Ứng dụng mạng neuron trong ổn định hệ thống điện

ĐẠI HỌC QUỐC GIA THÀNH PHỐ HỒ CHÍ MINH TRƯỜNG ĐẠI HỌC BÁCH KHOA - PHẠM ĐƯỢC ỨNG DỤNG MẠNG NEURAL TRONG ỔN ĐỊNH HỆ THỐNG ĐIỆN CHUYÊN NGÀNH: THIẾT BỊ, MẠNG VÀ NHÀ MÁY ĐIỆN LUẬN VĂN THẠC SĨ TP Hồ Chí Minh, tháng 12 năm 2008 CƠNG TRÌNH ĐƯỢC HỒN THÀNH TẠI TRƯỜNG ĐẠI HỌC BÁCH KHOA ĐẠI HỌC QUỐC GIA TP HỒ CHÍ MINH Cán hướng dẫn khoa học: PGS.TS PHAN THỊ THANH BÌNH Cán chấm nhận xét 1:………………………………………………… Cán chấm nhận xét 2:………………………………………………… Luận văn thạc sĩ bảo vệ tại: HỘI ĐỒNG CHẤM BẢO VỆ LUẬN VĂN THẠC SĨ TRƯỜNG ĐẠI HỌC BÁCH KHOA TP HỒ CHÍ MINH Ngày …… tháng …… năm 2008 TRƯỜNG ĐẠI HỌC BÁCH KHOA PHÒNG ĐÀO TẠO SĐH CỘNG HÒA XÃ HỘI CHỦ NGHĨA VIỆT NAM ĐỘC LẬP - TỰ DO - HẠNH PHÚC TP HCM, ngày …… tháng …… năm 2008 NHIỆM VỤ LUẬN VĂN THẠC SĨ Họ tên học viên : PHẠM ĐƯỢC Phái : Nam Ngày, tháng, năm sinh : 03-02-1982 Nơi sinh : ĐAKLAK Chuyên ngành MSHV : Thiết bị, mạng nhà máy điện : 01806480 I- TÊN ĐỀ TÀI: Ứng dụng mạng Neural ổn định hệ thống điện II- NHIỆM VỤ VÀ NỘI DUNG: - Nghiên cứu phương pháp khảo sát ổn định - Nghiên cứu mơ hình cấu trúc mạng Neural khác - Khảo sát mô kết tác dụng mạng Neural vào CPSS điều khiển ổn định Matlab - Đánh giá mức độ cải thiện Neural ANN-PSS so với CPSS III- NGÀY GIAO NHIỆM VỤ : 21/01/2008 IV- NGÀY HOÀN THÀNH NHIỆM VỤ : 30/11/2008 V- CÁN BỘ HƯỚNG DẪN : PGS.TS PHAN THỊ THANH BÌNH CÁN BỘ HƯỚNG DẪN CN BỘ MÔN QL CHUYÊN NGÀNH PGS.TS Phan Thị Thanh Bình Nội dung đề cương luận văn thạc sĩ Hội đồng chuyên ngành thông qua Ngày TRƯỞNG PHÒNG ĐT – SĐH tháng năm 2008 TRƯỞNG KHOA QL NGÀNH LỜI CẢM ƠN Đầu tiên, xin bày tỏ lòng biết ơn chân thành sâu sắc đến: PGS.TS Phan Thị Thanh Bình - tất hướng dẫn, ý kiến đóng góp tận tình Cô người thực luận văn suốt trình nghiên cứu thực luận văn Với kiến thức có ngày hơm nay, kết trình học tập rèn luyện lâu dài, hết công ơn tất quý Thầy, Cô Trường Đại Học Bách Khoa nói chung Thầy, Cơ khoa Điện – Điện Tử nói riêng đem đến hành trang kiến thức cho vào đời Cuối cùng, xin gửi lời cám ơn chân thành đến bạn bè, đồng nghiệp gia đình tạo điều kiện thuận lợi hỗ trợ cho nhiều q trình học tập, cơng tác thời gian hồn thành luận văn TP Hồ Chí Minh, tháng 12 năm 2008 Người thực hiện: Phạm Được MỤC LỤC Đặt vấn đề ……………………………………………………….…………… Chương 1: Ổn định hệ thống điện ……………………………………………11 1.1 Ổn định hệ thống điện …………………………………… …… 11 1.2 Ổn định tĩnh ổn định động …………………………… …… 11 1.2.1 Ổn định tĩnh ……………………………………………………….11 1.2.2 Ổn định động ………………………………………………….