Áp dụng mạng neuron điều khiển công suất truyền tải trên đường dây ac với thiết bị svc

BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC KỸ THUẬT CÔNG NGHỆ TP HCM - HỒ QUỐC VIỆT ÁP DỤNG MẠNG NEURON ĐIỀU KHIỂN CÔNG SUẤT TRUYỀN TẢI TRÊN ĐƯỜNG DÂY AC VỚI THIẾT BỊ SVC LUẬN VĂN THẠC SĨ Chuyên ngành: Kỹ thuật điện Mã số ngành: 60520202 TP HỒ CHÍ MINH, tháng 02 năm 2013 BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC KỸ THUẬT CÔNG NGHỆ TP HCM - HỒ QUỐC VIỆT ÁP DỤNG MẠNG NEURON ĐIỀU KHIỂN CÔNG SUẤT TRUYỀN TẢI TRÊN ĐƯỜNG DÂY AC VỚI THIẾT BỊ SVC LUẬN VĂN THẠC SĨ Chuyên ngành: Kỹ thuật điện Mã số ngành: 60520202 HƯỚNG DẪN KHOA HỌC: Ts ĐINH HỒNG BÁCH TP HỒ CHÍ MINH, tháng 02 năm 2013 CƠNG TRÌNH ĐƯỢC HỒN THÀNH TẠI TRƯỜNG ĐẠI HỌC KỸ THUẬT CÔNG NGHỆ TP HCM Cán hướng dẫn khoa học: TS ĐINH HOÀNG BÁCH Luận văn Thạc sĩ bảo vệ Trường Đại học Kỹ thuật Công nghệ TP HCM ngày 02 tháng 02 năm 2013 Thành ph ần Hội đồng đánh giá Luận văn Thạc sĩ gồm: TS NGÔ CAO CƯ ỜNG PGS.TS LÊ KIM HÙNG TS HUỲNH CHÂU DUY TS TRẦN VINH TỊNH PGS.TS PHAN TH Ị THANH BÌNH Xác nhận Chủ tịch Hội đồng đánh giá Luận sau Luận văn sửa chữa (nếu có) Chủ tịch Hội đồng đánh giá LV TRƯỜNG ĐH KỸ THUẬT CÔNG NGHỆ TP HCM PHÒNG QLKH - ĐTSĐH CỘNG HÒA XÃ HỘI CHỦ NGHĨA VIỆT NAM Độc lập - Tự - Hạnh phúc TP HCM, ngày 26 tháng 12 năm 2012 NHIỆM VỤ LUẬN VĂN THẠC SĨ Họ tên học viên: HỒ QUỐC VIỆT Giới tính: Nam Ngày, tháng, năm sinh: 03-02-1981 Nơi sinh: TP.HCM Chuyên ngành: KỸ THUẬT ĐIỆN MSHV: 1181031069 I- TÊN ĐỀ TÀI: ÁP DỤNG MẠNG NEURON ĐIỀU KHIỂN CÔNG SUẤT TRUYỀN TẢI TRÊN ĐƯỜNG DÂY AC VỚI THIẾT BỊ SVC II- NHIỆM VỤ VÀ NỘI DUNG: III- NGÀY GIAO NHI ỆM VỤ:21-06-2012 IV- NGÀY HOÀN THÀNH NHI ỆM VỤ:25-12-2012 V- CÁN BỘ HƯỚNG DẪN: TIẾN SĨ ĐINH HOÀNG BÁCH CÁN BỘ HƯỚNG DẪN KHOA QU ẢN LÝ CHUYÊN NGÀNH i LỜI CAM ĐOAN Tôi xin cam đoan cơng ình tr nghiên cứu riêng tơi Các số liệu, kết nêu Luận văn trung thực chưa công bố cơng trình khác Tơi xin cam đoan giúp đỡ cho việc thực Luận văn cảm ơn thơng tin trích dẫn Luận văn rõ nguồn gốc Học viên thực Luận văn HỒ QUỐC VIỆT ii LỜI CÁM ƠN Em xin bày tỏ lời cám ơn sâu sắc đến TS Đinh Hoàng Bách, thầy hướng dẫn, dạy tận tình để em hồn thành luận văn Em xin chân thành cám ơn thầy cô giáo khoa Điện - Điện tử trường Đại học Kỹ Thuật Công Nghệ TPHCM truyền thụ kiến thức cho em suốt trình học tập vừa qua Tôi xin cám ơn quan, bạn bè đồng nghiệp, gia đình người thân chia sẽ, giúp đỡ động viên, tạo điều kiện thuận lợi cho việc học tập hoàn thành luận văn TPHCM, ngày tháng Hồ Quốc Việt năm 2013 iii TĨM TẮT Đối với hệ thống điện lớn nói chung hệ thống điện Việt Nam nói riêng, trào lưu công suất thay đổi nhiều chế độ vận hành thay đổi tải liên tục Cho