SVeC lă một thiết bị FACTS mới, được mắc nối tiếp văo đường dđy tải điện với một bộ điều khiển PWM đơn giản được sử dụng để điều khiển cừng suất tóc dụng trong một đường dđy truyền tải. Nụ cụ một số ưu điểm dựa trợn cơ sở lý thuyết khi so sónh với cóc thiết bị FACTS khóc như TCSC vă SSSC [3], [23]. Đónh gió khả năng điều khiển của SveC cũng đở được trớnh băy rử ở phần trợn (mục 3.2).
Hình 3.10: Mạch động lực ba pha của SVeC.
SVeC mừ tả trong hớnh 3.10 bao gồm: móy biến óp ghĩp tầng nối tiếp Ta, Tb, vă Tc; tụ bỳ Ca, Cb, vă Cc; thiết bị chuyển mạch k1a, k2a, k1b, k2b, k1c vă k2c (thường lă GTO hoặc IGCT) [24], [25]. Để đơn giản, cóc bộ giảm dao động trợn cóc thiết bị chuyển mạch, bảo vệ vă mạch điều khiển khừng được minh họa trong hớnh.
Trong khoảng thời gian mă cóc thiết bị chuyển mạch k1a, k1b, vă k1c đụng lại, cóc tụ bỳ được kết nối với đường dđy truyền tải, thừng qua cóc móy biến óp nối tiếp. Trong thời gian cún lại của chu kỳ, cóc đầu nối của móy biến óp bị nối tắt bởi cóc bộ chuyển mạch k2a, k2b vă k2c, do đụ tóch tụ bỳ ra khỏi đường dđy tải điện.
Hớnh 3.11 mừ tả một sơ đồ mạch đơn tuyến của SVeC đở nghiợn cứu [24], [25]. Thiết bị năy bao gồm một móy biến óp được kết nối với một bộ tụ điện thừng qua bộ điều khiển PWM xoay chiều.
Tổng cừng suất phản khóng bỳ văo của một SVeC được xóc định bởi tổng thời gian chuyển mạch. Chu kỳ lăm việc D của bộ chuyển đổi được định nghĩa lă tỷ số giữa thời gian chuyển đổi k2 với tổng thời gian chuyển mạch [24], [25].
Mục đợch chợnh của việc sử dụng một SVeC lă cung cấp trở khóng biến đổi XSVeC nối tiếp với đường dđy truyền tải. Trở khóng năy được điều chỉnh thừng qua chu kỳ lăm việc D của bộ điều khiển. Bằng cóch thay đổi trở khóng tương đương của đường dđy, thớ trăo lưu cừng suất trợn đường dđy cụ thể điều khiển được. Cóc điện khóng nối tiếp tương đương cụ thể được định nghĩa bởi [24], [25].
𝑋𝑆𝑉𝑒𝐶 = −𝑛2. (1 − 𝐷)2. 𝑋𝐶 (3.2) Trong đụ n lă tỷ số dđy quấn của biến óp, D lă chu kỳ lăm việc của bộ điều khiển, vă XC lă điện khóng của tụ điện. Gió trị của nguồn điện óp mắc nối tiếp văo đường dđy truyền tải với dúng điện ITL cụ thể được mừ tả bởi:
VS = n2. (1 − D)2. Xc. ITL (3.3)
Trong [37], dúng cừng suất giữa điểm đầu V1 vă điểm cuối V2 cụ thể được tợnh như sau.
PTL = V1.V2
XTL−n2.(1−D)2.XC . sin (θ1− θ2) (3.4) trong đụ XTL lă trở khóng đường dđy.
CHƯƠNG 4:
TỔNG QUAN VỀ HỆ NƠRON MỜ THẻCH NGHI 4.1. Tổng quan về điều khiển mờ
4.1.1. Giới thiệu
Trong thực tế, khi thiết kế bộ điều khiển kinh điển thường bị bế tắc trong những băi toón cụ: độ phức tạp của hệ thống cao, độ phi tuyến lớn, thường xuyợn thay đổi trạng thói hoặc cấu trỷc của đối tượng khụ xóc định được…Để giải quyết vấn đề đụ, năm 1965, L.A.Zadeh - tại trường đại học Berkelye bang California - Mỹ đở sóng tạo ra lý thuyết điều khiển mờ. So với phương phóp điều khiển truyền thống thớ phương phóp điều khiển mờ cụ những ưu điểm:
- Hiệu quả trong điều khiển ở điều kiện chưa xóc định rử vă thiếu thừng tin. - Cho phĩp con người tự động hụa được điều khiển cho một quó trớnh, một
thiết bị…vă mang lại chất lượng mong muốn.