… 12 1.3 Ổn định trung dài hạn ……………………………………… 12 1.4 Ổn định điện áp hệ thống điện …………………………… 12 1.5 Các biện pháp nâng cao tính ổn định …………………………… 14 1.5.1 Các biện pháp thiết kế ………………………………………….14 1.5.2 Các biện pháp vận hành ……………………………………… 15 Chương Lý thuyết Neural Network ……………………………………… 16 2.1 Định nghĩa …………………………………………………………16 2.2 Cấu tạo mơ hình Neural ……………………………………16 2.2.1 Neural có đầu vào đơn giản …………………………………… 16 2.2.2 Neural có nhiều đầu vào 16 2.3 Mạng Neuron …………………………………………………… 19 2.4 Phương thức làm việc mạng Neuron ………………………….20 2.5 Phương pháp học hướng ngược Gradient …………………………21 2.6 Hàm huấn luyện Trainrp Trainscg …………………………… 23 2.7 Phân loại mạng Neuron ……………………………………………23 2.8 Một số mạng Neuron …………………………………………… 24 2.8.1 Mạng Adeline …………………………………………………… 24 2.8.2 Neuron Hopfiel mạng tuyến tính có ngưỡng-LTU …………….24 2.8.3 Mạng Perceptron ………………………………………………… 25 2.8.4 Mạng MLP truyền thẳng ………………………………………… 25 2.9 Kết luận ……………………………………………………………28 2.10 Ứng dụng mạng Neural số lĩnh vực ……………………28 Chương 3.1 3.2 3.3 3.4 3.5 3.6 3.7 Bộ ổn định hệ thống điện CPSS ………………………………… 30 Giới thiệu chung ………………………………………………… 30 Ổn định hệ máy phát làm việc với vơ hạn …… 30 Mơ hình thay máy phát ……………………………………… 31 Ảnh hưởng động học mạch kích từ ………………………… 34 Ảnh hưởng thay đổi từ thơng lên kích từ ổn định …………39 Ảnh hưởng hệ thống kích từ ………………………………… 41 Bộ ổn định CPSS ………………………………………………….44 Chương Ứng dụng mạng Neural mô CPSS …………………… 54 4.1 4.1.1 Mơ hình mơ ……………………………………………… 54 Khối CPSS ……………………………………………………… 55 4.1.2 Khối kích từ …………………………………………… ……….56 4.1.3 Khối máy phát …………………………………………….…… 57 4.1.4 Khối Neural Network ……………………………………… … 80 4.2 Phần mô ……………………………………………………84 4.3 Kết luận ……………………………………………………………93 Trang ĐẶT VẤN ĐỀ Điều khiển ổn định hệ thống điện quan tâm nhiều thời gian qua Trải qua lịch sử vận hành nước ta giới xảy cố nghiêm trọng dẫn đến tan rã phần hay toàn hệ thống điện gây thiệt hại lớn cho kinh tế ảnh hưởng đến an ninh lượng, an ninh quốc phòng cho quốc gia Ngày nay, có nhiều phương pháp để ổn định hệ thống điện, phương pháp thường kết hợp với để đạt hiệu tốt Những nghiên cứu gần cho thấy việc sử dụng mạng Neural ANN (Artificial Neural Network) vào CPSS ( Conventional Power System Stabilizer) điều khiển máy phát điện hệ thống phương pháp đạt hiệu cao Mạng Neural ngày trở nên hữu dụng lí sau : Thứ ANN xử lí tín hiệu song song nên cho kết cực nhanh, thứ hai hiệu cao xử lí ANN ngõ vào ngõ phi