăng lên nên chúng tôi sử dụng phương pháp tuần tự [21] để tính toán LSE một cách hiệu quả hơn:
Trong đó: Si là ma trận hiệp phương sai, ai T là hang thứ i của ma trận A, bi T là phân tử thứ i của vecto B
Bây giờ chúng ta có thể kết hợp thuật toán Gradient Decent và phương pháp bình phương nhỏ nhất để cập nhật giá trị cho các tham số của mạng Anfis Mỗi chu kỳ cập nhật của quá trình học lai gồm hai giai đoạn: lan truyền thuận (forward pass) và lan truyền ngược (backward pass) Trong giai đoạn lan truyền thuận, dữ liệu đầu vào sẽ được thu thập để tính toán đầu ra tại mỗi nút cho đến khi có được
31 đoạn lan truyền thuận vẫn được tiếp tục cho đến khi tính được giá trị sai lệch giữa đầu ra của mạng anfis và đầu ra mong muốn Trong giai đoạn lan truyền ngược, đạo hàm của sai lệch đối với các giá trị tham số đầu ra sẽ được tính toán trước tiên, giá trị này sẽ được dùng để tính toán đạo hàm của hàm sai lệch so với các tham số các lớp còn lại dựa vào thuật toán lan truyền ngược, từ đó các tham số trong tập S1 sẽ được tính toán và cập nhật lại
Khi tính toán các tham số của tập S 2 (với các tham số của S 1 không đổi), chúng ta sử dụng phương pháp bình phương nhỏ nhất, điều này đảm bảo cho các giá trị tham số của tập S2 là nghiệm cực trị toàn cục Kết quả này cho thấy rằng, phương pháp học lai không chỉ làm giảm khối lượng tính toán (do không phải sử dụng phương pháp gradient decent cho tất cả tham số) mà còn làm giảm thời gian hội tụ đi đáng kể Để kiểm tra độ chính xác của mô hình ANFIS được đào tạo, chúng em kiểm thử với 2 trường hợp:
Trường hợp 1: Khi tốc độ gió bước – Hình 3.3 và Hình 3.4
Trường hợp 2: Khi tốc độ gió ngẫu nhiên – Hình 3.5 và Hình 3.6
Hình 3.3: Tốc độ gió thực và tốc độ gió ước lượng với tốc độ gió bước
Hình 3.4: Sai lệch ước lượng với tốc độ gió bước
Hình 3.5: Tốc độ gió thực và tốc độ gió ước lượng với tốc độ gió ngẫu nhiên
Hình 3.6: Sai lệch ước lượng với tốc độ gió ngẫu nhiên
Kết quả mô phỏng
Để kiểm chứng sự hiệu quả của thuật toán đề xuất, chúng em thực hiện bằng phương pháp mô phỏng trên phần mềm MATLAB/Simulink trong hai kịch bản đó là tốc độ gió thay đổi ở dạng bước nhảy và tốc độ gió thay đổi dưới dạng ngẫu nhiên Ngoài ra, với cùng điều kiện mô phỏng, chất lượng của bộ điều khiển đề xuất cũng được so sánh với bộ điều khiển PI
Sơ đồ cấu trúc tổng thể của hệ thống Tuabin gió sử dụng bộ điều khiển tối ưu thích nghi và bộ ước lượng ANFIS được thể hiện trong Hình 3.2 Như hình bên dưới, dữ liệu về công suất và tốc độ quay của rotor được đo bằng các cảm biến và trở thành đầu vào của bộ ước lượng ANFIS Bộ ước lượng này xuất ra giá trị ước lượng tức thời của tốc độ gió, giá trị này được nhân với hệ số theo phương pháp TSR cho ta tốc độ đặt của máy phát PMSG Bộ điều khiển tối ưu thích nghi sẽ sử dụng giá trị đặt này kết hợp thêm các giá trị đo được từ cảm biến dòng, cảm biến tốc độ để xác định giá trị của tín hiệu điều khiển (𝑉,𝑉) Giá trị 𝑉 và 𝑉 đạt được bằng các phương pháp điều chế để tính ra quy luật đóng cắt của các MOSFET/IGBT của bộ biến đổi công suất
Mô phỏng hệ thống năng lượng gió sử dụng máy phát PMSG với các thông số được cho trong Bảng 3.1 [26]
BẢNG 3.1 THÔNG SỐ CỦA MÁY PHÁT PMSG VÀ TUABIN GIÓ
Công suất định mức (P rate ) 5kW Điện trở Stator (Rs) 0.3676 Ω
Momen quán tính (J) 7.856 kg.m 2 Điện cảm Stator (𝐿) 3.55 mH
Hệ số công suất cực đại (𝐶)
Kịch bản 1: Tốc độ gió thay đổi ở dạng bước nhảy
Biểu đồ tốc độ gió được đưa ra trong Hình 3.7 khi tốc độ gió thay đổi mạnh trong khoảng 7-11m/s Các kết quả mô phỏng cho điều kiện tốc độ gió ở kịch bản
1 được trình bày trong Hình 3.8 đến Hình 3.10 Trong mỗi hình, đáp ứng của hệ thống đối với bộ điều khiển đề xuất và bộ điều khiển PI được so sánh với nhau
