Nghiên cứu giải thuật huấn luyện online ứng dụng trong điều khiển SVC

Nghiên cứu giải thuật huấn luyện online ứng dụng trong điều khiển SVC Nghiên cứu giải thuật huấn luyện online ứng dụng trong điều khiển SVC Nghiên cứu giải thuật huấn luyện online ứng dụng trong điều khiển SVC Nghiên cứu giải thuật huấn luyện online ứng dụng trong điều khiển SVC

TÓM TẮT Đề tài “NGHIÊN CỨU GIẢI THUẬT HUẤN LUYỆN ONLINE ỨNG DỤNG TRONG ĐIỀU KHIỂN SVC” đƣợc tiến hành khoảng thời gian năm trƣờng Đại Học Sƣ Phạm Kỹ Thuật TP HCM Sau thời gian nghiên cứu đề tài đƣợc triển khai tập trung giải vấn đề sau:  Tìm hiểu thiết bị bù tĩnh SVC  Ứng dụng SVC để nâng cao độ ổn định động hệ thống điện  Tìm hiểu mạng nơron mờ (ANFIS)  Ứng dụng điều khiển mạng nơron mờhuấn luyện online điều khiển SVC để nâng cao độ ổn định động hệ thống lƣới điện Học viên thực VÕ MINH CHÁNH Phạm Văn Nghĩa vi ABSTRACT Thesis “STUDYING ONLINE TRAINING ALGORITHM TO APPLICATION IN THE CONTROL OF SVC” has been done for a year at Ho Chi Minh University Of Technology And Education The thesis‟s content focused on:  Learning SVC (Static var compensator)  Application of SVC to enhance stability of electric system  Learningadaptive neuro fuzzy inference system  Applicationadaptive neuro fuzzy inference systemcontroller for SVC to enhance stability of power grid Author VÕ MINH CHÁNH vii LỜI CAM ĐOAN Tơi cam đoan cơng trình nghiên cứu Các số liệu, kết nêu luận văn trung thực chƣa đƣợc công bố cơng trình khác Thành phố Hồ Chí Minh, ngày 16 tháng năm 2017 Học viên (Ký tên ghi rõ họ tên) VÕ MINH CHÁNH viii LÝ LỊCH KHOA HỌC I LÝ LỊCH SƠ LƢỢC: Họ & tên: VÕ MINH CHÁNH Giới tính: Nam Ngày, tháng, năm sinh: 23-05-1992 Nơi sinh: Phú Yên Quê qn: Hịa Tân Đơng, Đơng Hịa, Phú n Dân tộc: Kinh Chỗ riêng địa liên lạc: 39A,Đƣờng 34,Khu Phố 8,Phƣờng Linh Đông, Quận Thủ Đức, TP HCM E-mail: minhchanhpy2010@gmail.com SĐT: 0911 118 046 II QUÁ TRÌNH ĐÀO TẠO: Trung học phổ thơng: Hệ đào tạo: qui Thời gian đào tạo từ 9/2007 đến 6/2010 Nơi học (trƣờng, thành phố): THPT Lê Hồng Phong, Tỉnh Phú Yên Đại học: Hệ đào tạo: quy Thời gian đào tạo từ 9/2010 đến 4/ 2015 Nơi học (trƣờng, thành phố): ĐH Sƣ Phạm Kỹ Thuật TPHCM Ngành học: Điện Công Nghiệp Tên đồ án tốt nghiệp: ĐIỀU KHIỂN VÀ GIÁM SÁT MÁY CUỐN GIẤY TỰ ĐỘNG Ngày & nơi bảo vệ đồ án tốt nghiệp: 4/2015, ĐH Sƣ Phạm Kỹ Thuật TPHCM Ngƣời hƣớng dẫn: Ts Trƣơng Đình Nhơn III Q TRÌNH CƠNG TÁC CHUN MƠN KỂ TỪ KHI TỐT NGHIỆP ĐẠI HỌC: Thời gian Nơi công tác ix Công việc đảm nhiệm 4/2016- Công ty cổ phẩn công nghệ cao Lê Gia x Nhân viên kinh doanh MỤC LỤC Contents NHIỆM VỤ LUẬN VĂN THẠC SĨ iii LỜI CẢM ƠN .v TÓM TẮT vi ABSTRACT vii LỜI CAM ĐOAN viii LÝ LỊCH KHOA HỌC ix MỤC LỤC xi DANH SÁCH CÁC BẢNG xiv DANH SÁCH CÁC HÌNH .xv Chƣơng .1 TỔNG QUAN .1 1.1 Đặt vấn đề 1.2 Các kết nghiên cứu nƣớc 1.3 Các vấn đề nghiên cứu đề tài 1.3.1 Tính cấp thiết đề tài 1.3.2 Ý nghĩa luận văn 1.3.3 Tính thực tiễn đề tài 1.4 Mục tiêu nhiệm vụ 1.5 Phƣơng pháp giải 1.6 Giới hạn đề tài 1.7 Điểm luận văn .5 xi 1.8 Phạm vi ứng dụng .5 1.9 Bố cục luận văn Chƣơng .6 2.1 Thiết bị bù tĩnh điều khiển thyristor SVC (Static Var compensator) 2.1.1 Cấu tạo nguyên lý củaSVC 2.1.2 Nguyên nhân của lõm điê ̣n áp 11 2.1.3 MộtsốứngdụngcủaSVC 15 2.1.4 CácđặctínhcủaSVC 15 2.1.4.2 Đặc tính làm việccủaSVC 17 2.1.4.3 Điều chỉnh điện ápcủaSVC 18 Chƣơng 21 TỔNG QUAN VỀ HỆ NƠRON MỜ(ANFIS) 21 3.1 Đặt vấn đề 21 3.2 Tổng quan điều khiển mờ 21 3.2.1 Giới thiệu 21 3.2.2 Cấu trúc hệ điều khiển mờ 24 3.3 Tổng quan mạng nơron 28 3.3.1 Giới thiệu 28 3.3.2 Lịch sử phát triển mạng nơron nhân tạo 29 3.3.3 Cấu trúc mạng nơron nhân tạo 30 3.3.4 Mơ hình nơron 32 3.3.5 Cấu trúc mạng 34 3.3.6 Huấn luyện mạng .36 3.4 Sự kết hợp mạng nơron logic mờ 38 xii 3.4.1 Vài nét lịch sử phát triển .38 3.4.2 Logic mờ 38 3.4.3 Mạng nơron 39 3.4.4 Sự kết hợp mạng nơron logic mờ 39 3.4.5 Cấu trúc chung hệ nơron mờ 41 3.5 Nơron mờ 41 3.6 Huấn luyện mạng Nơron-mờ 44 Chƣơng 49 THIẾT KẾ BỘ ĐIỀU KHIỂN ANFIS TRỰC TUYẾN 49 4.1 Giới thiệu mơ hình nghiên cứu 49 4.2 Thiết kế điều khiển ANFIS trực tuyến ứng dụng cho điều khiển SVC 50 4.3 kết mô 55   Mơ hình điều khiển PI điều khiển ANFIS cho thiết bị SVC .55 Nhận xét .63 Chƣơng 64 KẾT LUẬN VÀ KIẾN NGHỊ 64 5.1 Kết luận 64 5.2 Kiến nghị 64 PHỤC LỤC .65 TÀI LIỆU THAM KHẢO 70 xiii DANH SÁCH CÁC BẢNG Bảng 3.1: So sánh mạng nơron logic mờ 39 xiv DANH SÁCH CÁC HÌNH Hình 2.1:Cấu tạo SVC Hình 2.2: Nguyên lý Thyristor mắc song song ngƣợc Hình 2.3: Đồ thị dịng điện tải .8 Hình 2.4: Hình ảnh Van Thiristor điều khiển chiều (Bi-Directional Control Thyristors-BCT) 10 Hình 2.5: Nguyên lý hoạt động TCR 11 Hình 6: Hình ảnh tụ TSC .12 Hình 7: Hình ảnh Van TSC thiết bị giải nhiệt 12 Hình 8: Nguyên lý hoạt động TSC 13 Hình 9: Hệ thống điều khiển SVC .13 Hình 10: Biểu đồ hoạt động SVC 14 Hình 11: Mơ Hình SVC đƣợc lắp đặt thực tế .15 Hình 12: Đặc tính V-I SVC 17 Hình 2.13: Đặc tính làm việc SVC điều chỉnh theo điện áp 18 Hình 14: Điều chỉnh điện áp nút phụ tải SVC 19 Hình 15: Sự thay đổi điện áp phụ tải có khơng có SVC .20 Hình 1: Các khối chức điều khiển mờ .24 Hình 2: Các hàm liên thuộc biến ngôn ngữ 25 Hình 3: So sánh các phƣơng pháp giải mờ 28 Hình 3.4: Mơ hình nơ ron sinh học .30 Hình 5: Mơ hình nơron đơn giản 32 Hình 3.6: Mạng nơron lớp .32 Hình 7:Mơ hình nơron đơn giản 33 Hình 8: Nơron với R đầu vào .33 