Ứng dụng mạng nơ ron mờ để điều khiển tụ bù tĩnh nhằm giữ ổn định điện áp

giáo dục đào tạo tr-ờng đại học bách khoa hà nội NGUYỄN THANH QUẢNG HỆ THỐNG ĐIỆN 2007 - 2009 H Ni 2009 luận văn thạc sĩ khoa häc NGÀNH: HỆ THỐNG ĐIỆN ỨNG DỤNG MẠNG NƠ RON MỜ ĐỂ ĐIỀU KHIỂN TỤ BÙ TĨNH NHẰM GIỮ ỔN ĐỊNH ĐIỆN ÁP NGUYỄN THANH QUẢNG Hµ Néi 2009 BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC BÁCH KHOA HÀ NỘI - LUẬN VĂN THẠC SĨ KHOA HỌC ỨNG DỤNG MẠNG NƠ RON MỜ ĐỂ ĐIỀU KHIỂN TỤ BÙ TĨNH NHẰM GIỮ ỔN ĐỊNH ĐIỆN ÁP NGÀNH: HỆ THỐNG ĐIỆN MÃ SỐ: NGUYỄN THANH QUẢNG Người hướng dẫn khoa học: TS PHAN ĐĂNG KHẢI HÀ NỘI - 2009 i Luận văn Thạc sỹ khoa học LỜI CẢM ƠN Trước hết, xin gửi lời cảm ơn sâu sắc đến TS Phan Đăng Khải, người tận tình hướng dẫn động viên tơi suốt q trình làm luận văn Tơi xin gửi lời cảm ơn tới thầy cô giáo cán Khoa Điện Bộ môn Hệ thống điện – Trường Đại học Bách Khoa Hà Nội giúp đỡ năm học tập vừa qua Cuối cùng, tơi xin cảm ơn gia đình, bạn bè đồng nghiệp, người tạo điều kiện động viên tơi suốt q trình học tập thời gian làm luận văn Nguyễn Thanh Quảng – CHKTĐ_k79 ii Luận văn Thạc sỹ khoa học LỜI CAM ĐOAN Tôi xin cam đoan luận văn riêng tơi Các kết tính tốn nêu luận văn trung thực chưa công bố luận văn khác Hà Nội, tháng 10 năm 2009 Tác giả luận văn Nguyễn Thanh Quảng Nguyễn Thanh Quảng – CHKTĐ_k79 iii Luận văn Thạc sỹ khoa học MỤC LỤC LỜI CẢM ƠN i LỜI CAM ĐOAN ii MỤC LỤC iii DANH MỤC CÁC KÝ HIỆU CHỮ VIẾT TẮT vi DANH MỤC CÁC BẢNG BIỂU vii DANH MỤC CÁC HÌNH VẼ viii TĨM TẮT LUẬN VĂN x ABSTRACT xi MỞ ĐẦU Chương 1: TỔNG QUAN VỀ HỆ THỐNG ĐIỆN VIỆT NAM 1.1.Tổng quan Hệ thống điện Việt Nam 1.1.1.Tình hình phát triển Hệ thống điện Việt Nam giai đoạn gần 1.1.2.Hiện trạng Hệ thống điện Việt Nam 1.2.Tình trạng vận hành lưới điện nhu cầu nâng cao chất lượng điện 13 1.2.1.Tình trạng vận hành lưới điện 13 1.2.2.Yêu cầu nâng cao chất lượng điện 14 Chương 2: VAI TRÒ CỦA THIẾT BỊ BÙ NGANG VÀ KHẢ NĂNG ỨNG DỤNG SVC TRONG VIỆC ỔN ĐỊNH ĐIỆN ÁP 15 2.1.Vai trò thiết bị bù ngang 15 2.2.Thiết bị bù ngang có điều khiển - SVC 17 2.2.1.Cuộn cảm điều khiển thyristor 17 2.2.2.Bộ tụ đóng ngắt thyristor 20 2.3.Nguyên tắc chung điều khiển điện áp Thyristor 23 2.4.Đặc tính điều chỉnh SVC 25 Chương 3: TỔNG QUAN VỀ LOGIC MỜ VÀ MẠNG NƠ RON Nguyễn Thanh Quảng – CHKTĐ_k79 33 iv Luận văn Thạc sỹ khoa học 3.1.Lô gic mờ 33 3.1.1 Tập mờ 33 3.1.2.Luật hợp thành mờ 38 3.1.3.Giải mờ 46 3.2.Bộ điều khiển mờ 50 3.2.1.Bộ điều khiển mờ 50 3.2.2.Các nguyên tắc tổng hợp điều khiển mờ 51 3.3.Mạng nơ ron 54 3.3.1.Mơ hình mạng nơ ron nhân tạo 54 3.3.2.Cấu tạo mạng nơ ron 57 3.3.3.Các trạng thái làm việc mạng nơ ron 59 3.3.4.Một số mơ hình mạng nơ ron 62 3.4.