tuyến, thứ ba ANN điều khiển thích nghi với điều kiện vận hành khác Ở nước ta, kinh tế đà phát triển mạnh mẽ nên nhu cầu phụ tải ngày tăng hệ thống điện ngày mở rộng phức tạp Ngoài ra, xu hội nhập tồn cầu hóa, phát triển thị trường điện cạnh tranh việc điều khiển ổn định hệ thống điện quan tâm nhiều Dập tắt dao động hệ thống điện không ổn định cơng suất hệ thống mà cịn tăng khả truyền tải Trong năm gần đây, nhu cầu phụ tải tăng nhanh, quy mô hệ thống điện ngày lớn phức tạp, việc địi hỏi vận hành hệ thống điện phải ổn định có độ tin cậy cao Ổn định hệ thống điện giảm hệ thống có cơng suất truyền tải lớn, khoảng cách xa, phạm vi rộng GVHD: PGS.TS Phan Thị Thanh Bình HVTH: Phạm Được Trang Nguồn điện phát triển chậm so với tốc độ tăng nhanh phụ tải nay, độ tin cậy hệ thống điện ngày giảm trở thành vấn đề quan trọng đảm bảo an ninh hệ thống điện Trong hệ thống điện thường xuất nhiều loại dao động khác nhau, nhiều phương pháp ổn định áp dụng Bộ CPSS sử dụng mơ hình hóa phận khơng tuyến tính máy phát thành phần tử tuyến tính áp dụng vào điều khiển vận hành Bộ CPSS có hạn chế thơng số khâu điều khiển áp dụng với điều kiện vận hành định áp dụng với nhiều điều kiện vận hành khác nhau, phụ tải khác Bài toán đặt tìm kiếm mơ hình Neural-PSS thay điều khiển ổn định CPSS theo Kunder Mạng Neural trình bày luận văn ổn định hệ thống nhiều điều kiện vận hành khác nhau, nhiều loại cố, điều kiện phụ tải khác nhau, cho kết tức thời nhanh chóng xác Các cơng trình nghiên cứu liên quan: - “An Artificial Neural Network based Adaptive Power System Stabilizer”, Y.Zhang, G.P.Chen, O.P.Malik and G.S Hope Mạng Neural nhân tạo dựa nến tảng ổn định hệ thống điện PSS ứng dụng hệ thống điện giới thiệu báo Bộ Neural nhân tạo ANN tảng PSS kết hợp thuận lợi tự tối ưu hóa, điều khiển thích nghi đáp ứng nhanh ANN để giới thiệu hệ PSS Một kiểu điển hình ANN mạng nhiều lớp Perceptron với phương pháp huấn luyện sai số truyền ngược ( Back-Propagation) áp dụng cho PSS ANN huấn luyện với liệu lấy từ ổn định hệ thống điện thích nghi APSS (Adaptive Power System Stabilizer) Trong trình huấn luyện, ANN yêu cầu ghi nhớ mô phương pháp điều khiển APSS khác biệt nằm vùng cho phép Kết cho thấy ANN tảng PSS dập tắt tốt dao động hệ thống nhiều điều kiện vận hành khác cải thiện đáng kể ổn định động hệ thống GVHD: PGS.TS Phan Thị Thanh Bình HVTH: Phạm Được Trang - “Experimental studies with a Generalized Neuron-Based Power System Stabilizer”, D.K.Chaturvedi, O.P.Malik, life Fellow, IEEE and P.K.Kalra