nên thông số chế độ biến thiên phạm vi rộng dễ rơi phạm vi cho phép Trong trường hợp sử dụng thiết bị bù cố định điều chỉnh mà phải sử dụng thiết bị bù điều khiển nhanh SVC Hiện nay, thiết bị bù tĩnh SVC sử dụng phổ biến có nhiều phương pháp điều khiển khác Trong luận văn trình bày cách điều khiển thiết bị bù tĩnh SVC, điều khiển lượng công suất kháng ổn định điện lưới giới hạn cho phép phương pháp mạng neuron nhân tạo iv ABSTRACT In large power systems in general and and in the Vietnamese power system in particular, power flow always changes depending on operating models and load value changes continuously Thus, it is easy for the parameters with a wide range of changes to go beyond a pemitted range In this case, we acn not use a fixed compensator to adjust them and it can be more reasonable to use a fast controlled compensator such as SVC Currently, static var compensation devices SVC still used quite popular and there are many different control methods In this essay demonstrates how static compensation devices SVC control, control of power grid stability resistance within the limits allowed by the method of artificial neural network v MỤC LỤC LỜI CAM ĐOAN i LỜI CÁM ƠN ii TÓM TẮT ii ABSTRACT iv MỤC LỤC v DANH MỤC CÁC TỪ VIẾT TẮT ix DANH MỤC CÁC BẢNG x DANH MỤC CÁC BIỂU ĐỒ, ĐỒ THỊ, SƠ ĐỒ, HÌNH ẢNH xi MỞ ĐẦU 1.1 Đặt vấn đề 1.2 Tính cấp thiết đề tài CHƯƠNG 1: THIẾT BỊ ĐIỀU KHIỂN CÔNG SUẤT TRONG HỆ THỐNG ĐIỆN 1.1 Những yêu cầu điều chỉnh nhanh cơng suất điều kiện làm việc bình thường cố 1.1.1 Đặc điểm 1.1.2 Các biện pháp áp dụng công nghệ truyền tải điện 1.1.3 Bù công suất phản kháng 1.1.4 Bù dọc bù ngang đường dây siêu cao áp 1.1.4.1 Bù dọc 1.1.4.2 Bù ngang 1.1.4.3 Nhận xét 1.2 Một số thiết bị điều khiển CSPK hệ thống điện 1.2.1 Thiết bị bù tĩnh điều khiển thyristor (SVC - static var compensator) 1.2.2 Thiết bị bù dọc điều khiển thyristor (TCSC - thyristor controlled series capacitor) 10 vi 1.2.3 Thiết bị bù tĩnh Statcom (static synchronous compensator) 10 1.2.4 Thiết bị điều khiển dịng cơng suất (UPFC - unified power flow controller) 11 1.2.5 Thiết bị điều khiển góc pha thyristor (TCPAR- thyristor controlled phase angle regulator) 12 1.2.6 Nhận xét 12 CHƯƠNG 2: TỔNG QUAN THIẾT BỊ BÙ SVC VÀ KHẢ NĂNG ỨNG DỤNG TRONG HỆ THỐNG ĐIỆN 15 2.1 Đặt vấn đề 15 2.2 Thiết bị bù ngang có điều khiển SVC 16 2.2.1 Cấu tao phần tử SVC 16 2.2.1.1 Nguyên lý hoạt động thyristor mắc song song ngược 16 2.2.1.2 Kháng điều chỉnh thyristor TCR (thyristor controlled reactor) 19 2.2.1.3 Tụ đóng mở thyristor TSC ( thyristor switch capacitor) 23 2.2.1.4 Kháng đóng mở thyristor TSR ( thyristor switch reactor) 23 2.2.1.5 Hệ thống điều khiển