ng dụng giải thuật PSO để xác định thơng số tối ưu cho bộ PSS nhằm cải thiện trạng thái ổn định của máy phát, nâng cao đặc tính ổn định động của hệ thống và dựa theo kết quả nghiên cứu của luận văn này đề nghị tiếp tục nghiên cứu trong tương lailà triển khai thực nghiệm.
Luận văn tốt nghiệp Trang 50 TÀI LI U THAM KH O
[1] Jian He, “Adaptive power system stabilizer based on recurrent neural network”, the University of Calgary october 1998.
[2] Sidhartha Panda and Narayana Prasad Padhy “Power System with PSS and FACTS Controller:Modelling, Simulation and SimultaneousTuning
Employing Genetic Algorithm”, International Journal of Electrical and Electronics Engineering 1:1 2007.
[3] Jan Machowski, Janusz W. Bialek and James R. Bumby “POWER SYSTEM
DYNAMICS Stability and Control” john wiley & sons, Ltd.
[4] J. He and O.P. hfalik, Fellow, IEEE “Design of an Adaptive Power System Stabilizer Using Recurrent Neural Networks” IEEE WESCANEX '95 PROCEEDINGS
[5] Y. Zhang G. P. Chen 0. P. Malik G. S. Hope “AN ARTIFICIAL NEURAL
NETWORK BASED ADAPTIVE POWER SYSTEM STABILIZER” IEEE
Transactions on Energy Conversion, Vol. 8, No. 1, March 1993
[6] M.L.Kothari, Shekhar Madriani and Ravi Segal “ORTHOGONAL LEAST SQUARES LEARNING ALGORITHM BASED RADIAL BASIS
FUNCTION (RBF) NETWORK ADAPTIVE POWER SYSTEM
STABILIZER”, 0-7803-4053 - 1/97/$10.00 @ 1997 IEEE.
[7] M. Z. Youssef, P. K. Jain E. A. Mohamed “A ROBUST POWER SYSTEM
STABILIZER CONFIGURATION USING ARTIFICIAL NEURAL
NETWORK BASED ON LINEAR OPTIMALCONTROL (STUDENT
PAPER COMPETITION)”, CCECE 2003-CCGEI 2003, Montreal, Mayhai
Luận văn tốt nghiệp Trang 51
[8] Wenxin Liu, Ganesh K. Venayagamoorthy, Donald C. Wunsch I1 “Adaptive Neural Network Based Power System Stabilizer Design”,0-7803-7898- 9/03/$17.00 02003 IEEE.
[9] Pinak Tulpule, Ali Feliachi “Online Learning Neural Network based PSS with Adaptive Training Parameters”, 1-4244-1298-6/07/$25.00 ©2007 IEEE.
[10] Wenxin Liu1, Ganesh K. V “Comparisons Of An Adaptive Neural Network Based Controller And An Optimized Conventional Power System Stabilizer”, 16th IEEE International Conference on Control Applications Part of IEEE Multi-conference on Systems and Control Singapore, 1-3 October 2007.
[11] Chun-Jung Chen and Tien-Chi Chen “Power System Stabilizer for Multi- Machine Using Genetic Algorithms Based on Recurrent Neural Network” 0-7695-2882-1/07 $25.00 ©2007 IEEE.
[12] Peng Zhao and O. P. Malik “Design of an Adaptive PSS Based on Recurrent
Adaptive Control Theory”, IEEE TRANSACTIONS ON ENERGY
CONVERSION, VOL. 24, NO. 4, DECEMBER 2009.
[13] Gerald Swann, Sukumar Kamalasadan “A Novel Radial Basis Function Neural Network Based Intelligent Adaptive Architecture for Power System Stabilizer”.
[14] Dr. Jagdish kumar1, P.Pavan kumar, Aeidap.u Mahesh and Ankit
Shrivastava“Power System Stabilizer Based On Artificial Neural
Network”,978-1-4577-1510 - 5/11/$26.00 ©2011 IEEE.
[15] Boumediene Allaoua Brahim GASBAOUI and Brahim MEBARKI, Setting Up PID DC Motor Speed Control Alteration Parameters Using Particle Swarm Optimization Strategy, Bechar University, Departement of Electrical Engineering B.P 417 BECHAR (08000) Algeria, pp. 19-32. (adsbygoogle = window.adsbygoogle || []).push({});
[16] Chao Ou, Weixing Lin, Comparison between PSO and GA for Parameters Optimization of PID Controller, The Faculty of Information Science and Technology University of NingBo University of NingBo, pp. 2471-2475.
Luận văn tốt nghiệp Trang 52
[17] N. Pillay, A Particle swarm optimization approach for tuning of SISO PID control loops, 2008.
Luận văn tốt nghiệp Trang 53 PH L C A
Hệ thống máy phát _ đường dây
1. Máy phát
Generaator: H=3.542, D = 0, Xd=1.7572, Xq=1.5845,
X’d=0.4245, X’q=1.04, T’do=6.66, T’qo=0.44,
Ra=0, Pe=0.6, δ0=44.370.
2. Lưới truyền tải
R=0, Xe=0.68, G=0, B=0
3. Cấu trúc bộ CPSS của IEEE theo chuẩn 421.5
KPSS = 0.0403, T1 = T3 = 0.7827, T2 = T4 = 0.0651, T5 = 5.7049, T6= 0.0069.
4. Các thơng số sử dụng để mơ phỏng
Tất các các thơng số như điện trở, điện cảm, đơn vị là p.u. Thời gian được tính bằng giây.