Mạng Neural nhân tạo sử dụng điều khiển thông minh để điều khiển phi tuyến, hệ thống động thông qua việc học mà dễ dàng thích nghi với điều kiện phi tuyến thời gian độc lập Tuy nhiên, chúng yêu cầu thời gian huấn luyện dài số lượng lớn Neural để giải toán Để khắc phục nhược điểm trên, Neural mở rộng phát triển, chúng yêu cầu liệu huấn luyện thời gian huấn luyện ngắn Bài báo giới thiệu đưa đặc điểm thuận lợi Neural mở rộng vào ổn định PSS Kết cho thấy Neural mở rộng tảng PSS dập tắt dao động động tức thời nhiều chế độ vận hành khác - “Intelligent dual input power system stabilizer for multi-machine system”, Avdhesh sharman and M.L Kothary SIMEEE Bài báo giải PSS hai ngõ vào cho hệ thống nhiều máy phát sử dụng mạng fuzzy thích ứng (ANFIS) ANFIS huấn luyện để tính tốn thông số tối ưu PSS hai ngõ vào điều kiện tải biến đổi thời gian thực Phương pháp giải vấn đề có hệ thống cho việc thiết kế PSS thông minh cho hệ thống nhiều máy phát giới thiệu Những nghiên cứu cho thấy đặc tính PSS thơng minh hệ thống nhiều máy phát hồn tồn hoạt động tốt điều kiện tải biến động lớn - “ A Multi-input Power System Stabilizer Based on Artificial Neural Networks”, Y.Zhang, G.P.Chen, O.P.Malik and G.S.Hope Mạng Neural nhân tạo ANN với nhiều ngõ vào huấn luyện để điều khiển nhà máy điện giới thiệu báo Độ lệch tốc độ độ lệch công suất điện sử dụng làm đầu vào cho PSS Đề xuất mạng Neural nhiều đầu vào ANN PSS sử dụng Neural nhiều lớp với với phương pháp huấn luyện truyền ngược có nhiều tác động nhiễu khác Dữ liệu dùng để huấn luyện ANN PSS bao gồm liệu điều khiển đầu vào đáp ứng máy phát đồng với điều khiển thích nghi APSS điều khiển máy phát Bộ ANN huấn luyện để ghi nhớ liệu đầu vào GVHD: PGS.TS Phan Thị Thanh Bình HVTH: Phạm Được Trang 10 đầu trước Kết mơ cho thấy PSS đề xuất dập tắt tốt dao động có hệ thống Nhiệm vụ mục tiêu đề tài Nghiên cứu phương pháp khảo sát ổn định Nghiên cứu mơ hình cấu trúc mạng Neural khác Khảo sát mô kết tác dụng mạng Neural vào CPSS điều khiển ổn định Matlab Đánh giá mức độ cải thiện Neural ANN-PSS so với CPSS Luận văn trình bày ứng dụng mạng Neural vào CPSS cho hệ thống máy phát nối với vơ lớn, ổn định hệ thống điện có nhiều loại cố khác nhau, nhiều thời điểm đóng cắt khác Nội dung đề tài: Chương 1: Ổn định hệ thống điện Chương 2: Lý thuyết Neural Network Chương 3: Bộ ổn định hệ thống điện CPSS Chương 4: Ứng dụng mạng Neural mô CPSS GVHD: PGS.TS Phan Thị Thanh Bình HVTH: Phạm Được % Read in the load flow data and calculate initial conditions % call initcond.m initcond 4/ Ybus % -ybus -Y=sparse(zeros(nb,nb)); Yd=sparse(zeros(nb,nb)); for i=1:nline incr=1/(nt(i,3)+j*nt(i,4)); Y((nt(i,1)),(nt(i,2)))=Y((nt(i,1)),(nt(i,2)))-incr; Y((nt(i,2)),(nt(i,1)))=Y((nt(i,2)),(nt(i,1)))-incr; Y((nt(i,1)),(nt(i,1)))=Y((nt(i,1)),(nt(i,1)))+incr+j*nt(i,5)/2; Y((nt(i,2)),(nt(i,2)))=Y((nt(i,2)),(nt(i,2)))+incr+j*nt(i,5)/2; end for i=nline+1:(ntrans+nline) incr=1/(nt(i,3)+j*nt(i,4)); incr1=incr/nt(i,5); incr2=(1-nt(i,5))*incr/(nt(i,5)*nt(i,5)); incr3=(nt(i,5)-1)*incr/nt(i,5); Y((nt(i,1)),(nt(i,2)))=Y((nt(i,1)),(nt(i,2)))-incr1; Y((nt(i,2)),(nt(i,1)))=Y((nt(i,2)),(nt(i,1)))-incr1; Y((nt(i,1)),(nt(i,1)))=Y((nt(i,1)),(nt(i,1)))+incr1+incr2; Y((nt(i,2)),(nt(i,2)))=Y((nt(i,2)),(nt(i,2)))+incr1+incr3; end for i=1:nshunt incr=shunt(i,2)+j*shunt(i,3); Y((shunt(i,1)),(shunt(i,1)))=Y((shunt(i,1)),(shunt(i,1)))+incr; end % Preparation of Y matrix to obtain Bd matrix -for i=1:(nline + ntrans) incr=1/(j*nt(i,4)); Yd((nt(i,1)),(nt(i,2)))=Yd((nt(i,1)),(nt(i,2)))-incr; Yd((nt(i,2)),(nt(i,1)))=Yd((nt(i,2)),(nt(i,1)))-incr; Yd((nt(i,1)),(nt(i,1)))=Yd((nt(i,1)),(nt(i,1)))+incr; Yd((nt(i,2)),(nt(i,2)))=Yd((nt(i,2)),(nt(i,2)))+incr; end Bd = -imag(Yd); Bd(sl,:) = []; Bd(:,sl) = []; % formation of Bdd matrix Bdd_bus = -imag(Y); 5/ Initial Condition % INITIAL CONDITIONS FOR GENERATOR load lfl.dat; % Loading Load Flow Data-load sat.dat; % Loading Saturation Data-x=gen(:,1)'; xd=gen(:,2)'; xdd=gen(:,3)'; xddd=gen(:,4)'; Td0d=gen(:,5)'; Td0dd=gen(:,6)'; xq=gen(:,7)'; xqd=gen(:,8)'; xqdd=gen(:,9)'; Tq0d=gen(:,10)'; Tq0dd=gen(:,11)'; H=gen(:,12)'; D=gen(:,13)'; xl=gen(:,14)'; model=2.2*(gt(xdd,xddd) & gt(xqd,xqdd))+2.1*((gt(xdd,xddd) & eq(xqd,xqdd)) & gt(xq,xqd)); model=model+ 2.0*(gt(xdd,xddd) & eq(xqdd,xq))+1.1*((eq(xdd,xddd) & ne(xdd,xq))& gt(xq,xqd)); model=model+1.0*((eq(xdd,xddd) & eq(xq,xqd)) & lt(Td0d,20))+0.0*((eq(xdd,xddd) & eq(xdd,xq))& gt(Td0d,100)); Vg0=lfl(gen(:,1),2)'; thetag0=pi/180*lfl(gen(:,1),3)'; Vg0bar=(Vg0.*cos(thetag0))+j*Vg0.*sin(thetag0); Ig0bar=conj((lfl(gen(:,1),4)'+j*lfl(gen(:,1),5)')./Vg0bar); % Unsaturated Parameters Calculations xadu=xd-xl; xaqu=xq-xl; ckl=lt(model,2.2)*1; chl=le(model,1.1)*1; cgl=(le(model,2.0) & ne(model,1.1))*1; xfl=xadu.*(xdd-xl)./(xd-xdd); xhl=10000*chl+bitcmp(chl,1).*(((xddd-xl).*xadu.*xfl)./((xadu.*xfl-(xfl+xadu).*(xdddxl))+1e-8)); RF=ne(model,0.0).*((xadu+xfl)./(Td0d*wB)); RH=(xhl+(xadu.*xfl)./(xadu+xfl))./(Td0dd*wB); xgl=10000*cgl+bitcmp(cgl,1).*(xaqu.