L ỜI CAM ĐOAN
4.2.2 Huấn luyện mạng neuronvà mô hình điều khiển
Căn cứ vào các tập mẫu được xây dựng như trên, khi điện áp tại nút đặt có thay đổi tăng hoặc giảm điện áp 0.2% so với điện áp yêu cầu thì bộ TCR sẽ thay đổi góc mở α để thay đổi điện dẫn TCR, ổn định điện áp.
Mạng neuron lan truyền ngược (backpropagation) là mạng neuron sau khi huấn luyện sẽ cho kết quả chính xác. Các tập mẫu với các tín hiệu đầu vào và đầu ra là một hàm phi tuyến, tín hiệu mong muốn nhận được từ sự thay đổi của điện áp nguồn. Với các yêu cầu trên, chúng ta sẽ chọn mạng lan truyền ngược để huấn luyện cho bộ TCR. Chi tiết huấn luyện sẽ trính bày ở phần phụ lục.
o Khi tín hiệu đầu vào là điện áp U thì tín hiệu đầu ra tương ứng là góc mở α. Do đó mạng neuron được áp dụng huấn luyện là mạng neuron lan t ruyền ngược (backpropagation).
o Một tín hiệu vào và một tín hiệu ra.
o Số lớp ần: 2 lớp
o Số neuron trong lớp ẩn thứ nhất: 50
o Số neuron trong lớp ẩn: 10
o Hàm huấn luyện: tansig và purelin
Hình 4.11. Mô hình huấn luyện mạng neuron cho TCR
Hình 4.12. Quá trình huấn luyện mang neuron cho TCR
o Kết quả huấn luyện:
Hình 4.14. Các trạng thái huấn luyện -Huấn luyện mạng neuron cho các bộ điều khiển thiết bị TSC:
Khi điện áp tại vị trí đặt giảm thì các bộ TSC sẽ phát nguồn công suất phản kháng vào hệ thống, ổn định điện áp. Chi tiết huấn luyện sẽ trính bày ở phần phụ lục.
o Do tính chất cần thực hiện điều khiển là đóng và mở nên khi có tín hiệu đầu vào thì mang neuron sẽ cho ra kết quả là 1 khi TSC đóng và kết quả là 0 khi TSC ngắt. Do đó mạng được áp dụng huấn luyện mạng là perceptron
o Một tín hiệu vào và một tín hiệu ra.
o Số lớp ần: 1 lớp
o Số neuron trong lớp ẩn: 25
o Quá trình huấn luyện:
Hình 4.16. Quá trình huấn luyện mang neuron cho TSC
4.2.2.2 Kiểm tra kết quả sau khi huấn luyện mạng neuron.
Cùng với mô hình đường dây như trên, nhưng bộ thiết bị bù tĩnh SVC sẽ được điều khiển bằng mạng neuron nhân tạo đã được huấn luyện như trên.
Mô hình đường dây:
Hình 4.17. Mô hình đường dây với điều khiển SVC bằng mạng neuron Bộ điều khiển SVC bằng mạng neuron nhân tạo: ta hay thế hai khối Voltage Regulator và khối Distribution Unit bằng một mạng neuron cho TCR và ba mạng cho khối TSC.
Hình 4.18. Mô hình bộ điều khiển SVC bằng mạng neuron
Mạng sau khi huấn luyện thành công cho từng khối điều khiển riêng TCR, TSC1, TSC2, TSC3 thì khi đưa vào thử nghiệm thì kết quả nhận được trong quá trình điều khiển được thể hiện như sau:
• Điện áp [1.0 1.0 1.0] và thời gian t= [0 0.2 0.7]
• Điện áp [1.0 1.05 1.0] và thời gian t= [0 0.2 0.7]
• Điện áp [1.0 0.95 1.0] và thời gian t= [0 0.2 0.7]
• Điện áp [1.0 0.97 1.0] và thời gian t= [0 0.2 0.7]
Hình 4.22. Kết quả điều khiển SVC bằng mạng neuron khi U=0.97pu
NHẬN XÉT:
Góc dẫn α của bộ TCR sẽ thay đổi và kết hợp với sự đóng hoặc mở của các bộ TSC sao cho điện áp tại vị trí đặt không dao động ngoài phạm vi cho phép.
So sánh kết quả từ hai chương trình điều khiển SVC bằng các thuật toán và điều khiển SVC bằng mạng neuron nhân tạo ta thấy:
Về điện áp yêu cầu thì cả hai trường hợp đều có thể điều chỉnh điện áp tại vị trí đặt đạt được giá trị dao động cho phép.
Công suất phản kháng phát hoặc hấp thụ từ SVC của cả hai trường hợp còn khác nhau. Với mô hình điều khiển bằng các thuật toán mà giúp SVC điều chỉnh công suất kháng linh hoạt và ổn định hơn so với điều khiện bằng mạng neuron.