van SVC 24 2.2.2 Các đặc tính SVC 25 2.2.2.1 Đặc tính điều chỉnh SVC 25 2.2.2.2 Đặc tính làm việc SVC 25 2.3 Mơ hình SVC tính toán chế độ xác lập hệ thống điện 27 2.3.1 Mơ hình hóa SVC điện kháng có trị số thay đổi 27 2.3.2 Mơ hình SVC theo tổ hợp nguồn phụ tải phản kháng 28 2.4 Một số ứng dụng SVC 32 2.4.1 Điều chỉnh điện áp trào lưu công suất 32 2.4.2 Giới hạn thời gian cường độ áp xảy cố 34 2.4.3 Ơn hịa dao động cơng suất hữu cơng 35 77 So sánh kết từ hai chương trình điều khiển SVC thuật toán điều khiển SVC mạng neuron nhân tạo ta thấy:  Về điện áp yêu cầu hai trường hợp điều chỉnh điện áp vị trí đặt đạt giá trị dao động cho phép  Công suất phản kháng phát hấp thụ từ SVC hai trường hợp cịn khác Với mơ hình điều khiển thuật tốn mà giúp SVC điều chỉnh cơng suất kháng linh hoạt ổn định so với điều khiện mạng neuron  Do TSC thay đổi việc đóng cắt theo điện áp, nên điện áp thấp đưa vào TSC đóng làm điện áp V meas tăng lên vượt so với điện áp đặt Điều làm cho TSC ngắt, ện áp trở vị trí ban đầu Vấn đề làm cho TSC đóng ngắt liên tục, dẫn đến điện áp Vmeas bị nhấp nháy 4.3 ỨNG DỤNG CÁC PHƯƠNG PHÁP ĐIỀU KHIỂN MẠNG NEURON: 4.3.1 Phương pháp điều khiển Điều khiển theo vịng kín: Hình 4.23 Điều khiển theo vịng kín Để hạn chế việc điện áp nhấp nháy TSC đóng cắt liên tục, ta cần trì việc điện áp định mức cần thiết cho TSC đóng trì điện áp trở vị trí ban đầu cao mức đóng TSC Thuật toán điều khiển: 78 NEURON - 0 Vmeas + BỘ NEURON KQ BỘ TSC END CỘNG 1 Tín hiệu trì NEURON Hình 4.24 Thuật tốn điều khiển TSC Với cách điều khiển vịng kín thuật tốn ta cần huấn luyện cho TSC thêm mang neuron để kết hợp với cộng chương trình trì điện áp điều khiển Chi tiết huấn luyện trính bày phần phụ lục Q trình huấn luyện mạng: o Do tính chất cần trì điện áp TSC đóng, khơng làm cho dao động điện áp đầu vào điện áp U tương ứng điện áp cho TSC đóng cho tín hiệu đầu 0.023 Kết đầu kết hợp với cộng chương trình làm điện áp cho TSC trì o Một tín hiệu vào tín hiệu o Số lớp ần: lớp Mơ hình điều khiển thể sau: 79 Hình 4.25 Mơ hình điều khiển SVC theo vịng kín 4.3.2 Kết ứng dụng mạng neuron Mạng sau huấn luyện thành công cho khối điều khiển riêng TCR, TSC1, TSC2, TSC3 ạmng điều khiển theo vịng kín đưa vào thử nghiệm kết nhận trình điều khiển thể sau: 80 • Điện áp [1.0 1.0 1.0] thời gian t= [0 0.2 0.7] Hình 4.26 Kết điều khiển SVC mạng neuron vịng kín U=1.0pu 81 • Điện áp [1.0 1.05 1.0] thời gian t= [0 0.2 0.7] Hình 4.27 Kết điều khiển SVC mạng neuron vịng kín U=1.05pu 82 • Điện áp [1.0 0.95 1.0] thời gian t= [0 0.2 0.7] Hình 4.28 Kết điều khiển SVC mạng neuron vịng kín U=0.95pu 83 • Điện áp [1.0 0.97 1.0] thời gian t= [0 0.2 0.7] Hình 4.29 Kết điều khiển SVC