Ứng dụng mạng nơ ron điều khiển 69 3.4.1.Khả ứng dụng 69 3.4.2.Các bước thiết kế mạng nơ ron ứng dụng 70 3.5.Ghép nối điều khiển mờ mạng nơ ron Chương 4: ỨNG DỤNG MẠNG NƠ RON – MỜ ĐỂ ĐIỀU KHIỂN SVC 4.1.Nội dung toán 72 74 74 4.1.1.Đặt vấn đề 74 4.1.2.Tính thơng số hệ thống 75 4.2.Khả mô Hệ thống điện Simulink 76 4.2.1.Giới thiệu simulink 76 4.2.2.Khả mô hệ thống điện simulink 77 4.3.Mô hệ thống điều khiển SVC simulink 79 4.3.1.Xây dựng mơ hình mơ 79 4.3.2.Tiến hành mơ 84 4.4.Ứng dụng lý thuyết mờ để xác định góc mở alpha theo PT QT 85 4.4.1.Trình tự thực tốn 85 4.4.2.Thuật tốn chương trình giải mờ 90 Nguyễn Thanh Quảng – CHKTĐ_k79 v Luận văn Thạc sỹ khoa học 4.5.Ứng dụng mạng nơ ron – mờ ANFIS để tính góc mở alpha theo PT QT 92 4.5.1.Giới thiệu chung ANFIS 92 4.5.2.Quá trình huấn luyện mạng nơ ron – mờ ANFIS phần mềm matlab 94 4.5.3.Ứng dụng mạng nơ ron – mờ ANFIS để giải lại tốn tính góc alpha 99 4.6.Mô hệ thống điều khiển tụ bù tĩnh dung mạng nơ ron – mờ phần mềm simulink 103 4.6.1.Sơ đồ mô hệ thống 103 4.6.2.Đánh giá, nhận xét 106 KẾT LUẬN CHUNG 107 TÀI LIỆU THAM KHẢO 109 PHỤ LỤC 110 Nguyễn Thanh Quảng – CHKTĐ_k79 vi Luận văn Thạc sỹ khoa học DANH MỤC CÁC KÝ HIỆU CHỮ VIẾT TẮT Viết tắt Tiếng Anh Tiếng Việt TCR Thyristor Controlled Reactor Cuộn cảm điều khiển thyristor TSC Thyristor Switched Capacitor Tụ đóng cắt thyristor SVC Static Var Compensator Bộ bù công suất tĩnh MISO Multy Input Single Output Nhiều đầu vào, đầu SISO Single Input Single Output Một tín hiệu đầu vào, tín hiệu đầu MPL Multy Layer Perceptron Mạng nhiều lớp ANFIS Adaptive Neuro-Fuzzy Inference Systems Nguyễn Thanh Quảng – CHKTĐ_k79 vii Luận văn Thạc sỹ khoa học DANH MỤC CÁC BẢNG BIỂU Tên nội dung bảng trang Bảng 1.1 Các nhà máy điện tính đến năm 2005 Bảng 1.2 Các nhà máy điện tính đến năm 2010 Bảng 3.1 Bảng luật điều khiển 53 Bảng 4.1 Luật hợp thành điều khiển mờ 88 Bảng 4.2 Điện áp 104 Nguyễn Thanh Quảng – CHKTĐ_k79 viii Luận văn Thạc sỹ khoa học DANH MỤC CÁC HÌNH VẼ Tên nội dung hình vẽ, đồ thị trang Hình 2.1 Cấu tạo đặc tính TCR 18 Hình 2.2 Tụ đóng ngắt thyrristor 20 Hình 2.3 a) mạch tương đương; b) đồ thị vec tơ lúc chưa bù; c) đồ thị véc tơ lúc có bù Hình 2.4 TCR SVC 23 Hình 2.5 Dạng sóng dịng điện I theo góc mở α 27 Hình 2.6 Dạng sóng dịng điện qua TCR 28 Hình 2.7 Đặc tính điều chỉnh TCR 30 Hình 3.1 Hàm phụ thuộc tập mờ F 34 Hình 3.2 Mơ tả giá trị ngơn ngữ tập mờ 38 Hình 3.3 Quy tắc hợp thành 40 Hình 3.4 Quy tắc hợp thành Prod 40 Hình 3.5 Luật hợp thành MISO với hai mệnh đề điều kiện 42 Hình 3.6 Hàm thuộc giá trị 44 Hình 3.7 Hàm thuộc đầu