Do các bộ TSC thay đổi việc đóng cắt theo điện áp, nên khi điện áp thấp đưa vào thì các bộ TSC đóng làm điện áp Vmeas tăng lên và vượt so với điện áp đặt. Điều này làm cho các bộ TSC sẽ ngắt, điện áp trở về vị trí ban đầu. Vấn đề này làm cho các bộ TSC sẽ đóng và 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. 4.3.1 Phương pháp điều khiển.
Điều khiển theo vòng kín:
Hình 4.23. Điều khiển theo vòng kín
Để hạn chế việc điện áp nhấp nháy do các bộ TSC đóng cắt liên tục, ta cần duy trì việc điện áp định mức cần thiết cho các bộ TSC đóng duy trì khi điện áp trở về vị trí ban đầu hoặc cao hơn mức đóng của các bộ TSC.
Hình 4.24. Thuật toán điều khiển TSC
Với cách điều khiển vòng kín như thuật toán trên thì ta cần huấn luyện cho mỗi bộ TSC thêm một mang neuron để khi kết hợp với bộ cộng trong chương trình sẽ duy trì được điện áp khi điều khiển. Chi tiết huấn luyện sẽ trính bày ở phần phụ lục.
Quá trình huấn luyện mạng:
o Do tính chất cần duy trì điện áp khi các bộ TSC đóng, không làm cho dao động điện áp cho nên khi đầu vào là điện áp U tương ứng điện áp cho TSC đóng sẽ cho tín hiệu đầu ra là 0.023. Kết quả đầu ra sẽ kết hợp với bộ cộng của chương trình làm điện áp cho bộ TSC duy trì.
o Một tín hiệu vào và một tín hiệu ra.
o Số lớp ần: 1 lớp
Mô hình điều khiển được thể hiện như sau:
KQ NEURON 1 BỘ TSC NEURON 2 NEURON 2 END Vmeas - - + Tín hiệu duy trì 0 0 1 0 1 BỘ CỘNG
Hình 4.25. Mô hình điều khiển SVC theo vòng kín
4.3.2 Kết quả ứng dụng mạng neuron.
Mạng sau khi huấn luyện thành công cho từng khối điều khiển riêng TCR, TSC1, TSC2, TSC3 và mạng được điều khiển theo vòng kín thì khi đưa vào thử nghiệm thì kết quả nhận được trong quá trình điều khiển được thể hiện như sau:
• Điện áp [1.0 1.0 1.0] và thời gian t= [0 0.2 0.7]
• Điện áp [1.0 1.05 1.0] và thời gian t= [0 0.2 0.7]
• Điện áp [1.0 0.95 1.0] và thời gian t= [0 0.2 0.7]
• Điện áp [1.0 0.97 1.0] và thời gian t= [0 0.2 0.7]
Hình 4.29. Kết quả điều khiển SVC bằng mạng neuron vòng kín khi U=0.97pu
4.3.3 So sánh kết quả đạt được.
Bảng 4.2: So sánh kết quả giữa điều khiển thuật toán và mạng neuron
LOẠI ĐIẾU KHIỂN THUẬT TOÁN NEURON
Điện áp yêu cầu 1p.u 1p.u
Thời gian xét 0.5s 0.5s
đặt
Q phát/ hấp thụ -2Mvar 2Mvar
Góc mở α 134 128
Điện áp yêu cầu 0.95p.u 0.95p.u
Thời gian xét 0.5s 0.5s
So sánh điện áp với điện áp
đặt 0.004 0.002
Q phát/ hấp thụ 48Mvar 57Mvar
Góc mở α 134 130
Điện áp yêu cầu 0.97p.u 0.97p.u
Thời gian xét 0.5s 0.5s
So sánh điện áp với điện áp
đặt 0.003 0.001
Q phát/ hấp thụ 28Mvar 31Mvar
Góc mở α 138 132
Điện áp yêu cầu 1.05p.u 1.05p.u
Thời gian xét 0.5s 0.5s
So sánh điện áp với điện áp
đặt 0.006 0.01
Q phát/ hấp thụ -52Mvar -37Mvar
Góc mở α 118 114
NHẬN XÉT:
So vớ phương pháp điều khiển ban đầu thì góc dẫn α của bộ TCR sẽ thay đổi và kết hợp với sự đóng hoặc mở của các bộ TSC sao cho điện áp tại vị trí đặt không dao động ngoài phạm vi cho phép.
Trong quá trình các bộ TSC đóng cắt không còn xảy hiện tượng điện áp nhấp nháy. Duy trì điện áp liên tục trong quá trình điều khiển. Khi các bộ TSC đóng vào thì bộ TCR sẽ điều khiển góc α để đưa điện áp về mức ổn định.
CHƯƠNG 5
KẾT LUẬN VÀ KIẾN NGHỊ 5.1 KẾT LUẬN:
Qua nội dung và kết quả nghiên cứu của bản luận văn có thể rút ra kết luận như sau:
Thiết bị bù tĩnh điều khiển bằng Thyristor (SVC) có khả năng thay đổi thông số lưới điện bằng hệ thống điều chỉnh trơn với thời gian tác động nhanh. Nghiên cứu áp dụng SVC là việc làm hết sức có ý nghĩa, làm cho h ệ thống điện vận hành linh hoạt trong chế độ bình thường và sự cố, tăng độ tin cậy và tính kinh tế trong vận hành. Đồng thời, việc sử dụng SVC đem lại hiệu quả đáng kể nâng cao ổn định điện áp trong các trường hợp sự cố nặng nề và giảm được tổn thất trong toàn hệ thống.
Việc sử dụng SVC có thể phát hoặc hấp thụ CSPK trên lưới, giữ điện áp ổn định trong một giới hạn cho phép. Hiện nay có nhiều phương pháp điều khiển SVC trong đó kết quả điều khiển của SVC bằng mạng neuron là khá tốt. So với việc sử dụng tụ điện thì SVC có thể hiệu chỉnh điện áp nhuyễn hơn, không bị nhảy nấc.
Tốc độ đáp ứng của hệ thống là khá nhanh, đảm bảo tính ổn định của hệ thống.
Mô hình SVC kết hợp với mạng neuron là một hệ thống tương đối ổn định. Tuy nhiên kết quả thực hiện vẫn chưa hoàn chỉnh, vẫn có sai lệch không nhiều trong hệ thống. Để khắc phục các thiếu sót trên cần phải có thời gian huấn luyện mạng lâu dài, chọn các bộ mạng có sai số thấp đáp ứng đúng yêu cầu kỹ thuật.
5.2 KIẾN NGHỊ:
Hiện nay công nghệ truyền tải FACT đã được nghiên cứu và ứng dụng rộng rãi trên thế giới và đem lại lợi ích đáng kể. Với nghiên cứu này có thể là hướng phát triển mới trong kỹ thuật điều khiển, có thể áp dụng mạng neuron nhân tạo vào các lĩnh vực điều khiển khác.
SVC là thiết bị bù tĩnh bằng Thyristor, làm giảm khả năng mất ổn định về điện áp. Song trong thực tế hiện nay thì có nhiều phương pháp điều khiển, với bài luận văn
này đưa ra khả năng điều khiển bằng mạng neuron nhân tạo nhằm đưa ra hướng điều khiển mới với thiết bị SVC.
Tuy nhiên vấn đề điều khiển bằng mạng neuron còn mới, có nhiều sai sót nhỏ chưa hoàn toàn đáp ứng với thực tế. Trong tương lai sắp tới thì ứng dụng điều khiển SVC bằng mạng neuron sẽ được tiếp tục nghiên cứu ngày càng hoàn thiện hơn. Với kết quả này có thể áp dụng vào ứng dụng điều khiển, mở ra trang mới cho truyền tải FACT nói chung và điều khiển bằng mạng neuron nói riêng.
TÀI LIỆU THAM KHẢO
[1] Lã Văn Út, Phân tích và điểu khiển ổn định hệ thống điện, Nhà xuất bản khoa học kĩ thuật, Hà Nội, 2001
[2] Nguyễn Hồng Anh, Nguyễn Bê, “Ứng dụng điện tử công suất trong hệ thống truyền tải điện xoay chiều linh hoạt”, Tạp chí Khoa học và Công nghệ số 40+ 41/200. [3] Trần Bách, Lưới điện & Hệ thống điện, tập 2, tập 3, Nhà xuất bản khoa học kỹ thuật, 2004.
[4] Nguyễn Bính, Điện tử công suất, Nhà xuất bản 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 và lưới phân phối, NXB Khoa học kỹ thuật, 2001.
[7] Phan Xuân Minh, Nguyễn Doãn Phước, Lý thuyết điều khiển mờ, Nhà xuất bản Khoa học và 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 Công Cường, Nguyễn Doãn Phước, Hệ mờ- mạng neuron và ứng dụng, NXB Khoa học và 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 và ứng dụng trong điều khiển tự động, NXB Khoa học và Kỹ thuật, Hà Nội.
PHỤ LỤC
1. Chương trình huấn luyện điều khiển bộ TCR1 bằng mạng neuron:
p = [0.998 0.999 1 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)
2. Chương trình huấn luyện điều khiển bộ TSC_1 bằng 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 1 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 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 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 1 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 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 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);
3. Chương trình huấn luyện điều khiển bộ TSC_1A bằng mạng neuron:
net = newpr([0 0 0.0001 0.999 0.9999 1 1.001], [0 0 0 0.023 0.023 0.023 0.023]); p = [0 0 0.0001 0.999 0.9999 1 1.001]; t = [0 0 0 0.023 0.023 0.023 0.023]; net.trainParam.epochs = 1000; net = train(net,p,t); gensim(net,0.01);
4. Chương trình huấn luyện điều khiển bộ TSC_2 bằng 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 1 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 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 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 1 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 0 0 0 0 0 0 0