Hình 9: Ký hiệu nơron với R đầu vào 34 xv  Bộ điều khiển ANFIS Hình 4.6:Bộ điều khiển ANFIS  Kết mô với trƣờng hợp ngắn mạch pha nối đất Hình 4.7:Cơng suất đường dây P line - Điện áp Bus B1,B2,B3 57 Hình 4.8:Điện áp Bus B1 Hình 4.9:Điện áp Bus B2 58 Hình 4.10:Điện áp Bus B3 Hình 4.11:Điện áp định mức Vm 59 Hình 4.12:Hệ số bù B  Trƣờng hợp q tải 20% Hình 4.13:Cơng suất đường dây P line - Điện áp Bus B1,B2,B3 Hình 4.14:Điện áp Bus B1 60 Hình 4.15:Điện áp Bus B2 Hình 4.16 :Điện áp Bus B3 61 Hình 4.17:Điện áp định mức Vm Hình 4.18:Hệ số bù B 62  Nhận xét Qua kết thu đƣợc từ trƣờng hợp lỗi pha nối đất tang tải 20% cho ta thấy đƣợc hệ thống có điều khiển ANFIS đáp ứng tốt so với điều khiển ban đầu PI hệ số nhƣ công suất đƣờng dây, điện áp hiệu dụng, điện áp pha,hệ số B… Khi sử dụng điều khiển ANFIS cho thiết bị SVC không đáp ứng nhanh mà hệ thống gặp cố mà giảm dao động rõ rệt so với điều khiển PI trƣớc 63 Chƣơng KẾT LUẬN VÀ KIẾN NGHỊ 5.1 Kết luận Luận văn trình bày việc cải thiện ổn định động hệ thống nghiên cứa Để cung cấp cơng suất phản kháng thích hợp cho hệthống, thiết bị bù tĩnh SVC đƣợc sử dụng hệ thống Cùng với đó, điều khiển ANFIS trực tuyến đƣợc thiết kế để thay cho điều khiển PI SVC Kết so sánh miền thời gian với cố ngắn mạch pha chạm đất, tải 20% đƣợc thực để chứng minh hiệu việc ứng dụng điều khiển ANFIS trực tuyến vào SVC giúp hạn chế dao động hệ thống Có thể kết luận từ kết quảmô SVC điều khiển điều khiển ANFIS trực tuyến đƣợc đề xuất có đặc điểm đáp ứng tốt để cải thiện hiệu suất hệ thống điện điều kiện vận hành xấu 5.2 Kiến nghị Mặc dù cố gắng nghiên cứu nhƣng luận văn vấn đề tồn chƣa giải quyết, vấn đề hƣớng phát triển đề tài tƣơng lai:  Chọn lựa dung lƣợng SVC cho tối ƣu với hệ thống  Nghiên cứu, khảo sát hệ thống với việc sử dụng thiết bị khác họ FACTS để nâng cao khả hoạt động ổn định hệ thống  Cập nhật thông số Ita,alpha,lamda điều khiển ANFIS trực tuyến cách tối ƣu cách sử dụng phƣơng pháp PSO GA để tối ƣu các hệ số,nhằm nâng cao khả hoạt động chúng 64 PHỤC LỤC Phụ lục : Source code khối điều khiển trực tuyến ANFIS function [out,Xt,str,ts] = anfisim_scatter(~,Xt,u,flag,Ita,alpha,lamda,NumInVars,NumInTerms,x0,T) % This program is an implementation of the on line ANFIS (MISO) system % The structure of the network is determined by the user % The input space is partitioned using the scatter-type method % The premise (nonlinear) parameters at Layer are estimated by Gradient Descent (GD) through error backpropagation % The consequent (linear) parameters at Layer are estimated by Recursive Least Squares (RLS) algorithm NumRules = NumInTerms; % Number of Fuzzy Logic Rules as specified by