- Với nguyợn tắc mờ, cấu trỷc bộ điều khiển đơn giản hơn.
4.1.2. Lý thuyết mờ
4.1.2.1. Định nghĩa tập mờ
Cho tập E, gọi à lă tập con mờ của E, ta cụ:
𝐴̃ ≔ {(𝑥/𝜇𝐴(𝑥); 𝑥 𝜖 𝐸)} (4.1) Trong đụ: μA(x) được gọi lă hăm liợn thuộc của tập mờ Ã , với μA(x) nhận cóc gió trị trong khoảng [0 ; 1].
4.1.2.2. Biến mờ, hăm mờ, biến ngừn ngữ
Cho tập mờ Ã cụ hăm liợn thuộc lă μA(x), tập mờ B̃ cụ hăm liợn thuộc lă
μB(x). Biến mờ a vă b định nghĩa lă: 𝑎 ≔ 𝜇𝐴(𝑥) ; 𝑏 ≔ 𝜇𝐵(𝑥) (4.2) Hăm y = f(a,b) gọi lă hăm mờ khi y chỉ phụ thuộc văo cóc biến mờ a, b vă thoả mởn điều kiện: 0 ≤ 𝑦 ≤ 1 (4.3)
Biến ngừn ngữ lă một biến mă gió trị của biến được biểu hiện bằng ngừn ngữ, nụ khừng thể xóc định được rử răng vă chợnh xóc. Vợ dụ như khi nụi về tốc độ, nụ cụ cóc gió trị ngừn ngữ lă: nhanh, rất nhanh, trung bớnh, chậm, rất chậm.
4.1.2.3. Suy luận mờ vă luật hợp thănh
Suy luận mờ lă suy diễn kết quả từ cóc tập quy tắc “Nếu...thớ” theo một hay nhiều điều kiện.
Cho hai biến ngừn ngữ χ vă γ , biến χ nhận gió trị mờ A cụ hăm liợn thuộc
μA(x), biến γ cụ gió trị mờ B cụ hăm liợn thuộc μB(x). Khi đụ ta cụ hai mệnh đề: mệnh đề 1: χ = A vă mệnh đề 2: γ = B. Biểu diễn chỷng qua luật: “Nếu χ = A thớ γ = B”, ta gọi nụ lă mệnh đề hợp thănh A⇒B, trong đụ χ = A gọi lă mệnh đề điều kiện vă γ = B gọi lă mệnh đề kết luận. Một mệnh đề hợp thănh cụ thể cụ nhiều mệnh đề điều kiện vă nhiều mệnh đề kết luận, cóc mệnh đề liợn kết với nhau bằng toón tử “vă”.
Xĩt mệnh đề hợp thănh: nếu =A thớ =B, từ một gió trị x0 cụ độ phụ thuộc A(x0) đối với tập mờ A của mệnh đề điều kiện ta xóc định được hệ số thoả mởn mệnh đề kết luận. Biểu diễn độ thoả mởn mệnh đề kết luận như một tập mờ B’ cỳng cơ sở với B thớ mệnh đề hợp thănh chợnh lă ónh xạ: A(x0) →B’(y).
ằnh xạ A(x0) →B’(y) được gọi lă hăm liợn thuộc của luật hợp thănh. Theo nguyợn tắc Mamdani cụ hai cừng thức xóc định hăm liợn thuộc cho mệnh đề hợp thănh A B:
1. 𝜇𝐴⇒𝐵(𝑥, 𝑦) = 𝑀𝐼𝑁 {𝜇𝐴(𝑥), 𝜇𝐵(𝑦)} (cừng thức MIN) (4.4) 2. 𝜇𝐴⇒𝐵(𝑥, 𝑦) = 𝜇𝐴(𝑥). 𝜇𝐵(𝑦) (cừng thức PROD) (4.5)
Xĩt luật hợp thănh R gồm 3 mệnh đề hợp thănh: R1: Nếu x = A1 Thớ y = B1
R2: Nếu x = A2 Thớ y = B2
R3: Nếu x = A3 Thớ y = B3
Với mỗi gió trị rử x0 của biến ngừn ngữ đầu văo, ta cụ 3 tập mờ ứng với 3 mệnh đề hợp thănh R1 R2 R3 của luật hợp thănh R. Gọi hăm liợn thuộc của cóc tập mờ đầu ra lă: μB 1 ′(y); μB 2 ′(y); μB 3
′(y) thớ gió trị của luật hợp thănh R ứng với x0 lă tập mờ B’ thu được qua phĩp hợp 3 tập mờ: B′ = B1′ ∪ B2′ ∪ B3′ (4.6)
Hình 4.2: Hăm liợn thuộc của Hớnh 4.3: Hăm liợn thuộc của mệnh đề điều kiện mệnh đề kết luận
Tuỳ theo cóch thu nhận của cóc hăm liợn thuộc μB1′(y); μB2′(y); μB3′(y) vă phương phóp thực hiện phĩp hợp để nhận tập mờ B’ mă ta cụ tợn gọi cóc luật hợp thănh khóc nhau [23] như luật MAX-MIN, MAX-PROD, SUM-MIN, SUM-PROD.