mệnh đề thứ 44 Hình 3.8 Hàm thuộc đầu mệnh đề thứ hai 45 Hình 3.9 Hàm thuộc đầu luật hợp thành 45 Hình 3.10 Giải mờ phương pháp cực đại 46 Hình 3.11 Giải mờ phương pháp điểm trọng tâm 47 Hình 3.12 Hàm thuộc đầu có dạng hình thang 49 Hình 3.13 Sơ đồ khối điều khiển mờ 50 Hình 3.14 Cấu trúc nơ ron sinh học 55 Hình 3.15 Mơ hình nơ ron có m đầu vào đầu 56 Hình 3.16 Cấu trúc mạng nơ ron 59 Hình 3.17 Mạng nơ ron truyền thẳng lớp 62 Hình 3.18 Mạng MLP truyền thẳng 64 Nguyễn Thanh Quảng – CHKTĐ_k79 26 27 : 110 : 21.0000 : 16.0000 : 2.4655 : 2.4175 : -0.0480 : : 111 : 21.0000 : 11.0000 : 2.4558 : 2.3581 : -0.0977 : : 112 : 21.0000 : 6.0000 : 2.4410 : 2.3581 : -0.0829 : : 113 : 21.0000 : 1.0000 : 2.4185 : 2.3100 : -0.1085 : : 114 : 16.0000 : 60.0000 : 2.5336 : 2.4981 : -0.0355 : : 115 : 16.0000 : 51.0000 : 2.5059 : 2.4936 : -0.0123 : : 116 : 16.0000 : 41.0000 : 2.4893 : 2.4962 : 0.0069 : : 117 : 16.0000 : 30.0000 : 2.4787 : 2.4072 : -0.0715 : : 118 : 16.0000 : 26.0000 : 2.4749 : 2.4106 : -0.0643 : : 119 : 16.0000 : 21.0000 : 2.4689 : 2.4175 : -0.0514 : : 120 : 16.0000 : 15.0000 : 2.4580 : 2.2402 : -0.2178 : : 121 : 16.0000 : 11.0000 : 2.4484 : 2.2538 : -0.1946 : : 122 : 16.0000 : 7.0000 : 2.4350 : 2.2559 : -0.1791 : 28 : 123 : 16.0000 : 2.0000 : 2.4060 : 2.2454 : -0.1606 : : 124 : 11.0000 : 60.0000 : 2.5232 : 2.4960 : -0.0272 : : 125 : 11.0000 : 53.0000 : 2.5030 : 2.4947 : -0.0083 : : 126 : 11.0000 : 46.0000 : 2.4914 : 2.4725 : -0.0189 : : 127 : 11.0000 : 40.0000 : 2.4858 : 2.4684 : -0.0174 : : 128 : 11.0000 : 33.0000 : 2.4793 : 2.4626 : -0.0168 : : 129 : 11.0000 : 25.0000 : 2.4704 : 2.3684 : -0.1019 : : 130 : 11.0000 : 17.0000 : 2.4570 : 2.3720 : -0.0850 : : 131 : 11.0000 : 11.0000 : 2.4385 : 2.2615 : -0.1770 : : 132 : 11.0000 : 6.0000 : 2.4142 : 2.2622 : -0.1520 : : 133 : 11.0000 : 1.0000 : 2.3700 : 2.2600 : -0.1100 : : 134 : 8.0000 : 60.0000 : 2.5155 : 2.4957 : -0.0198 : - 29 : 135 : 8.0000 : 30.0000 : 2.4743 : 2.3490 : -0.1252 : : 136 : 8.0000 : 15.0000 : 2.4460 : 2.2617 : -0.1843 : : 137 : 8.0000 : 7.0000 : 2.4100 : 2.2585 : -0.1515 : : 138 : 8.0000 : 0.0000 : 2.3300 : 2.2561 : -0.0739 : : 139 : 5.0000 : 4.0000 : 2.3664 : 2.2629 : -0.1035 : : 140 : 5.0000 : 1.0000 : 2.3180 : 2.2600 : -0.0580 : : 141 : 3.0000 : 60.0000 : 2.5080 : 2.4964 : -0.0116 : : 142 : 3.0000 : 0.0000 : 2.2596 : 2.2492 : -0.0104 : : 143 : 1.0000 : 0.0000 : 2.1450 : 2.2402 : 0.0952 : - 30 PHỤ LỤC III: CHƯƠNG TRÌNH HUẤN LUYỆN VÀ KẾT QUẢ HUẤN LUYỆN Chương trình huấn luyện tìm mối quan hệ vào %%%%%%%%%%%%%%%%%%%%%% chuong trinh huan luyen %%%%%%%%%%%%%%% trandata; checkdata; numMFs=[8 8]; mftype = 'trimf'; in_fismat = genfis1(trandata,numMFs,mftype) ; numep=100; [out_anfis,error1,ss ,fismat2,erro2]=anfis(trandata, in_fismat, numep,[],checkdata); %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% Kết huấn luyện ANFIS info: Number of nodes: 165 Number of linear parameters: 192 Number of nonlinear parameters: 48 Total number of parameters: 240 Number of training data pairs: 141 Number of checking data pairs: 143 Number of fuzzy rules: 64 Warning: number of data is smaller than number of modifiable parameters ANFIS info: Number of nodes: 165 Number of linear parameters: 192 Number of nonlinear parameters: 48 Total number of parameters: 240 31 Number of training data pairs: 265 Number of checking data pairs: 143 Number of fuzzy rules: 64 Start training ANFIS 0.0033105 0.00311929 0.00326925 0.00308802 0.00317749 0.00305544 0.00312941 0.00304327 0.00305948 0.00299863 Step size increases to 0.011000 after epoch 0.00300948 0.00298173 0.00298359 0.00298162 0.00296246 0.00297799 0.00294086 0.00296891 Step size increases to 0.012100 after epoch 10 0.00291905 0.00295595 11 0.00289458 0.00293777 12 0.00286896 0.00291525 13 0.00284173 0.0028883 Step size increases to 0.013310 after epoch 13 14 0.00281265 0.0028571 15 0.00277864 0.00281845 32 16 0.00274277 0.00277595 17 0.00270554 0.00273056 Step size increases to 0.014641 after epoch 17 18 0.00266749 0.00268328 19 0.00262538 0.00263027 20 0.00258363 0.00257731 21 0.00254281 0.00252538 Step size increases to 0.016105 after epoch 21 22 0.00250331 0.00247522 23 0.00246167 0.00242266 24 0.00242205 0.00237322 25 0.00238442 0.00232701 Step size increases to 0.017716 after epoch 25 26 0.00234864 0.00228397 27 0.00231116 0.00224 28 0.00227532 0.00219922 29 0.00224078 0.0021612 Step size increases to 0.019487 after epoch 29 30 0.00220726 0.00212551 31 0.00217129 0.00208849 32 0.00213604 0.0020534 33 0.00210136 0.0020199 Step size increases to 0.021436 after epoch 33 34 0.00206723 0.00198777 35 0.00203038 0.0019538 33 36 0.00199428 0.00192118 37 0.00195907 0.00188983 Step size increases to 0.023579 after epoch 37 38 0.00192486 0.00185973 39 0.0018885 0.00182808 40 0.00185356 0.00179795 41 0.00182009 0.00176934 Step size increases to 0.025937 after epoch 41 42 0.00178811 0.00174225 43 0.00175466 0.00171417 44 0.00172297 0.00168787 45 0.00169299 0.00166329 Step size increases to 0.028531 after epoch 45 46 0.00166464 0.00164037 47 0.00163528 0.00161698 48 0.00160771 0.00159543 49 0.00158185 0.0015756 Step size increases to 0.031384 after epoch 49 50 0.00155761 0.0015574 51 0.00153275 0.00153914 52 0.00150967 0.0015226 53 