雷竞技网页版研究和评论——国际期刊雷竞技苹果下载

国际创新研究期刊》的研究在科学、工程和技术

菜单

ISSN在线(2319 - 8753)打印(2347 - 6710)

所有提交的电磁系统将被重定向到在线手稿提交系统。作者请直接提交文章在线手稿提交系统各自的杂志。

设计电力系统稳定器对系统阻尼瞬态干扰使用灰色简称ANFIS技术

Pratibha Srivastav1Manoj Kumar Jha2库雷希第一3
  1. 应用数学、Rungta工程学院sujeet kumar印度
  2. 部门电气工程印度政府,理工学院Narayanpur
相关文章Pubmed,谷歌学者

访问更多的相关文章国际创新研究期刊》的研究在科学、工程和技术

国际创新研究期刊》的研究在科学、工程和技术

文摘

本文描述了设计过程基于灰色简称ANFIS的电力系统稳定器(GrANFISPSS),调查他们的多机电力系统的鲁棒性。选择一台机器的速度偏差及其导数GrANFIS-PSS作为输入信号。四通机械和两个区域电力系统作为案例研究。计算机模拟测试系统受到瞬态干扰即三相故障,进行,结果表明,该控制器能够证明其有效性,提高系统阻尼相比传统的基于领先-落后的电力系统稳定器控制器。仿真结果表明GrANFIS-PSS设计可以实现良好的性能仅仅使用灰色预测和自适应神经模糊推理系统(简称ANFIS)。GrANFIS-PSS旨在潮湿的地方和inter-area低频振荡多机电力系统。通过应用这种GrANFIS-PSS inter-area模式的电力系统阻尼振荡的多机电力系统得到恰当的处理。的有效性提出GrANFIS-PSS证明在两个区域四机电力系统(Kundur系统),它提供了一个学习控制性能的综合评价。最后,几个故障和负载扰动仿真结果提出了对压力的有效性提出GrANFIS-PSS多机电力系统,表明,该智能控制的动态性能改善GrANFIS-PSS和相关的电力网络

关键字
灰色预测、电力系统振荡的线性模型,简称ANFIS

介绍
电力系统振荡的阻尼转矩发生由于缺乏发电机转子。发电机转子的振动引起其他电力系统变量的振荡(总线电压、总线频率、输电线路主动和被动的权力)。电力系统振荡之间的范围通常是0.1和2赫兹的数量取决于发电机。本地振荡躺在上部的范围,由单一的振荡发生器或一组发电机与系统的其余部分。相比之下,inter-area振动在低频率范围的一部分,包括组之间的振动发电机。
提高振荡的阻尼电力系统,电力系统稳定器(pss)应用于选定的发电机可以有效地抑制局部振荡模式而inter-area振荡辅助控制器可以应用。这些控制器的设计是基于传统方法设计的基于线性化模型不能提供令人满意的性能在一个广泛的操作点和大扰动下。神经网络,享受各种各样的优势(如高速、泛化能力和学习能力),非线性控制设计是一个可行的选择。
它已经成功地应用于动力系统的识别和控制领域特别是在自适应控制利用在线培训。直接和间接自适应控制延时和RBF神经网络已经讨论了这种系统,依赖于标识符和控制器的连续在线培训网络。提出了单神经元和multi-neuron径向基函数控制器(时滞)大小的UPFC控制单一machine-infinite-bus和摘要电力系统,声称提供最好的电力系统的暂态稳定性能。这是因为输出层可以优化RBF完全使用传统的线性建模技术,但在线性优化可用于RBF网络的输出层的径向单位必须决定,然后他们的中心和偏差必须设置。使用噪,帮助控制功率振荡阻尼在大型电力系统由几个研究人员研究了多年。本文的实现GrANFIS-PSS多机电力系统被描述。初始值的隶属度函数和规则库的简称ANFIS取得了使用动态行为的知识多机电力系统的电力设备,然后隶属度函数的值被简称ANFIS的优化。GrANFIS-PSS的性能与传统控制器的操作条件比较。
电力系统发生低频振荡扰动。如果没有提供足够的阻尼,这种振荡可以增加并导致系统分离。电力系统稳定器(PSS)安装在电力系统发电机提高阻尼和提供补充反馈稳定信号扩展电源稳定极限。根据传统pss,提出特征赋值方法是迭代和导致沉重的计算,这导致耗时的计算机代码。此外,初始化步骤至关重要,影响最终的控制系统的动态响应。从一个给定的一组特征值,可以通过简单地改变不同的设计中涉及的参数初始化的步骤。数学规划技术已经应用于协助这些传统pss的最终标准;然而,他们不顾守旧和导致约束的数量大大增加。敏感性因素的优化过程需要计算和eigen-factors在每个迭代。这导致沉重的计算任务和收敛速度慢。 The search process will somehow be trapped in local minima and the solution obtained will not be optimal.
至于现代控制理论,提出了几种方法来改善PSS设计问题;这些包括最优控制、自适应控制、变结构控制和智能控制。本文介绍了一种基于灰色预测和电力稳定器简称ANFIS设计控制器。的影响提出GrANFIS-PSS设计控制系统的动态特性研究。仿真结果说明了该控制器的有效性。这些结果已经从模拟研究获得一个四通机械电力网络。在这项研究中,系统已经受到严重的干扰,即突然三相短路故障的系统汇流之一。这个测试演示了系统的暂态稳定的增强。在这个GrANFIS-PSS基础设计、规则提取从一个传统的控制器给一个初步的解决方案。速度偏差及其导数作为GrANFIS-PSS的输入。 The ANFIS is used as a second design method. Training data are taken from the output of a conventional controller and are fed to ANFIS for training. The proposed design approaches are applied to a 4 machine two-area power system. Different size of an input/output membership function and defuzzification methods are used to assess the effectiveness of the proposed controller in terms of damping out the electromechanical modes of oscillation.

二世。灰色模型

GM(1,1)模型
由邓(1989)引入灰色系统理论在本质上是非常类似于FL认为这完全是脆的。理论也;像FL,是比较新的。灰色系统理论(图1)可以简单地概括为问题的一种方法和系统组成的不确定性和缺乏足够的信息,“灰色”一词表明了系统信息之间的清晰,当然知道的(白色部分)和未知的包含任何系统的知识结构(黑色部分);所以灰色系统包括部分已知和未知部分的特点。不同于统计预测方法通常需要大型过去一段时间数据集有更好的变量的随机过程的规律性,灰色理论使用累积生成操作(前)获得规律通过噪音减少了将模糊的原始时间序列数据转换为一系列单调增加(见图2)。
图像
前在灰色系统理论的重要性源于它的能力将未被利用的随机数据有用的常客系列和逆累积通用操作(伊阿古);这是其他重要工具的灰色系统理论,将这以前生成的常客系列行数据序列。灰色模型的基本思想是构造一个普通微分方程的帮助下前用一般形式表示为通用汽车(n, m), n表示常微分方程的顺序和m表示数量的灰色变量定义的顺序前,伊阿古。n和m的增加也增加了计算时间成倍增长可能导致正确性缺陷,使用最广泛的模型,灰色系统理论GM(1,1)具有重要的优势可以概括为使用的任何类型的数据分布包括较小的数据集和更少的计算要求。
为了平稳随机性,从系统获得的原始数据建立GM(1, 1)受到经营者,名叫积累代操作(前)。微分方程(即GM(1,1))因此进化是获得未来n-step解决系统的预测价值。最后,使用预测价值,逆累积操作(伊阿古)应用于发现原始数据的预测价值。考虑一个单输入单输出系统。假定时间序列X(0)代表了系统的输出:
图像
图像
图像
图像
参数(α)GM(1, 1)模型被称为“发展系数”体现了发展X (1) p和X p (0)。参数b被称为“灰色行动数量”反映的变化中包含的数据,因为来自背景值。基于上述描述,灰色预测由前,伊阿古,GM(1,1)可以由图2显示的是灰色过程。
图像
自从GM(1, 1)模型拥有几下非线性预测字符数据样本(至少4分)以及神经网络具有记忆功能,我们提出一个grey-neural模型补偿方法在本研究中。过去的数据x (tk), ....x (t−1) x (t)是用于建立GM(1, 1)模型和阈值是用来决定是否信号[x (t−k) ....x (t−1) x (t);x (t +γ)]是一种异常状态。即,如果预测误差大于阈值,那么[x (t−k) ....x (t−1) x (t);x (t +γ)转移到神经网络,GM(1,1)是主要因素,而神经调谐器分析数据。如果有不适当的条件下,神经网络残留误差将适当修改预测数据。

GrANFIS-PSS结构
这个系统的模糊推理系统是两个输入和一个输出高木涉和Sugeno一阶模糊if - then规则和与25 GrANFIS-PSS架构使用规则的框图说明在图2。GrANFIS-PSS的输入速度偏差的速度偏差和变更。语言规则,考虑植物的依赖输出控制信号,用于构建初始模糊推理结构。输入扩展块真正的输入映射到规范化输入空间的隶属度函数定义。定标器的输出用于地图的输出模糊推理系统所需的实际产出。输入信号是fuzzified使用五个模糊集人工智能和Bi, i = 1到5。任何连续和分段可微函数是合格的候选节点前提简称ANFIS结构参数的函数。这项工作考虑高斯函数作为初始模糊隶属函数,以最大等于1和最小等于0,是由
图像
ci的中心向量函数,有相同的维度作为输入向量,σi特定参数的高斯函数,高斯函数μi中心词具有唯一的最大价值。前提参数的初始值设置这样的MF是等距的范围[1]。推理系统的输出线性隶属函数和模糊if - then规则的规则库五高木涉和Sugeno (TS)的类型的
如果ΔωA1和Δω(t - 1)是A2 fi =πΔω+气Δω(t - 1) + ri (15)
Δω和Δω(t - 1)是系统的输入而A1和A2在前期,模糊集和π,气和ri是随之而来的参数。

三世。简称ANFIS训练
简称ANFIS训练适应的步骤提出建设的初始模糊前提参数最优输入输出模式来执行所需的控制作用在不同的操作条件。简称ANFIS使用混合学习算法来识别顺向Sugeno-type模糊推理系统的参数。它应用最小二乘方法和反向传播梯度下降法训练模糊推理系统隶属函数参数跟随给定的训练数据集。神经模糊系统很大程度上从前馈神经网络监督学习能力。模糊系统的输出近似的前提参数集(ci,σi)是由五层的简称ANFIS训练网络,节点的功能如下:
图像
图像
图像

5层
层5是一个固定节点的函数求和计算整体输出“你所说的所有传入信号的求和图3显示2-input,简称ANFIS 25规则。五个隶属度函数与每个输入相关联,所以输入空间划分为25模糊子空间,每一个都是由模糊if - then规则。规则的前提部分描绘了模糊子空间,而随之而来的部分指定的输出在这个模糊子空间。学习算法的选择是基于计算复杂性和性能之间的权衡。这项工作中采用的学习方法是混合学习规则,结合最小二乘估计量和梯度下降法。这种混合学习技术加速学习过程相比,梯度法,展品的倾向成为困在局部最小值。

四、GRANFIS-PSS的训练阶段
训练数据是通过模拟电力系统受到广泛的可能的干扰。转子转速的输出及其衍生物作为训练数据,ΔωdΔω和控制行动数据“u”作为模型的输入是通过模拟系统在上述条件下。这种形式的训练数据排列(ΔωdΔω,u)。

设计基于灰色简称ANFIS的电力系统稳定器(GrANFIS-PSS)
在灰色系统理论中,预测误差是用来代替目前的测量误差。在灰色的发展类似,简称ANFIS建立电力系统稳定器(GrANFIS-PSS),预测误差是系统的错误。灰色的方块图简称ANFIS建立电力系统稳定器(GrANFIS-PSS)提出了本文是显示在图4。
图像
为了适应预测控制器的不同状态变化的误差和误差的导数,另一个模糊控制器的设计。这个简称ANFIS控制器的输入是e和eA‹™。输出y。三角形隶属度函数用于模糊化的过程。
模糊变量e和eA‹5™划分为若干个子集(NL、NS、锆、PS、PL)和输出变量y是划分为5个子集(VS, S,医学博士,B, VB)。e的范围,eA‹™和u被认为是[-0.5;2],[-0.07,0.07]和[0,80],分别。
物理领域可以从生成的模拟数据计算的常规控制器;之间安装总线之间的5和公交7和另一个总线分别6和公交9。规则库的模糊控制器的输入和输出之间的关系可以从以下算法:
图像
图像
在MATLAB中,简称ANFIS编辑图形用户界面可在模糊逻辑工具箱使用给定的输入/输出数据集,工具箱中构造了一个模糊推理系统(FIS)的隶属函数参数调整仅使用反向传播算法,或结合一种最小二乘的方法。这使得模糊系统学习电力系统阻尼的数据使用GrANFIS-PSS建模。back-propagation-based的去噪方法,它包括Sugeno的模型使用以下格式:
如果速度偏差错误是Δω,加速度是dΔω是不是ups
ups =πΔω+气dΔω+国际扶轮
,i = {1, n * m}指的规则数量,j = {1, n}指偏移速度误差的模糊集,n, m是指生成的数量条款,k = {1, m}指加速度项模糊集,π,气,ri是第i个顺向(PSS)输出参数。GrANFIS-PSS控制器的输入信号的PSSΔωdΔω

诉模拟研究

输入转矩阶跃变化参考
与发电机操作1部件的有功功率和功率因数滞后0.92,25%的步骤减少输入转矩在t = 0.18 s参考应用。发电机的转速偏差提出了PSS和传统PSS图五所示。与选定的PSS参数,提出独立主办和PSS响应非常接近对方。
图像
改变操作点0.65部件生成功率和功率因数0.84,25%的步骤减少输入转矩在t = 0.18 s参考应用。速度偏差提出了PSS和传统PSS是图6所示。提出了PSS显示更好的阻尼

切换的一行
p.u 0.88的操作点。,0.95 power factor lag, one circuit of the double circuit transmission line was switched off at t=8 s. Before the line disconnection, 0.18 p.u. step increase
图像
在输入转矩在t =参考应用。88年代在t = 4.8 s和删除。第二个0.25部件一步输入转矩增加参考应用于t = 12 s和删除在t = 15 s .输电线路故障。系统的响应与传统PSS和拟议的PSS图7所示。提出了PSS的反应显示了振荡少于常规PSS和展示了更好的性能。

三相接地故障
三相接地故障定位在60%的距离沿着线是应用在t = 0.55 s和t = 0.758 s的故障清除。反应不稳定剂和常规PSS和。
图像
提出了PSS Fig.8所示。系统不稳定剂和传统PSS都是不稳定的。系统提出GrANFIS-PSS高度振荡,但它是稳定的。

健壮性测试改变形状和数量的隶属度函数
两个区域的单行的图,4-machine测试系统,如Fig.9所示,用于检查本地和inter-area振动控制问题。本系统是专门为inter-area振荡问题的分析和研究。如上述所示单行的图有四个发电机,G.1 G.2 a1, G.3 G.4面积2,和四个20/240 kV升压变压器。系统中有两种加载在巴士3和13所示。这个系统展示三个机电振荡模式,一个inter-area机组在一个区域振荡模式在其他地区。这种模式的频率变化从0.45到0.85 Hz取决于操作条件。两个本地振荡模式代表之间的机组在每个区域。本地模式大约是1.8赫兹的频率和负载阻抗建模为常数。一套GrANFISPSS控制器用于发电机一号和一个conventional-PSS 2号发电机。为了测试GrANFIS-PSS提出设计过程的鲁棒性,实验是也是一个三相接地故障之间的中间一个输电线路公交车3和13,0.07秒后清除跳闸断层线。
图像
结果表明,振荡阻尼GrANFIS-PSS时更有效地使用。Fig.10到15中所示的结果,可以看出,混合高斯/三角MF给最好的结果比对。这里最好方式在最短的时间内达到稳定状态条件下,最小偏差。通过使用妈妈去模糊化方法,在Fig.12(见),控制器落定在零突然从每个细胞移到细胞的规则。这是预期的,因为妈妈更适合决策问题。
图像
图像
图像

六。结论
在这项研究中,GrANFIS-PSS提出了阻尼振荡和相比,该控制系统的有效性与传统控制器在某些干扰。控制器是众所周知的长椅上测试马克Kundur提出的电力系统模型称为两个区域4台机器系统。从结果可以得出结论,GrANFIS-PSS生产没有稳态误差和可接受过度在某些干扰。GrANFIS-PSS的在这个研究工作涉及到设计,建立基于数据生成的传统控制器。生成模糊规则和输入输出域范围已被调查。已经发现GrANFIS-PSS提供更多针对严重干扰的鲁棒控制与传统相比更快settlingtimes领先-落后稳定器。

引用
  1. Momoh正当,EL-Hawary M.E.,“Electric systems, dynamics, and stability with artificial intelligence applications,” Marcel Dekker, New York, 2000.
  2. Kundur P。,“Power System Stability and Control”, Mc-Graw Hill Press, 1993.
  3. Noroozian M。,Andersson G., “Damping of inter-area and local modes by use of controllable components,” IEEE Transactions on Power Delivery, Vol. 10, No. 4, pp. 2007-2012,1995.
  4. 许Y.Y.,Chen C.R.,“Tuning of fuzzy power system stabilizers using artificial neural network,” IEEE Transactions on Energy Conversion, Vol. 6, No. 4, pp. 612-619,1991.
  5. 陈X.R.,Pahalawaththa N.C., Annakkage U.D., Kumble C.S.,“Design of decentralized output feedback TCSC damping controllers by using simulated annealing,” IEE Proceedings on Generation, Transmission and Distribution, Vol.145, No. 5, pp. 553-558, 1998.
  6. Prasertwong K。,Mithulananthan N., “Conventional and fuzzy logic controllers at generator location for low frequency oscillation damping,”International Journal of Electrical Power and Energy Systems Engineering, Vol. 2, No. 3, pp. 136-144, 2009.
  7. 陈g P。,Malik O. P., Hope G. S., Qin Y. H. and Xu G. Y.,"An adaptive power system stabilizer based on the self-optimizing pole shifting control strategy", IEEE Trans. On Energy Conversion, Vol. 8, No. 4, pp. 639-645, 1993.
  8. Kotari m . L。,Bhattacharya K. and Nanda J., "Adaptive power system stabiliser based on pole-shifting technique", IEE Proc.- Gener. Transm. Distrib., Vol. 143, No. 1, pp. 96-98, 1996.
  9. 哈里里和马利克o . P。,"A fuzzy logic based power system stabilizer with learning ability", IEEE Trans. on Energy Conversion, Vol. 11, No. 4, pp. 721-727, 1986.
  10. 哈桑·M·a . M。,马利克o . P。and Hope G. S., "A fuzzy logic based stabilizer for a synchronous machine", IEEE Trans. on Energy Conversion, Vol. 6, No. 3, pp. 407-413, 1991.
  11. El-Metwally k。,Hancocky g . C。,马利克o . P。,"Implementation of a fuzzy logic pss using a micro-controller and experimental test results", IEEE Trans. on Energy Conversion, Vol. 11, No. 1, pp. 91- 96, 1996.
  12. 萨勒姆·M·M。,Zaki A. M., Mahgoub O. A., Abu El-Zahab E. and Malik O. P., "Experimental verification of a generating unit excitation neurocontroller", IEEE Power Engineering Society Winter Meeting, Vol. 1, pp. 585-590, 2000.
  13. Abdel-Magid y L。,Bettayeby M。,Dawoud M . M。,"Simultaneous stabilisation of power systems using genetic algorithms", IEE Proc.-Gener. Transm. Distrib., Vol. 144, No. 1, pp. 39-44, 1997.
  14. Abido m a和Abdel-Magid y L。,"A genetic-based power system stabilizer", Electric Machines and Power Systems, Vol. 26, pp. 559-571, 1998.
  15. Abdel-Magid y L。,Abido m·A。,Al-Baiyat S. and Mantawy A. H., "Simultaneous stabilization of multimachine power systems via genetic algorithms", IEEE Trans. on Power Systems, Vol. 14, No. 4, pp. 1428-1439, 1999.
  16. 拉克希米·p·汗和阿卜杜拉M。,"Stability enhacement of a multimachine power system using fuzzy logic based power system stabilizer tuned through genetic algorithm", Electric Power and Energy Systems, Vol. 22, pp. 137-145, 2000.
  17. 罗杰Jand J。,"ANFIS: adaptive-network-based fuzzy inference system", IEEE Trans. on Systems, Man and Cybernetics, Vol. 23, No. 3, pp. 665-685, 1993.
  18. Fraile-Ardanuy J。“设计的自适应神经模糊PSS调整遗传算法”。博士论文。马德里理工大学(西班牙),2003年5月。
  19. 许k . Y。,Cheng C. H. “Design of Fuzzy Power System Stabilizer for multimachie power systems”, IEE Pt C, May (1990).
  20. 许k . Y。,Chen C. R.. (1991). “Tuning of Power System Stabilizer using Artificial Neural Network” IEEE Trans. Energy Convers. 6(4): 616– 619.