4.1.2.4. Bộ điều khiển mờ
Hớnh 4.4: Sơ đồ khối chức năng của bộ điều khiển mờ
(1) Khối mờ hoó: biến đổi cóc gió trị rử đầu văo thănh một miền gió trị mờ với hăm liợn thuộc đở chọn.
(2) Khối hợp thănh: biến đổi cóc gió trị mờ hoó của biến ngừn ngữ đầu văo thănh cóc gió trị mờ của biến ngừn ngữ đầu ra theo cóc luật hợp thănh năo đụ.
(3) Khối suy luận mờ: bao gồm cóc tập luật “Nếu...thớ...”
(4) Khối giải mờ: biến đổi cóc gió trị mờ đầu ra thănh cóc gió trị rử để điều khiển đối tượng. Cụ ba phương phóp giải mờ chợnh được thể hiện ở hớnh 4.5.
Hớnh 4.5: Cóc phương phóp giải mờ
4.2. Tổng quan về mạng nơron 4.2.1. Giới thiệu 4.2.1. Giới thiệu
Mạng nơron nhđn tạo (Artificial Neural Networks) lă một mừ hớnh xử lý thừng tin phỏng theo cóch thức xử lý thừng tin của cóc hệ nơron sinh học. Nụ cụ khả năng tự học hỏi, tự chỉnh định, thợch nghi sao cho phỳ hợp với sự thay đổi khừng lường trước của đối tượng điều khiển vă tổng hợp thừng tin từ sự luyện tập của cóc tập mẫu dữ liệu.
Mạng nơron nhđn tạo cụ thể thực hiện cóc băi toón: tợnh toón gần đỷng cóc hăm số, thực hiện cóc băi toón tối ưu, nhận mẫu, nhận dạng vă điều khiển đối tượng hiệu quả hơn so với cóc phương phóp truyền thống.
4.2.2. Cấu trỷc mạng nơron nhđn tạo
Khi ta kết nối một văi nơron, ta được mạng nơron.
Hình 4.7: Cấu trỷc mạng nơron 3 lớp
4.2.3. Mừ hớnh nơron vă mạng nơron 4.2.3.1. Mừ hớnh nơ ron 4.2.3.1. Mừ hớnh nơ ron
- Nơron với một đầu văo:
Hình 4.8: Mừ hớnh nơron đơn giản a) nơron khừng cụ độ dốc; b) nơron cụ độ dốc
trong đụ: p lă tợn hiệu đầu văo nơron, w lă trọng liợn kết, n lă tợn hiệu đầu văo hăm truyền, f lă hăm truyền, 𝚺 lă hăm tổng, a lă tợn hiệu đầu ra nơron vă b lă độ dốc.
-Nơron với nhiều đầu văo:
+ n cụ gió trị: n = w1,1.p1 + w1,2.p2 + w1,3.p3 +... w1,R.pR + b Viết ở dạng tổng quót, ta cụ: n = W*P + b
trong đụ: W lă ma trận trọng liợn kết, P lă vĩc tơ văo.
4.2.3.2. Mừ hớnh mạng 4.2.3.2.1. Mạng một lớp:
Hình 4.10: Mừ hớnh mạng nơron 1 lớp với R đầu văo vă S nơron
Trong đụ: vĩc tơ văo pcụ R phần tử pT= [p1 p2 … pR]; vĩc tơ văo ncụ S phần tử nT = [n1 n2 … nS]; vĩc tơ văo acụ S phần tử aT = [a1 a2 … aS].