*(xqd-xl)./((xq-xqd)+1e-8)); xkl=10000*ckl+bitcmp(ckl,1).*(((xqdd-xl).*xaqu.*xgl)./((xaqu.*xgl-(xgl+xaqu).*(xqddxl))+1e-8)); RG=(xaqu+xgl)./(Tq0d*wB); RK=(xkl+(xaqu.*xgl)./(xaqu+xgl))./(Tq0dd*wB); % -End of Unsaturated Parameters Calculations -% - Saturation Calculations -Ksd=ones(1,ngen); Ksq=ones(1,ngen); Ea=Vg0bar+j*xl.*Ig0bar; siaT0=abs(Ea); sidT1=sat(:,2)'; siaT1=sat(:,3)'; siaTu1=sat(:,4)'; siaT2=sat(:,5)'; siaTu2=sat(:,6)'; siId1=siaTu1-siaT1; siId2=siaTu2-siaT2; Bsd=(log(siId1)-log(siId2))./(siaT1-siaT2); Asd=exp(log(siId2)-Bsd.*(siaT2-sidT1)); Asd_sat=zeros(1,nb); Asd_sat(sat(:,1))=Asd; Asd=Asd_sat(gen(:,1)); Bsd_sat=zeros(1,nb); Bsd_sat(sat(:,1))=Bsd; Bsd=Bsd_sat(gen(:,1)); siqT1=sat(:,7)'; siaT1=sat(:,8)'; siaTu1=sat(:,9)'; siaT2=sat(:,10)'; siaTu2=sat(:,11)'; siIq1=siaTu1-siaT1; siIq2=siaTu2-siaT2; Bsq=(log(siIq1)-log(siIq2))./(siaT1-siaT2); Asq=exp(log(siIq2)-Bsq.*(siaT2-siqT1)); Asq_sat=zeros(1,nb); Asq_sat(sat(:,1))=Asq; Asq=Asq_sat(gen(:,1)); Bsq_sat=zeros(1,nb); Bsq_sat(sat(:,1))=Bsq; Bsq=Bsq_sat(gen(:,1)); sidT1_sat=zeros(1,nb); sidT1_sat(sat(:,1))=sidT1; sidT1=sidT1_sat(gen(:,1)); siqT1_sat=zeros(1,nb); siqT1_sat(sat(:,1))=siqT1; siqT1=siqT1_sat(gen(:,1)); % Including Saturation Effect f_sat=ones(1,nb); f_nosat=[]; %Enter the Gen no in [ ] for no saturation f_sat(f_nosat)=0; f_sat=f_sat(gen(:,1)); % -% Including Saliency Effect f_sil=ones(1,nb); f_qed=[]; %Enter the Gen no in [ ] for no saliency f_sil(f_qed)=0; f_sil=f_sil(gen(:,1)); % -Asd=Asd.*f_sat.*ne(model,0.0); Asq=Asq.*f_sat.*ne(model,0.0); Asq=Asq.*f_sil+Asd.*bitcmp(f_sil,1); Bsq=Bsq.*f_sil+Bsd.*bitcmp(f_sil,1); siqT1=siqT1.*f_sil+sidT1.*bitcmp(f_sil,1); Asd1=Asd.*gt(siaT0,sidT1); Asq1=Asq.*gt(siaT0,siqT1); siId=Asd1.*exp(Bsd.*(siaT0-sidT1)); siIq=Asq1.*exp(Bsq.*(siaT0-siqT1)); Ksd=siaT0./(siaT0+siId); Ksq=siaT0./(siaT0+siIq); xad=Ksd.*xadu; xaq=Ksq.*xaqu; xd=xad+xl; xq=xaq+xl; xaddd=1./((1./xad)+(1./xfl)+(1./xhl)); xaqdd=1./((1./xaq)+(1./xgl)+(1./xkl)); xddd=xaddd+xl; xqdd=xaqdd+xl; % -End of Saturation Calculations -Eqbar=(Vg0bar+j*xq.*Ig0bar); Eq=abs(Eqbar); delta0=angle(Eqbar); VQg0=real(Vg0bar); VDg0=imag(Vg0bar); iDg0=imag(Ig0bar); iQg0=real(Ig0bar); Ig0bardq=Ig0bar.*(cos(delta0)-j*sin(delta0)); iq0=real(Ig0bardq); id0=imag(Ig0bardq); Vg0bardq=Vg0bar.*(cos(delta0)-j*sin(delta0)); vqg0=real(Vg0bardq); vdg0=imag(Vg0bardq); % -d and q axes States -sid0=vqg0; siq0=-vdg0; ifd0=(sid0-xd.*id0)./xad; Efd0=xadu.*ifd0; IFD0=xadu.*ifd0; siad0=sid0-xl.*id0; siaq0=siq0-xl.*iq0; sif0=siad0 + (xfl./xadu).