کنترل هماهنگ ادوات FACTS نسل اول با استفاده از شبکه عصبی و به منظور افزایش پایداری گذرا در سیستم‌های قدرت
محورهای موضوعی : انرژی های تجدیدپذیر
مهدی قاسمی
1
,
علی رضا روستا
2
,
بهادر فانی
3
1 - کارشناس ارشد/دانشگاه آزاد اسلامی واحد دشتستان
2 - استادیار/دانشگاه صنعتی شیراز
3 - استادیار/دانشگاه آزاد اسلامی واحد نجف آباد
کلید واژه: SVC, پایداری گذرا, مدل تزریق جریانی, شبکه عصبی ADALINE, TCSC,
چکیده مقاله :
این مقاله، به منظور افزایش پایداری گذرا و همچنین افزایش میرائی سیستم روشی خاص از هماهنگی بین ادوات FACTS را ارائه می‌دهد. به منظور افزایش عملکرد و استفاده از کلیه ویژگی‌های TCSC و SVC که در این مقاله ارائه گردیده، لازم است کنترل کننده‌ای مورد استفاده قرار گیرد که محدودیت‌های سایر کنترل کننده‌ها را نداشته و در عین سادگی، قابلیت پاسخگویی سریع و تطبیق با مدل سیستم قدرت را نیز دارا باشد. از این رو این ویژگی‌ها را می‌توان در کنترل کننده‌های هوشمند یافت که شبکه ADALINE از جمله این کنترل کننده‌ها است. برای درک بهتر نسبت به عملکرد کنترل کننده شبکه ADALINE، این کنترل‌کننده با یک کنترل کننده که توسط شاخص کنترل بهینه (LQR) طراحی شده است مقایسه می‌گردد. مدل به کار گرفته شده جهت ادوات FACTS از نوع جریان تزریقی است و به همین دلیل این امکان وجود داشته تا بتوان از یک ماتریسybus فاکتورگیری شده‌ی ثابت در محاسبات استفاده نمود.نتایج شبیه سازی با استفاده از مدل غیرخطی شبکه نشان می‌دهد که کنترل کننده شبکه عصبی ADALINE در مقایسه با کنترل کننده LQR عملکرد بهتری داشته و بهبود قابل توجهی بر روی میرایی و افزایش توان انتقالی در سیستم قدرت را موجب می‌گردد.
In order to improve transient stability and increase the system damping, this paper introduces a specific way of coordination between FACTS devices (TCSC and SVC). In order to improve the performance and use all the features of TCSC and SVC (presented in this article), it is necessary a controller be used in which does not have the limitations of other controllers and simply be also able to quickly respond and adapt to the power system model. Hence, these features can be found in the intelligent controllers in which the ADALINE network is one of them. To better understand the performance of the ADALINE network controller; this controller will be compared with a controller which is designed by the optimal control parameters (LQR). The instruments used for FACTS are from the injection type and therefore, it is possible to use a fixed factorization ybus matrix in the calculations. Simulation results using non-linear network show that the ADALINE neural network controller has better performance than the LQR controller and can cause significant improvement on damping and transmission ability in the power system.
_||_