0.00148827 0.00150764 Step size increases to 0.034523 after epoch 53 54 0.00146848 0.00149416 55 0.00144513 0.00147729 34 56 0.00141829 0.00145529 57 0.00139561 0.00143668 Step size increases to 0.037975 after epoch 57 58 0.00137665 0.00142096 59 0.00135967 0.00140652 60 0.00134622 0.00139464 61 0.00133576 0.00138494 Step size increases to 0.041772 after epoch 61 62 0.00132773 0.00137715 63 0.00132128 0.00137036 64 0.00131626 0.00136528 65 0.00131195 0.00136164 Step size increases to 0.045950 after epoch 65 66 0.00130786 0.00135931 67 0.00130324 0.00135766 68 0.00129864 0.00135766 69 0.00129541 0.00135764 Step size increases to 0.050545 after epoch 69 70 0.0012986 0.0013663 71 0.0012943 0.00136095 72 0.00129417 0.00136636 73 0.00128998 0.00136128 74 0.00128987 0.00136637 Step size increases to 0.055599 after epoch 74 75 0.00128574 0.0013616 35 76 0.0012883 0.00136894 77 0.0012819 0.00136233 78 0.00128385 0.00136868 79 0.00127805 0.00136279 Step size decreases to 0.050039 after epoch 79 80 0.00127965 0.00136849 81 0.00127156 0.00136125 82 0.00127488 0.00136762 83 0.00126828 0.0013618 Step size decreases to 0.045035 after epoch 83 84 0.00127068 0.00136715 85 0.00126286 0.00136077 86 0.00126597 0.00136607 87 0.00125987 0.00136147 Step size decreases to 0.040532 after epoch 87 88 0.00126114 0.00136651 89 0.00125456 0.00136263 90 0.00125619 0.0013675 91 0.00125142 0.00136498 Step size decreases to 0.036479 after epoch 91 92 0.00125229 0.00136896 93 0.00124695 0.00136599 94 0.00124821 0.00136987 95 0.00124429 0.00136792 Step size decreases to 0.032831 after epoch 95 36 96 0.00124493 0.00137111 97 0.00124053 0.00136877 98 0.00124146 0.00137188 99 0.00123822 0.00137034 Step size decreases to 0.029548 after epoch 99 100 0.00123865 0.00137291 37 PHỤ LỤC III: CÁC HIỂN THỊ VỀ DỊNG VÀ ÁP TRÊN SCOPE Điện áp có SVC Dòng điện qua thyristor alpha ≠ 2π/3 Điện áp thyristor alpha ≠ 2π/3 38 Điện áp khơng có SVC Điện áp thyristor alpha = 2π/3 (tức thyristor mở hồn tồn) 39 Dịng thyristor alpha = 2π/3 (tức thyristor mở hoàn tồn) i Luận văn Thạc sỹ khoa học TĨM TẮT LUẬN VĂN Việc sử dụng thiết bị bù tĩnh (SVC) có điều khiển mang lại khả đảm bảo ổn định điện áp nút phụ tải với nhiều ưu điểm vượt trội Ưu điểm có điều SVC Do việc ngiên cứu điều khiển SVC nhằm tăng khả đáp ứng cần thiết ý nghĩa Trong luận văn tác giả đề cập đến việc ứng dụng mạng nơ ron mờ việc xây dựng điều khiển cho SVC Luận văn viết bao gồm bốn chương Chương I: Chương nói phát triển trạng Hệ thống điện Việt Nam việc cần thiết nâng cao chất lượng điện áp Chương II: Trong chương tác giả bàn vai trò thiết bị bù, cấu tạo