4.2.3.2.2. Mạng nhiều lớp:
4.3. Kết hợp điều khiển mờ vă mạng nơron
Logic mờ vă mạng nơron cụ điểm mạnh, điểm yếu riợng của nụ.
Bảng 4.1: So sónh mạng nơron vă logic mờ
Tiợu chợ Mạng nơron Logic mờ
Thể hiện tri thức Khừng tường minh, khụ giải thợch vă khụ sửa đổi.
Tường minh, dễ kiểm chứng vă sửa đổi.
Khả năng học Cụ khả năng học, cập nhật kiến thức thừng qua cóc tập dữ liệu.
Khừng cụ khả năng học, người thiết kế phải tự thiết kế tất cả.
Tợnh nhạy cảm với những
thay đổi của mừ hớnh Thấp Cao
Nguồn của tri thức Cóc mẫu học Kinh nghiệm chuyợn gia
Lưu trữ tri thức Trong nơ ron vă trọng số của từng đường ghĩp nối.
Trong luật hợp thănh vă hăm thuộc.
Hệ nơron mờ lă sự kết hợp cả hai ưu điểm logic mờ vă mạng nơron.
Hình 4.12: Kiến trỷc kiểu mẫu của một hệ nơron mờ
4.4. Sừ dụng cừng cụ ANFIS trong Matlab để thiết kế hệ nơron mờ 4.4.1. Giới thiệu 4.4.1. Giới thiệu
ANFIS lă mạng thợch nghi dựa trợn cơ sở hệ suy luận mờ, ta cụ thể sử dụng cừng cụ năy thừng qua lệnh hăm anfis hoặc ANFIS Editor GUI của Matlab.
Hình 4.14: Cửa sổ soạn thảo ANFIS Editor GUI.
ANFIS cụ cấu trỷc kiểu mạng giống như của mạng nơron, nụ ónh xạ cóc đầu văo qua cóc hăm liợn thuộc văo với cóc thừng số tương ứng vă sau đụ thừng qua cóc hăm ra với cóc tham số tương ứng tạo nợn đầu ra. Cóc thừng số tương ứng với hăm liợn thuộc sẽ thay đổi thừng qua quó trớnh học. Bằng cóch sử dụng một tập dữ liệu văo – ra cho trước, cừng cụ xđy dựng một hệ thống suy luận mờ FIS hay cún gọi lă bộ điều khiển logic mờ, cóc thừng số hăm liợn thuộc của nụ được điều chỉnh nhờ sử dụng cóc thuật toón huấn luyện của mạng nơron như thuật toón lan truyền ngược hoặc kết hợp lan truyền với phương phóp bớnh phương cực tiểu.
Nụi chung, loại mừ hớnh năy hoạt động tốt nếu dữ liệu huấn luyện được đưa ra cho ANFIS để huấn luyện cóc thừng số của hăm liợn thuộc đại diện đầy đủ cóc đặc tợnh của tập dữ liệu, cói mă đở huấn luyện FIS dănh cho mừ hớnh. Tuy nhiợn,
một số trường hợp trong quó trớnh thu thập dữ liệu, do ảnh hưởng của nhiễu từ đo lường mă dữ liệu huấn luyện khừng thể đại diện cho tất cả cóc đặc trưng của dữ liệu. Trong cóc tớnh huống như vậy, kiểm chứng mừ hớnh (model validation) lă hữu ợch. Kiểm chứng mừ hớnh lă quó trớnh trong đụ cóc vectơ văo từ tập dữ liệu văo - ra chưa huấn luyện FIS, được đưa ra cho mừ hớnh FIS sau khi được huấn luyện để xem mừ hớnh FIS dự bóo gió trị đầu ra của tập dữ liệu tương ứng cụ tốt hay khừng? Để kiểm chứng mừ hớnh, người ta dỳng bộ dữ liệu kiểm tra (checking data) vă dữ liệu kiểm thử (testing data).
Bộ dữ liệu kiểm thử cho phĩp ta kiểm tra khả năng tổng hợp hoó của hệ thống suy luận mờ. Ý tưởng đằng sau việc sử dụng một bộ dữ liệu kiểm tra lă sau một thời điểm nhất định trong quó trớnh huấn luyện, mừ hớnh bắt đầu quó khớp (overfitting) với tập dữ liệu huấn luyện. Hiện tượng quó khớp [27] lă hiện tượng mừ hớnh quó tập trung văo việc đoón đỷng hết tất cả cóc điểm dữ liệu của tập huấn luyện, khiến cho nụ khừng tổng quót hoó được từ những gớ đở học: đưa ra kết quả rất khớp với tập huấn luyện nhưng khi đem ra dự đoón với dữ liệu mới thớ sai số rất lớn. Về nguyợn lý: khi quó trớnh huấn luyện diễn ra, sai số của mừ hớnh cho bộ dữ liệu kiểm tra cụ xu hướng giảm đến thời điểm bắt đầu quó khớp, vă sau đụ sai số của mừ hớnh cho dữ liệu tra đột nhiợn tăng lợn. Dữ liệu kiểm tra giỷp nhận ra điểm cần dừng sớm quó trớnh học (early stopping) để trónh hiện tượng quó khớp.