mạng neuron vịng kín U=0.97pu 4.3.3 So sánh kết đạt Bảng 4.2: So sánh kết điều khiển thuật toán mạng neuron LOẠI ĐIẾU KHIỂN THUẬT TOÁN NEURON Điện áp yêu cầu 1p.u 1p.u Thời gian xét 0.5s 0.5s 0.005 So sánh điện áp với điện áp 84 đặt Q phát/ hấp thụ Góc mở α Điện áp yêu cầu Thời gian xét So sánh điện áp với điện áp đặt Q phát/ hấp thụ Góc mở α Điện áp yêu cầu Thời gian xét So sánh điện áp với điện áp đặt Q phát/ hấp thụ Góc mở α Điện áp yêu cầu Thời gian xét So sánh điện áp với điện áp đặt Q phát/ hấp thụ Góc mở α  -2Mvar 2Mvar 134 128 0.95p.u 0.95p.u 0.5s 0.5s 0.004 0.002 48Mvar 57Mvar 134 130 0.97p.u 0.97p.u 0.5s 0.5s 0.003 0.001 28Mvar 31Mvar 138 132 1.05p.u 1.05p.u 0.5s 0.5s 0.006 0.01 -52Mvar -37Mvar 118 114 NHẬN XÉT: So vớ phương pháp điều khiển ban đầu góc dẫn α TCR thay đổi kết hợp với đóng mở TSC cho điện áp vị trí đặt khơng dao động ngồi phạm vi cho phép Trong q trình TSC đóng cắt khơng cịn xảy tượng điện áp nhấp nháy Duy trì điện áp liên tục q trình điều khiển Khi TSC đóng vào TCR điều khiển góc α để đưa điện áp mức ổn định 85 CHƯƠNG KẾT LUẬN VÀ KIẾN NGHỊ 5.1 KẾT LUẬN: Qua nội dung kết nghiên cứu luận văn rút kết luận sau:  Thiết bị bù tĩnh điều khiển Thyristor (SVC) có khả thay đổi thông số lưới điện hệ thống điều chỉnh trơn với thời gian tác động nhanh Nghiên cứu áp dụng SVC việc làm có ý nghĩa, làm cho h ệ thống điện vận hành linh hoạt chế độ bình thường cố, tăng độ tin cậy tính kinh tế vận hành Đồng thời, việc sử dụng SVC đem lại hiệu đáng kể nâng cao ổn định điện áp trường hợp cố nặng nề giảm tổn thất toàn hệ thống  Việc sử dụng SVC phát hấp thụ CSPK lưới, giữ điện áp ổn định giới hạn cho phép Hiện có nhiều phương pháp điều khiển SVC kết điều khiển SVC mạng neuron tốt So với việc sử dụng tụ điện SVC hiệu chỉnh điện áp nhuyễn hơn, không bị nhảy nấc  Tốc độ đáp ứng hệ thống nhanh, đảm bảo tính ổn định hệ thống  Mơ hình SVC kết hợp với mạng neuron hệ thống tương đối ổn định Tuy nhiên kết thực chưa hồn chỉnh, có sai lệch khơng nhiều hệ thống Để khắc phục thiếu sót cần phải có thời gian huấn luyện mạng lâu dài, chọn mạng có sai số thấp đáp ứng yêu cầu kỹ thuật 5.2 KIẾN NGHỊ: Hiện công nghệ truyền tải FACT nghiên cứu ứng dụng rộng rãi giới đem lại lợi ích đáng kể Với nghiên cứu hướng phát triển kỹ thuật điều khiển, áp dụng mạng neuron nhân tạo vào lĩnh vực điều khiển khác SVC thiết bị bù tĩnh Thyristor, làm giảm khả ổn định điện áp Song thực tế có nhiều phương pháp điều khiển, với luận văn 86 đưa khả điều khiển mạng neuron nhân tạo nhằm đưa hướng điều khiển với thiết bị SVC Tuy nhiên vấn đề điều khiển mạng neuron cịn mới, có nhiều sai sót nhỏ chưa hồn toàn đápứng với thực tế Trong tương lai tới ứng