Hình 3.7: Tốc độ gió thay đổi ở dạng bước nhảy
Hình 3.8: Đáp ứng của hệ số công suất
ReferencePI-ANFISProposed method
Hình 3.9: Đáp ứng của công suất cơ
Hình 3.10: Đáp ứng của tốc độ Rotor
Trong kịch bản này, trạng thái xác lập của hệ thống đối với hai bộ điều khiển gần như giống nhau đối với đáp ứng về hệ số công suất, công suất cơ và đáp ứng tốc độ rotor Trong đó, ở Hình 3.8 đáp ứng hệ số công suất của hai bộ điều khiển có cùng giá trị với hệ số công suất lý tưởng (0,48) khi hệ thống ở trạng thái xác lập Ngoài ra, trong Hình 3.8 và Hình 3.9 là sự khác biệt trong đáp ứng của hai bộ điều khiển là không khác nhau nhiều ngay cả khi tốc độ gió thay đổi
Tuy nhiên, đáp ứng quá độ của bộ điều khiển đề xuất và bộ điều khiển PI thì khác nhau đáng kể Trong Hình 3.9, thời gian quá độ của bộ điều khiển đề xuất là khoảng 0,3 giây, trong khi đó, thời gian quá độ của bộ điều khiển PI là khoảng 0.5 giây Trong Hình 3.10, thời gian quá độ của bộ điều khiển đề xuất là 0,3 giây và không có độ quá điều chỉnh, tuy nhiên, thời gian đáp ứng của bộ PI chậm hơn nhiều (0,5 giây) và phản hồi của bộ điều khiển PI có độ vọt lố khoảng 6.5%
Kịch bản 2: Tốc độ gió thay đổi ở dạng ngẫu nhiên
Biểu đồ của tốc độ gió ngẫu nhiên để kiểm chứng chất lượng của hệ thống được hiển thị trong Hình 3.11 Đáp ứng động học của WEGS với bộ điều khiển đề xuất và bộ điều khiển PI được trình bày trong Hình 3.12 đến Hình 3.14
Reference PI-ANFIS Proposed method
ReferencePI-ANFISProposed method
Hình 3.11: Tốc độ gió thay đổi theo dạng ngẫu nhiên
Hình 3.12: Đáp ứng của hệ số công suất
Hình 3.13: Đáp ứng của công suất cơ
Hình 3.14: Đáp ứng của tốc độ Rotor
Reference PI-ANFIS Proposed method
Reference PI-ANFIS Proposed method
ReferencePI-ANFISProposed method
Chất lượng của hệ thống trong kịch bản này được thể hiện trong Hình 3.12 đến Hình 3.14 Khi tốc độ gió thay đổi ở dạng ngẫu nhiên, bộ điều khiển đề xuất vẫn duy trì được chất lượng tốt hơn bộ điều khiển PI, đó là đáp ứng của hệ thống khi sử dụng bộ điều khiển đề xuất cho đáp ứng nhanh hơn và không có độ quá điều chỉnh Trong khi đó, bộ điều khiển PI có đáp ứng quá độ lâu hơn và sai lệch bám thì lớn hơn so với bộ điều khiển đề xuất Trong Hình 3.12, bộ điều khiển đề xuất duy trì được hiệu suất cực đại là 0.48, trong khi bộ điều khiển PI bị sụt đáng kể Như vậy, ở cả 2 kịch bản mô phỏng, đáp ứng quá độ và trạng thái xác lập của thuật toán đề xuất cho chất lượng tốt hơn so với bộ điều khiển PI
KẾT LUẬN Trong đồ án này, bộ điều khiển tối ưu thích nghi dựa trên bộ quan sát nhiễu và bộ ước lượng tốc độ gió ANFIS được thiết kế cho bài toán điều khiển công suất cực đại của hệ thống phát điện sức gió Đầu tiên, tốc độ gió được ước lượng qua bộ ANFIS với đầu vào là tốc độ rotor và công suất đầu ra Phương pháp TSR được sử dụng để tính ra điểm làm việc tối ưu Tiếp theo, bộ điều khiển tối ưu thích nghi được thiết kế để điều khiển hệ thống phát điện sức gió bám điểm công suất cực đại Bằng cách thêm thành phần hệ số suy giảm vào hàm mục tiêu làm cho tín hiệu điều khiển được duy trì đối với bài toán điều khiển bám tối ưu Hơn nữa, bằng việc thiết kế bộ quan sát nhiễu phi tuyến, thành phần nhiễu ước lượng đóng vai trò trong việc xây dựng hàm mục tiêu và xây dựng luật cập nhật cho một mạng Critic Luật cập nhật trọng số cho mạng noron được chứng minh qua định lý ổn định Lyapunov Kết quả mô phỏng đối với hai kịch bản đó là tốc độ gió thay đổi theo dạng bước nhảy và tốc độ gió thay đổi theo dạng ngẫu nhiên đã kiểm chứng tính đúng đắn trong việc phân tích và thiết kế bộ điều khiển Trong tương lai bộ điều khiển đề xuất sẽ được mở rộng nghiên cứu cho hệ phi tuyến có tín hiệu điều khiển bị ràng buộc.