*Efd0; sih0=siad0; sig0=siaq0; sik0=siaq0; % Torque -Eqdd0=xaddd.*((sif0./xfl) + (sih0./xhl)); Eddd0=-xaqdd.*((sig0./xgl) + (sik0./xkl)); Tm0=Eqdd0.*iq0+Eddd0.*id0+id0.*iq0.*(xaddd-xaqdd); % -Dummy coil Edummydd0=-(xqdd-xddd).*iq0; Tdummy=0.01; % -[mm order_gen]=sort([setxor(1:nb,gen(:,1)),gen(:,1)']); %~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~ %Exciter Initial Condition calculations EFD01=[zeros(1, nb-ngen) Efd0]; EFD0=EFD01(order_gen); IFD01=[zeros(1, nb-ngen) IFD0]; IFD0_a=IFD01(order_gen); Vg0bar1=[zeros(1, nb-ngen) Vg0bar]; Vg0bar_a=Vg0bar1(order_gen); Ig0bar1=[zeros(1, nb-ngen) Ig0bar]; Ig0bar_a=Ig0bar1(order_gen); % Static type (modified)exciters -static_exciter % -Main Selector for excitation systems AVR =[0 0 1]; SL_static(1:nb)=1; % - exciter is to be enabled, otherwise null ng_static=[1]; SL_static(ng_static)=0; % -Load Modelling -VL0=lfl(ld(:,1),2); theL0=lfl(ld(:,1),3)*pi/180; PL0=ld(:,2); QL0=ld(:,3); load_zip_model % Turbine and Speed Governers- Initial condition calculations H1=[zeros(1, nb-ngen) H]; H_a=H1(order_gen); Tm01=[zeros(1, nb-ngen) Tm0]; TmA0=Tm01(order_gen); %speed Governer system with Hydro Turbine hydro_turbine % -Main Selector for Turbine models %TURB = 1's (DISABLED); =0's (ENABLED) TURB=ones(1,nb); %TURB=zeros(1,nb); SL_HYDRO(1:nb)=1; % - speed-governor-turbine is to be enabled, otherwise null ng_hydro=[]; SL_HYDRO(ng_hydro)=0; % -PSS models -pss_slip_signal % -Main Selector for PSS -%PSS = 1's (DISABLED); =0's (ENABLED) %PSS=ones(1,nb); PSS=zeros(1,nb); % Selectors for individual type of PSS -SL_slip_pss(1:nb)=1; % - PSS is to be enabled, otherwise nullmatrix ng_slip_pss=[1]; SL_slip_pss(ng_slip_pss)=0; % -For checking models at the time of builbing blocks busang=lfl(:,3)*pi/180; Vpre=lfl(:,2).*(cos(busang)+j*sin(busang)); % 6/ Jacobi Calculate %~~~~~~~~~~Form Jacobian and solve for bus voltages and angles~~~~~~~~~~% Vmag=sparse(ones(nb,1)); Vang=sparse(zeros(nb,1)); Vmag(pv_data(:,1))=pv_data(:,2); %Replaces the voltages of P-V buses in Vmag Vmag(sl) = Vsl; Vang(sl) = 0; kp = 0; kq = 0; % Iteration begins from here onwards -for k=1:200 Vbus=Vmag.*(cos(Vang)+ j*sin(Vang)); % bus powers calculations S=Vbus.*(conj(Y*Vbus)); Pc=real(S); Qc=imag(S); % -finding non slack and non pv buses pv_num=pv_data(:,1); pv_sl_num=[pv_num;sl]; num_no_sl_pv =[1:nb]'; num_no_sl_pv(pv_sl_num,:)=[]; % bus power mis matches delP=Psp-Pc; delP(sl,:)=[]; delQ=Qsp-Qc; delQ(pv_sl_num,:)=[]; if (max(abs(delP))