dụng điều khiển SVC mạng neuron tiếp tục nghiên cứu ngày hoàn thiện Với kết áp dụng vào ứng dụng điều khiển, mở trang cho truyền tải FACT nói chung điều khiển mạng neuron nói riêng 87 TÀI LIỆU THAM KHẢO [1] Lã Văn Út, Phân tích điểu khiển ổn định hệ thống điện , Nhà xuất khoa học kĩ thuật, Hà Nội, 2001 [2] Nguyễn Hồng Anh, Nguyễn Bê, “Ứng dụng điện tử công suất hệ thống truyền tải điện xoay chiều linh hoạt”, Tạp chí Khoa học Cơng nghệ số 40+ 41/200 [3] Trần Bách, Lưới điện & Hệ thống điện, tập 2, tập 3, Nhà xuất khoa học kỹ thuật, 2004 [4] Nguyễn Bính, Điện tử công suất, Nhà xuất Khoa học Kỹ thuật, 2000 [5] Nguyễn Văn Nhờ, Điện Tử Công Suất 1, NXB Đại Học Quốc Gia TP Hồ Chí Minh, 2012 [6] Phan Đăng Khải, Huỳnh Bá Minh, Bù công suất phản kháng lưới cung cấp lưới phân phối, NXB Khoa học kỹ thuật, 2001 [7] Phan Xuân Minh, Nguyễn Doãn Phước, Lý thuyết điều khiển mờ, Nhà xuất Khoa học Kỹ thuật, Hà Nội, 1999 [8] I.A Erinmez, Static Var Compensators, International Conference on Large Hight Voltage Electric System, 1986 [9] Laszlo Gyugyi & Narain G.Hurgorani, Understanding FACTS, IEEE, London, 1999 [10] Bùi Cơng Cường, Nguyễn Dỗn Phước, Hệ mờ- mạng neuron ứng dụng, NXB Khoa học kỹ thuật, 2006 [11] Omid Omidvar, Neuron Systems for Control, University of the District of Columbia, 1997 [12] T.J.E.Miller & Charkes Concordia, Reactive Power Control in Electric System, Addison- Wesley- United States of America, 1992 [13] Darren Redfern, Colin Campell, The Matlab•5Handbook, Springer [14] Phạm Hữu Đức Dục (2009), Mạng nơron ứng dụng điều khiển tự động, NXB Khoa học Kỹ thuật, Hà Nội PHỤ LỤC Chương trình huấn luyện điều khiển TCR1 mạng neuron: p = [0.998 0.999 1.001 1.002 1.003 1.004 1.005 1.006 1.007 1.008 1.009 1.01 1.011 1.012 1.013 1.014 1.015 1.016 1.017 1.018 1.019 1.02 1.021 1.022 1.023 1.024 1.025 1.026 1.027 1.028 1.029 1.03 1.031 1.032 1.033 1.034 1.035 1.036 1.037 1.038 1.039 1.04 1.041 1.042 1.043 1.044 1.045 1.046 1.047 1.048 1.049 1.05 1.051 1.052 1.053 1.054 1.055 1.056 1.057 1.058 1.059 1.06 1.061 1.062 1.063 1.064 1.065 1.066 1.067 1.068 1.069 1.07 1.071 1.072 1.073 1.074 1.075 1.076 1.077 1.078]; t = [ 180.00 178.88 177.76 176.63 175.51 174.39 173.27 172.14 171.02 169.90 168.78 167.65 166.53 165.41 164.29 163.16 162.04 160.92 159.80 158.67 157.55 156.43 155.31 154.18 153.06 151.94 150.82 149.69 148.57 147.45 146.33 145.20 144.08 142.96 141.84 140.72 139.59 138.47 137.35 136.23 135.10 133.98 132.86 131.74 130.61 129.49 128.37 127.25 126.12 125.00 123.88 122.76 121.63 120.51 119.39 118.27 117.14 116.02 114.90 113.78 112.65 111.53 110.41 109.29 108.17 107.04 105.92 104.80 103.68 102.55 101.43 100.31 99.19 98.06 96.94 