SVC, khả điều khiển khả xây dựng điều khiển mờ nơ ron với yếu tố đầu vào biến thiên, để điều khiển góc mở alpha thyristor cụm TCR SVC vai trò ổn định điện áp Chương III: Chương đề cập đến lý thuyết mờ mạng nơ ron ứng dụng thiết kế điều khiển Đặc biệt khả lai ghép hai mô hình vai trị điều khiển Chương IV: Trong chương tác giả xây dựng toán điều khiển cho toán cụ thể để làm rõ khả ứng dụng mạng nơ ron mờ việc điều khiển SVC nhằm ổn định điện áp Trong chương tác giả ứng dụng khả mô simulink, mạng nơ ron mờ ANFIS cơng cụ Toolbox matlap để giải tốn Nguyễn Thanh Quảng – CHKTĐ_k79 i Luận văn Thạc sỹ khoa học ABSTRACT The controlled static Var compensator (SVC) has ability of stabilizing voltage at the load loop with many outstanding advantages due to SVC’s control unit Therefore, it is very necessary and significant to study the SVC’s control unit in order to increase its satisfaction ability This thesis studies the fuzzy neural network application in designing the SVC’s control unit This thesis consists of four chapters as followed: Chapter I: This chapter mentions to the development and present condition of Vietnam electricity system and the need of improving electricity quality Chapter II: This chapter discuses about the role of compensator, the structure of SVC and the controlling and designing ability of opaque neural control unit with variable elements in order to control thyristor’s alpha open angle of SCV’s TCR to stabilize voltage Chater III: This chapter expresses the application of fuzzy theory and neural network in designing the control unit especially, the ability of combining these two models for better control Chapter IV: This chapter shows the author’s construction of controlling problem for a particular problem to clarify the ability of fuzzy neural network application in controlling SVC to stabilize voltage; and the author’s application of emulation ability on simulink as well as ANFIS fuzzy neural network in matlap’s toolbox to solve the problem Nguyễn Thanh Quảng – CHKTĐ_k79 ... Thạc sỹ khoa học bên khối điều khiển Để ? ?áp ứng yêu cầu ngày cao khả ? ?áp ứng nhanh hệ thống điều khiển áp dụng hướng điều khiển là: Ứng dụng mạng nơ ron – mờ để điều khiển mở góc alpha thyristor... tạo mạng nơ ron 57 3.3.3.Các trạng thái làm việc mạng nơ ron 59 3.3.4.Một số mơ hình mạng nơ ron 62 3.4 .Ứng dụng mạng nơ ron điều khiển 69 3.4.1.Khả ứng dụng 69 3.4.2.Các bước thiết kế mạng nơ ron. .. NỘI - LUẬN VĂN THẠC SĨ KHOA HỌC ỨNG DỤNG MẠNG NƠ RON MỜ ĐỂ ĐIỀU KHIỂN TỤ BÙ TĨNH NHẰM GIỮ ỔN ĐỊNH ĐIỆN ÁP NGÀNH: HỆ THỐNG ĐIỆN MÃ SỐ: NGUYỄN THANH QUẢNG Người hướng dẫn khoa