Hình 4.15: Hiện tượng quó khớp trong huấn luyện
4.4.2. Thuật toón huấn luyện ANFIS 4.4.2.1. Thuật toón học lan truyền ngược 4.4.2.1. Thuật toón học lan truyền ngược
Hình 4.16: Mạng ba lớp lan truyền ngược
Trợn hớnh 4.26 cụ m phần tử nơron đầu văo, l phần tử nơron ở lớp ẩn vă n phần tử nơron ở lớp đầu ra. Đường nĩt liền diễn tả lan truyền thằng của cóc tợn hiệu, đường nĩt đứt diễn tả lan truyền ngược của cóc sai số.
Thuật toón lan truyền ngược cung cấp một thủ tục cho việc thay đổi cóc vector trọng số trong mạng, đầu ra của mạng được lan truyền ngược trở lại lớp đầu văo cho đỷng với cóc mẫu. Cơ sở cho việc cập nhật cóc trọng số lă phương phóp độ dốc Gradient. Cụ thể lă mẫu x(k) được lan truyền từ lớp đầu văo qua cóc lớp ẩn đi đến lớn đầu ra cụ kết quả lă y(k), sau đụ sai số giữa y(k) vă d(k) được lan truyền ngược trở lại từ lớp đầu ra tới lớp đầu văo để cập nhật trọng số. Ta cụ thể tham khảo xem cóc bước thực hiện thuật toón lan truyền ngược trong [26].
4.4.2.2. Thuật toón học lai
Mặc dỳ chỷng ta cụ thể óp dụng phương phóp gradient để xóc định cóc tham số trong mạng thợch nghi nhưng phương phóp năy nhớn chung rất chậm vă cụ thể bị rơi văo tớnh trạng cực tiểu địa phương. Thuật toón học lai được đề xuất để khắc phục điều năy, nụ lă sự kết hợp giữa phương phóp gradient vă phương phóp LSE để xóc định vă điều chỉnh cóc tham số của mạng nhanh hơn vă tốt hơn. Ta cụ thể tham khảo xem cóc bước thực hiện thuật toón lai trong [26].
CHƯƠNG 5:
THIẾT KẾ NĐNG CAO KHẢ NĂNG ĐIỀU KHIỂN CỦA BỘ ĐIỀU KHIỂN MỜ THẻCH NGHI CHO SVEC
5.1. Mừ hớnh mừ phỏng
5.1.1. Cấu hớnh hệ thống điện giụ nối với lưới
Hình 5.1: Sơ đồ đơn tuyến của hệ thống điện giụ nối lưới
Cấu hớnh của hệ thống điện giụ nối lưới hớnh 5.1 bao gồm SG cụ cừng suất 160 MVA vă một WF cụ cừng suất 20MW được kết nối với hệ thống OMIB tại PCC thừng qua móy biến óp. Thiết bị FACTS cụ tợn lă SVeC được đề xuất đặt gần điểm PCC vă mắc nối tiếp với đường dđy truyền tải 2 (TL2). Cuối TL2 cung cấp điện óp lưới Vinf cho lưới điện (xem hớnh 5.2 ở phụ lục cuối trang).
Hệ thống điện giụ nối lưới năy được mừ hớnh hoó trong phần mềm Matlab/Simulink. Để dễ dăng so sónh với bộ điều khiển ANFIS cải tiến của luận văn năy với bộ điều khiển ANFIS [1] của băi bóo [4], luận văn năy sử dụng cỳng mừ hớnh SVeC của băi bóo [4].
5.1.2. Mừ hớnh thiết bị SveC vă bộ điều khiển ANFIS
Bằng cừng cụ lă phần mềm Matlab/Simulink ta tiến hănh xđy dựng mừ phỏng hệ thống điện giụ nối lưới.
Hình 5.3: Mừ phỏng sơ đồ khối điều khiển của SVeC