95.82 94.70 93.57 92.45 91.33 90.21 ]; net = newff([1.07 0.99], [90 180], [50 10], {'tansig' 'purelin'}, 'trainlm', 'learngdm', 'mse'); net.trainParam.show = 25; net.trainParam.lr = 0.05; net.trainParam.epochs = 1000; net.trainParam.goal = 1e-10; net = train(net, p, t); y = sim(net,p); gensim(net, 0.0001) Chương trình huấn luyện điều khiển TSC_1 mạng neuron: net = newp([1.07 1.068 1.066 1.064 1.062 1.06 1.058 1.056 1.054 1.052 1.05 1.048 1.046 1.044 1.042 1.04 1.038 1.036 1.034 1.032 1.03 1.028 1.026 1.024 1.022 1.02 1.018 1.016 1.014 1.012 1.01 1.008 1.006 1.004 1.002 0.998 0.996 0.994 0.992 0.99 0.988 0.986 0.984 0.982 0.98 0.978 0.976 0.974 0.972 0.97 0.968 0.966 0.964 0.962 0.96 0.958 0.956 0.954 0.952 0.95 0.948 0.946 0.944 0.942 0.94 0.938 0.936 0.934 0.932 0.93 0.928 0.926 0.924 0.922 0.92 0.918 0.916 0.914 0.912 0.91 0.908 0.906 0.904 0.902 0.9],[0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1]); p = [1.07 1.068 1.066 1.064 1.062 1.06 1.058 1.056 1.054 1.052 1.05 1.048 1.046 1.044 1.042 1.04 1.038 1.036 1.034 1.032 1.03 1.028 1.026 1.024 1.022 1.02 1.018 1.016 1.014 1.012 1.01 1.008 1.006 1.004 1.002 0.998 0.996 0.994 0.992 0.99 0.988 0.986 0.984 0.982 0.98 0.978 0.976 0.974 0.972 0.97 0.968 0.966 0.964 0.962 0.96 0.958 0.956 0.954 0.952 0.95 0.948 0.946 0.944 0.942 0.94 0.938 0.936 0.934 0.932 0.93 0.928 0.926 0.924 0.922 0.92 0.918 0.916 0.914 0.912 0.91 0.908 0.906 0.904 0.902 0.9]; t = [0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1]; net.trainParam.epochs = 100; net = train(net,p,t); gensim(net,0.01); Chương trình huấn luyện điều khiển TSC_1A mạng neuron: net = newpr([0 0.0001 0.999 0.9999 1.001], [0 0 0.023 0.023 0.023 0.023]); p = [0 0.0001 0.999 0.9999 1.001]; t = [0 0 0.023 0.023 0.023 0.023]; net.trainParam.epochs = 1000; net = train(net,p,t); gensim(net,0.01); Chương trình huấn luyện điều khiển TSC_2 mạng neuron: net = newp([1.07 1.068 1.066 1.064 1.062 1.06 1.058 1.056 1.054 1.052 1.05 1.048 1.046 1.044 1.042 1.04 1.038 1.036 1.034 1.032 1.03 1.028 1.026 1.024 1.022 1.02 1.018 1.016 1.014 1.012 1.01 1.008 1.006 1.004 1.002 0.998 0.996 0.994 0.992 0.99 0.988 0.986 0.984 0.982 0.98 0.978 0.976 0.974 0.972 0.97 0.968 0.966 0.964 0.962 0.96 0.958 0.956 0.954 0.952 0.95 0.948 0.946 0.944 0.942 0.94 0.938 0.936 0.934 0.932 0.93 0.928 0.926 0.924 0.922 0.92 0.918 0.916 0.914 0.912 0.91 0.908 0.906 0.904 0.902 0.9],[0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1]); p = [1.07 1.068 1.066 1.064 1.062 1.06 1.058 1.056 1.054 1.052 1.05 1.048 1.046 1.044 1.042 1.04 1.038 1.036 1.034 1.032 1.03 1.028 1.026 1.024 1.022 1.02 1.018 1.016 1.014 1.012 1.01 1.008 1.006 1.004 1.002 