Luận văn tốt nghiệp Trang 54 PH L C B Code Matlab clc, clear all Kp =0; Ki =0; Kd =0; Kdd = 0; Ka = 0; n = 10; % Kích thước quần thể
bird_setp = 10; %Kích thước tìm kiếm
dim = 5; %Số biến Kp , Ki, Kd Kdd
alpha =0.1; beta =0.1;
w =0.2 ; % Trọng số PSO %initialize the parameter %
R1 = rand(dim, n); R2 = rand(dim, n);
%Thiết lập trọng số ban đầu
current_fitness =zeros(n,1);
current_position(1,:) = 2.5*rand(1, n) ; %Kp 1.6*rand(1, n) ;
current_position(2,:) = 0.5*rand(1, n); %Ki tăng
current_position(3,:) = rand(1, n); % Kd
current_position(4,:) = rand(1, n); % Kdd
current_position(5,:) = rand(1, n); % Ka
velocity = randn(dim, n) ;
rand('state',100); randn('state',100); local_best_position = current_position ; (adsbygoogle = window.adsbygoogle || []).push({});
%Chạy thế hệ đầu tiên
%FitnessFunction = @mo_hinh;
for i = 1:n
pid = abs(current_position(:,i));
Kp =pid(1); Ki =pid(2); Kd =pid(3); Kdd =pid(4); Ka =pid(5); current_fitness(i) = mo_hinh(Kp, Ki, Kd, Kdd, Ka);
end local_best_fitness = current_fitness; [global_best_fitness,g] = min(local_best_fitness); for i=1:n globl_best_position(:,i) = local_best_position(:,g) ; end %Cập nhật velocity
Luận văn tốt nghiệp Trang 55
velocity = w *velocity + beta*(R1.*(local_best_position-current_position)) + alpha*(R2.*(globl_best_position-current_position));
% Main Loop
iter = 0 ;
while ( iter < bird_setp ) iter = iter + 1;
for i = 1:n
pid = abs(current_position(:,i));
Kp =pid(1); Ki =pid(2); Kd =pid(3); Kdd =pid(4); Ka =pid(5); current_fitness(i) = mo_hinh(Kp,Ki, Kd, Kdd, Ka);
end
err(iter) = sum(current_fitness.^2); %err(iter) = 0.5*sum(current_fitness);
for i = 1 : n % Đánh dấu quần thể
if current_fitness(i) < local_best_fitness(i)
local_best_fitness(i) = current_fitness(i); %Giá trị fitness
local_best_position(:,i) = current_position(:,i) ;% Giá trị Kp,Ki
end end [current_global_best_fitness,g] = min(local_best_fitness); if current_global_best_fitness < global_best_fitness global_best_fitness = current_global_best_fitness; for i=1:n globl_best_position(:,i) = local_best_position(:,g); end end
velocity = w *velocity + beta*(R1.*(local_best_position-current_position)) + alpha*(R2.*(globl_best_position-current_position));
current_position = current_position + velocity;
disp(['iter = ', num2str(iter) , ', Sai số = ', num2str(err(iter))])
end%kết thúc hành trình di chuyển % plot(err,'linewidth',5), grid
%title('Cực tiểu hàm sai số', 'fontname','vni-times', 'fontsize',20,'color','r') %Thử lại mô hình
pid = abs(globl_best_position(:,1)) Kp = pid(1)
Luận văn tốt nghiệp Trang 56
Kd = pid(3) Kdd =pid(4) Ka =pid(5)
nfitness = mo_hinh( Kp, Ki,Kd, Kdd,Ka) (adsbygoogle = window.adsbygoogle || []).push({});
function F = mo_hinh(Kp, Ki, Kd, Kdd, Ka)
sim('cocpss');
PSO
bầy đàn Ka KP Kdd (Rad/s) trở lại bình
thường (s) 1 10 0.5426 2.8001 0. 7110 0.6359 0.7346 3.85 5.2 2 10 0.7471 1.7041 0.1250 0.7358 0.6347 3.82 5.2 3 10 0.2351 2.5432 0.6089 0.6759 0.4676 3.87 5.1 4 10 0.9747 1.8674 0.4332 0.5637 0.4673 3.77 5.0 5 10 0.2536 1.5457 0.6856 0.7544 0.7876 3.88 5.0 6 20 0.1344 2.8341 0.0534 0.2329 0.2346 3.67 4.9 7 20 0.8546 1.2361 0.4566 0.4649 0.4678 3.61 4.9 8 20 0.3578 1.5681 0.6754 0.4765 0.8675 3.63 4.8 9 20 0.3567 2.1241 0.5353 0.2845 0.5685 3.61 4.9 10 20 0.9405 2.4884 0.1517 0.4365 0.6380 3.53 4.8 11 70 0.5862 2.1434 0.2106 0.3926 0.3820 3.51 4.9 12 70 0.8120 2.0224 0.2311 0.4581 0.3845 3.00 4.7 13 70 0.4426 1.8001 0.0710 0.7359 0.5346 3.28 4.9 14 70 0.4798 2.4401 0.1656 0.7415 0.4467 3.25 4.8 15 70 0.3223 1.2357 0.4574 0.7965 0.6564 3.36 4.9 16 70 0.2532 2.8354 0.3643 0.3644 0.3765 3.33 4.8 17 100 0.4366 1.3436 0.7076 0.7674 0.4636 3.31 4.9 18 100 0.4546 1.8345 0.6373 0.7544 0.7976 3.34 4.9