Scatter-type % Input Space partitioning %% - % initial information -if flag==0 ninps = NumInVars+2; % number of inputs to sfunction [ x e LE ] ns = 3*NumInVars*NumInTerms + ((NumInVars+1)*NumRules)^2 + (NumInVars+1)*NumRules; nds = 3*NumInVars*NumInTerms + (NumInVars+1)*NumRules; out = [0,ns+nds,1+ns+nds,ninps,0,1,1]; df, #ts str = []; consistency ts = T; time Xt = x0; % states, outputs, inputs, ?, %% - % state updates elseif flag == x = u(1:NumInVars); e = u(NumInVars+1:NumInVars+1); learning = u(NumInVars+2); if learning == off=1; off_end=NumInVars*NumInTerms; mean1=reshape(Xt(off:off_end),NumInVars,NumInTerms); off=off_end+1; off_end=off + NumInVars*NumInTerms-1; sigma1=reshape(Xt(off:off_end),NumInVars,NumInTerms); off=off_end+1; off_end=off+NumInVars*NumInTerms-1; 65 % API block % sample b1=reshape(Xt(off:off_end),NumInVars,NumInTerms); off=off_end+1; off_end=off + ((NumInVars+1)*NumRules)^2-1; P=reshape(Xt(off:off_end),(NumInVars+1)*NumRules,(NumInVars+1)*NumRules); off=off_end+1; off_end=off + (NumInVars+1)*NumRules-1; ThetaL4 = Xt(off:off_end); off=off_end+1; off_end=off + NumInVars*NumInTerms-1; dmean1=reshape(Xt(off:off_end),NumInVars,NumInTerms); off=off_end+1; off_end=off + NumInVars*NumInTerms-1; dsigma1=reshape(Xt(off:off_end),NumInVars,NumInTerms); off=off_end+1; off_end=off + NumInVars*NumInTerms-1; db1=reshape(Xt(off:off_end),NumInVars,NumInTerms); off=off_end+1; off_end=off + (NumInVars+1)*NumRules-1; dThetaL4 = Xt(off:off_end); % Present for future growth purposes Plays no role in this version %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% % FEEDFORWARD PHASE % %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% % LAYER - INPUT TERM NODES In1 = x*ones(1,NumInTerms); Out1 = 1./(1 + (abs((In1-mean1)./sigma1)).^(2*b1)); % LAYER - PRODUCT NODES Out2 = prod(Out1,1)'; S_2 = sum(Out2); % LAYER - NORMALIZATION NODES if S_2~=0 Out3 = Out2'/S_2; else Out3 = zeros(1,NumRules); end % LAYER 4: CONSEQUENCES NODES Aux1 = [x; 1]*Out3; % New Input Training Data shaped as a column vector a = reshape(Aux1,(NumInVars+1)*NumRules,1); %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% 66 % PARAMETER LEARNING SECTION % % ERROR BACKPROPAGATION % %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% % LAYER ThetaL4_mat = reshape(ThetaL4,NumInVars+1,NumRules); % LAYER e3 = [x' 1]*ThetaL4_mat*e; denom = S_2*S_2; % LAYER Theta32 = zeros(NumRules,NumRules); if denom~=0 for k1=1:NumRules for k2=1:NumRules if k1==k2 Theta32(k1,k2) = ((S_2-Out2(k2))/denom)*e3(k2); else Theta32(k1,k2) = -(Out2(k2)/denom)*e3(k2); end end end end % Sum Theta32 along rows to find the contribution of each L3 node % (indexed by k2) to a single L2 node (indexed by k1) e2 = sum(Theta32,2); % LAYER ThetaE21 = zeros(NumInVars,NumInTerms); for i=1:NumInVars for j=1:NumInTerms if Out1(i,j)~=0 ThetaE21(i,j) = (Out2(j)/Out1(i,j))*e2(j); end end end % LAYER PARAMETER ADJUSTMENT BY GRADIENT DESCENT if isempty(find(In1==mean1,1)) deltamean1 = ThetaE21.*(2*b1./(In1-mean1)).*Out1.*(1-Out1); deltab1 = ThetaE21.*(-2).*log(abs((In1mean1)./sigma1)).*Out1.*(1-Out1); deltasigma1 = ThetaE21.*(2*b1./sigma1).*Out1.*(1-Out1); dmean1 = Ita*deltamean1 + alpha*dmean1; mean1 = mean1 + dmean1; dsigma1 = Ita*deltasigma1 + alpha*dsigma1; sigma1 = sigma1 + dsigma1; 67 db1 = Ita*deltab1 + alpha*db1; b1 = b1 + db1; % Sort the terms in Layer for j=1:NumInTerms-1 if any(mean1(:,j)>mean1(:,j+1)) for i=1:NumInVars [mean1(i,:) index1] = sort(mean1(i,:)); sigma1(i,:) = sigma1(i,index1); b1(i,:) = b1(i,index1); end end end end % Fixing of Consequent Parameters by RLS P = (1./lamda).*(P - P*(a*a')*P./(lamda+a'*P*a)); ThetaL4 = ThetaL4 + P*a.*e; %%%%%%%%%%%%% END OF PARAMETER LEARNING PROCESS %%%%%%%%%%% % State Vector Storage % Xt = [mean1 sigma1 b1 P ThetaL4 dmean1 dsigma1 db1 dThetaL4]; Xt = [reshape(mean1,NumInVars*NumInTerms,1); reshape(sigma1,NumInVars*NumInTerms,1); reshape(b1,NumInVars*NumInTerms,1); reshape(P,((NumInVars+1)*NumRules)^2,1); ThetaL4; reshape(dmean1,NumInVars*NumInTerms,1); reshape(dsigma1,NumInVars*NumInTerms,1); reshape(db1,NumInVars*NumInTerms,1); dThetaL4;]; end% of "if learning==1" loop out=Xt; %% - % outputs elseif flag == % Unpack the ANFIS-Scatter network parameters off=1; off_end=NumInVars*NumInTerms; mean1=reshape(Xt(off:off_end),NumInVars,NumInTerms); off=off_end+1; off_end=off + NumInVars*NumInTerms-1; sigma1=reshape(Xt(off:off_end),NumInVars,NumInTerms); off=off_end+1; off_end=off+NumInVars*NumInTerms-1; b1 =reshape(Xt(off:off_end),NumInVars,NumInTerms); 68 off=off_end+1; off_end=off + ((NumInVars+1)*NumRules)^2 - 1; % P = reshape(Xt(off:off_end),(NumInVars+1)*NumRules,(NumInVars+1)*NumRules); off=off_end+1; off_end=off + (NumInVars+1)*NumRules - 1; ThetaL4 = Xt(off:off_end); %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% % FEEDFORWARD OPERATION % %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% % LAYER - INPUT TERM NODES x = u(1:NumInVars); In1 = x*ones(1,NumInTerms); Out1 = 1./(1 + (abs((In1-mean1)./sigma1)).^(2*b1)); % LAYER - PRODUCT NODES Out2 = prod(Out1,1)'; S_2 = sum(Out2); % LAYER - NORMALIZATION NODES if S_2~=0 Out3 = Out2'./S_2; else Out3 = zeros(1,NumRules); end % LAYER 4: CONSEQUENCES NODES Aux1 = [x; 1]*Out3; % New Input Training Data shaped as a column vector a = reshape(Aux1,(NumInVars+1)*NumRules,1); % LAYER 5: SUMMING NODE outact = a'*ThetaL4; % Block Outputs Vector Formation out=[outact;Xt]; else out=[]; end 69 TÀI LIỆU THAM KHẢO [1] Nguyễn Thanh Quảng, “Ứng dụng mạng Nơron- mờ để điều khiển SVC giữ điện áp nút có tải thay đổi” Hội nghị khoa học kỷ niệm 35 năm viện khoa học công nghệ Việt Nam –Hà Nội.2010 [2] Phan Thành Việt,“ Nghiên cứu xây dựng mơ hình sử dụng thiết bị SVC để điều khiển nâng cao ổn định điện áp cho hệ thống điện”,Đại Học Đà Nẵng 2011 [3] Lê Xuân Kha,“ Áp dụng fuzzy logic điều khiển SVC lƣới điện”,Lê Xuân Kha, Đại Học Thái Nguyên.2011 [4] Nguyễn Thế Vĩnh,“Điều Khiển Thiết Bị Bù Tĩnh (SVC) Và Ứng Dụng Trong Việc Nâng Cao Cho Ổn Định Chất Lƣợng Điện Năng”,Đại Học Thái Nguyên.2007 [5] Akbar Lak, Daryoush Nazarpour, Hasan Ghahramani.Novel methods with Fuzzy Logic and ANFIS controller based SVC for damping SubSynchronous Resonance and low-frequency power oscillation.20th Iranian Conference on Electrical Engineering, (ICEE2012), May 15-17,2012, Tehran, Iran [6] S Sabna, D Prasad, R Shivakumar.Power System Stability Enhancement by Neuro Fuzzy Logic Based SVC for Multi Machine System,,International Journal of Engineering and Advanced Technology (IJEAT) ISSN: 2249 – 8958, Volume-1, Issue-4, April 2012 [7] Nemat Talebi,Mansoor Sheykhan.Using ANFIS as Indicator in the Networks Containing SVC and STATCOM for Voltage Collapse Phenomena,Journal of Electrical Engineering Science., (7), 2010 ISSN: 2008-9864 70 [8] K Premkumar, B.V Manikandan.GA-PSO optimized online ANFIS based speed controller for Brushless DC motor,Journal of Intelligent & Fuzzy Systems.2015 [9] Jang R J.-S., Sun C.-T., Mizutani E., “Neuro-Fuzzy and Soft Computing, A Computational Approach to Learning and Machine Intelligence”, Prentice Hall, Upper Saddle River, NJ 07458,(1997) [10] Nguyễn Nhƣ Hiền,Lại Khắc Lãi Hệ mờ nơron Nhà xuất khoa học tự nhiên công nghệ Hà Nội,2007,tr29-135 [11] L.A.Zadeh,Fuzzy Sets Theory,Department of Electrical Engineering and electronics Research Laboratory, University of California,1965 71 ... quan tới SVC Tuy nhiên, lĩnh vực khá mẻ đƣợc quan tâm nhƣng chƣa đƣợc ứng dụng rộng rãi Chính lý tác giả định chọn đề tài: ? ?Nghiên cứu giải thuật huấn luyện online ứng dụng điều khiển SVC? ?? 1.2... kết nghiên cứu nƣớc Việc nghiên cứu điều khiển bù SVC để làm tăng khả đáp ứng cần thiết có ý nghĩa Một hƣớng nghiên cứu để làm tăng khả đáp ứng ứng dụng mạng nơron mờ việc xây dựng điều khiển. .. nay, nhà nƣớc ta có vài cơng nghiên cứu ứng dụng nơron mờ để điều khiển SVC nhƣng chƣa vào huấn luyện online, cụ thể là:  ? ?Ứng dụng mạng Nơron- mờ để điều khiển SVC giữ điện áp nút có tải thay