0.998 0.996 0.994 0.992 0.99 0.988 0.986 0.984 0.982 0.98 0.978 0.976 0.974 0.972 0.97 0.968 0.966 0.964 0.962 0.96 0.958 0.956 0.954 0.952 0.95 0.948 0.946 0.944 0.942 0.94 0.938 0.936 0.934 0.932 0.93 0.928 0.926 0.924 0.922 0.92 0.918 0.916 0.914 0.912 0.91 0.908 0.906 0.904 0.902 0.9]; t = [0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1]; net.trainParam.epochs = 100; net = train(net,p,t); gensim(net,0.001); Chương trình huấn luyện điều khiển TSC_2A mạng neuron: net = newpr(p, t); p = [0 0 0.001 0.01 0.99 0.999 0.9999 1]; t = [0 0 0 0.045 0.045 0.045 0.045]; net.trainParam.epochs = 1000; net = train(net,p,t); gensim(net,0.01); Chương trình huấn luyện điều khiển TSC_3 mạng neuron: net = newp([1.07 1.068 1.066 1.064 1.062 1.06 1.058 1.056 1.054 1.052 1.05 1.048 1.046 1.044 1.042 1.04 1.038 1.036 1.034 1.032 1.03 1.028 1.026 1.024 1.022 1.02 1.018 1.016 1.014 1.012 1.01 1.008 1.006 1.004 1.002 0.998 0.996 0.994 0.992 0.99 0.988 0.986 0.984 0.982 0.98 0.978 0.976 0.974 0.972 0.97 0.968 0.966 0.964 0.962 0.96 0.958 0.956 0.954 0.952 0.95 0.948 0.946 0.944 0.942 0.94 0.938 0.936 0.934 0.932 0.93 0.928 0.926 0.924 0.922 0.92 0.918 0.916 0.914 0.912 0.91 0.908 0.906 0.904 0.902 0.9],[0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1]); p = [1.07 1.068 1.066 1.064 1.062 1.06 1.058 1.056 1.054 1.052 1.05 1.048 1.046 1.044 1.042 1.04 1.038 1.036 1.034 1.032 1.03 1.028 1.026 1.024 1.022 1.02 1.018 1.016 1.014 1.012 1.01 1.008 1.006 1.004 1.002 0.998 0.996 0.994 0.992 0.99 0.988 0.986 0.984 0.982 0.98 0.978 0.976 0.974 0.972 0.97 0.968 0.966 0.964 0.962 0.96 0.958 0.956 0.954 0.952 0.95 0.948 0.946 0.944 0.942 0.94 0.938 0.936 0.934 0.932 0.93 0.928 0.926 0.924 0.922 0.92 0.918 0.916 0.914 0.912 0.91 0.908 0.906 0.904 0.902 0.9]; t = [0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1]; net.trainParam.epochs = 100; net = train(net,p,t); gensim(net,0.01); Chương trình huấn luyện điều khiển TSC_3A mạng neuron: net = newpr(p, t); p = [0 0.001 0.999 0.9999 1.0001]; t = [0 0.065 0.065 0.065 0.065]; net.trainParam.epochs = 1000; net = train(net,p,t); gensim(net,0.001); ... ĐÀO TẠO TRƯỜNG ĐẠI HỌC KỸ THUẬT CÔNG NGHỆ TP HCM - HỒ QUỐC VIỆT ÁP DỤNG MẠNG NEURON ĐIỀU KHIỂN CÔNG SUẤT TRUYỀN TẢI TRÊN ĐƯỜNG DÂY AC VỚI THIẾT BỊ SVC LUẬN VĂN THẠC SĨ Chuyên ngành:... luyện mang neuron cho TSC 71 Hình 4.17 Mơ hình đường dây với điều khiển SVC mạng neuron 71 xiii Hình 4.18 Mơ hình điều khiển SVC mạng neuron 72 Hình 4.19 Kết điều khiển SVC mạng neuron. .. Chuyên ngành: KỸ THUẬT ĐIỆN MSHV: 1181031069 I- TÊN ĐỀ TÀI: ÁP DỤNG MẠNG NEURON ĐIỀU KHIỂN CÔNG SUẤT TRUYỀN TẢI TRÊN ĐƯỜNG DÂY AC VỚI THIẾT BỊ SVC II- NHIỆM VỤ VÀ NỘI DUNG: