电力系统及其自动化外文翻译及仿真Word格式.docx
《电力系统及其自动化外文翻译及仿真Word格式.docx》由会员分享,可在线阅读,更多相关《电力系统及其自动化外文翻译及仿真Word格式.docx(14页珍藏版)》请在冰点文库上搜索。
在现有的系统是直流发电机励磁无论是驱动蒸汽涡轮机(上作为同一轴发电机)或异步电动机。
越来越多的固态系统由某种形式组成或整流器晶闸管系统也有由总线提供一个交流发电机励磁机组成。
电压调节器是智能的系统,通过控制励磁输出电压来使得无功功率按照既定的方式变化。
在大多数的系统中,自动电压调节器(AVR)是一个能感应发电机的输出电压(电流),然后启动纠正行动改变着希望的方向励磁控制的控制器。
该AVR的速度对稳定性要求很高。
由于绕组在发电机领域具有较强的电感,这是很难使目前在该领域的迅速变化。
这引入了控制功能,是相当落后的主要障碍之一,以克服在一个设计调节系统[1,4]。
II.暂态稳定分析
在电气系统的可靠性第一需求是保持同步发电机并联工作,并有足够负载能力,以满足需求。
如果在任何时候,系统中的一台发电机失去与其余的同步运行,电压和电流的显着波动的发生和传输将可以从他们的中继系统深刻系统影响配置被自动删除。
第二个需求是维持系统的完整性。
高压输电系统连接的负荷中心的。
这些网络中断具有可以阻碍负载流动的能力。
这通常需要在电力系统进行拓扑结构的研究,几乎所有的电气系统都是相互连接的。
当在正常负载条件下电力系统遭受干扰,那么同步电机电压角将出现重排。
如果在每个系统的生成和加载的干扰之间创建一个不平衡点,一个新的操作点将设立以及电压会有所调整角度。
系统调整到新的运行状态称为“暂态期”,在此期间系统的行为被称为“动态表现”[1]。
作为一种原始的定义,可以说,该系统经过短暂的干扰在短暂的振动响应期间被抑制而系统将在一定时间的推移,到一个新的操作条件,因此系统是稳定的。
这意味着振荡阻尼,该系统具有往往会减少振荡的内在的能力。
根据电力系统的配置和其运作模式,它的不稳定可以显示在不同的方式,但它也可以观察到没有同步的损失。
自动装置控制发电机的输出电压和频率,以使他们不断根据预先设定的值。
这些自动装置包括有自动电压调节器和调速器。
然而所有发电机的运行循环都比AVR的慢,这主要是与其涡轮采取最后行动相关联。
自动电压调节器的主要目的是控制发电机励磁电压调节端电压。
为了保持工作电压在预先确定的限额,AVR必须跟踪发电机在所有时间和任何负载下条件下的端电压。
在此基础上,可以说,AVR的也控制无功功率和机器功率因数,一旦这些变量与发电机励磁的水平。
AVR的质量影响稳态运行过程中电压等级,同时减少在瞬态期间的电压振荡,影响了整个系统的稳定性[1,4,5]。
III.人工智能
采用传统的控制理论控制高度非线性的复杂系统已被证明是非常困难的。
在这些情况下,人工智能的自然语言已被证明是有用的,因为它具有对不确定性的处理,更接近人类的逻辑思维。
而人工神经网络已经从人工智能中被挑选出来了。
IV.人工神经网络(ANNs)
人工神经网络(ANNs)是仿照人类大脑。
这地方有很多名字,如联结,神经计算,并行分布处理(PDP),自然的智能系统,机器学习算法,或者干脆神经网络(NN)。
之所以称为神经网络,是因为它是一个相互关联的因素网络。
这些元素的灵感来自对生物神经系统的研究。
也就是说,神经网络是一个创造的机器工作,通过建立一个类似的方式使用这些机器组件,像生物神经元对人脑的尝试。
神经网络的功能是产生输出模式时,提出一个输入模式。
该人工神经网络领域(ANNs)已经成为巨大且时尚的研究领域,近年来人工神经网络几乎在每一个科学和工程领域都有成功的应用。
人工神经网络可以轻松地处理复杂的问题,并能识别和学习之间的输入数据和相应的目标设定值相关模式。
通过培训,这些网络可以根据新的输入数据来预测结果。
神经网络控制是一种采用人工神经网络的控制方法。
它具有很大的潜力,因为人工神经网络是在一个坚实的数学基础,其中包括通用而且清晰的数学工具。
人工神经网络模型对解决复杂关系的能力,使他们优于传统的控制系统。
传统的控制器需要有关联的控制系统,它可能无法提供有良好知识的数学模型。
而另一方面,大多数神经控制器不需要这样的要求,就可以有效地处理复杂的系统。
他们学会根据曾经培训过的关系中作出输入输出关系。
人工神经肉络进行培训的过程中,确定了系统的实时或离线事上线操作[6-8]。
由于人工神经网络的通用函数逼近,他们可以以任意精度逼近任意连续非线性函数[13]。
人工神经网络固有其他的优点是他们的鲁棒性,并行结构和容错能力[14]。
许多神经网络架构已经被提出。
这些可以大致分为三个大的类别:
前馈(多层)神经网络,反馈神经网络和细胞神经网络。
而本文只关注前馈神经网络。
前馈神经网络可以分为两大类:
多层感知器(MLP)和径向基函数(RBF)神经网络。
我们这里只介绍了RBF网络。
径向基函数网络不仅拥有一个万能逼近属性,而且是最好的逼近性。
没有选择特定的应用程序,隐藏层神经元适当数量的问题。
RBF网络的学习过程是快于MLP的网络,但它们通常需要一个给定的问题更多的隐藏层神经元[15-16]。
V.径向基函数(RBF)网络
我们已经调查该应用程序的径向基函数(RBF)网络的潜力。
由于具有最佳逼近,网络结构简单,高效的学习过程等独特性质,这些网络比其他网络强大。
RBF网络是强大的前馈神经网络结构。
这种类型的网络最初是由哈[17]提出和相应的理论是由鲍威尔[18]发展。
这些网络最初应用于实际多变量插值问题,并首次由布鲁姆黑德和洛韦[19]制定的。
在较早的RBF网络计划,数量的基础上/径向基函数不一定是等于数据点的数量。
这是一个严重的限制,因为在许多应用中,数据点的数量是非常大的。
后来,这个限制被克服,现在的径向基函数的个数一般比数据点的数目。
(1)
一种基于RBF网络包括三个完全不同的层次。
第一层,或叫输入层,由一个钳位输入向量的数量。
隐藏的层的单位组成,每个具有良好的整体响应函数,通常是一个高斯定义如下
(2)
其中
为输入向量,
为是第k个径向基中心以及
为它的方差。
这些中心无论训练阶段前固定或通过网络培训而获得。
第三层每类的输出函数的计算如下
其中M是RBF数量,
是每一个径向基重量。
RBF网络训练的几个方法是在文献中可用。
其中大部分可分为两个阶段。
第一阶段涉及到径向基函数中心和宽度,而第二阶段涉及从隐含层到输出层的连接重量的测定。
事实上,在RBF中心的选择是在设计的RBF网络中最关键的问题。
这些应设根据系统的需求进行建模。
几种不同的算法,可在提供适当的RBF中心选址文献。
在本文中,我们使用由陈[20]发展的正交最小二乘法(OLS)。
该方法的简要说明如下:
我们认为这是线性回归模型的特殊情况下,RBF网络
(2)
(3)
其中
为所需的输出,
为模型参数,
为回归量,
为错误的信号。
在矩阵的符号,上式可写为
(4)
(5)
这一转变,就表明了
向量回归量
组成一组基向量集合,方程的最小二乘解(4)应该满足条件矩阵PQ的乘积是D的这些载体在空间上的投影。
正交最小二乘法(OLS)涉及回归量转化成一个相应的正交基向量集记作
。
例如,标准的Gram-Schmidt正交化程序可用于执行
以及
在一个神经网络的背景下,正交最小二乘法(OLS)学习过程选择了RBF中心
…作为一个训练载体
的子集,其中M小于N。
该中心是由一个接一个定义良好的方式,直到有足够的网络性能构成。
在程序每一个步骤,解释所需响应变异的增量是最大化的。
这样,正交最小二乘法(OLS)学习过程一般产生有一个隐藏的层的RBF网络,这比随机选择的一个中心RBF网络要小。
VI.人工神经网络模型控制器
本文所考虑的系统是同步发电机通过传输具有电阻Re和电感Le(或电抗Xe)线连接到无穷大。
本文介绍的系统是一台机器连接到无穷大(SIMB),如图1所示。
在本文中为了开发的仿真模型,我们认识调速器和AVR励磁同步发电机原理图。
在第一步,我们做了适当的假设,后来我们做了完整的模拟传输函数模型线性化同步发电机模型如图2所示,而在第二阶段,我们认识PID励磁控制系统,如图3所示[4,22,23]。
图1.单机连接到无穷大(SIMB)
图2.Matlab/Simulink中线性完整具有AVR的同步机模型
为我们的研究工作,我们选择这两种模式,因此我们应当知道这种模式来运行所需的参数。
他们是不同的控制器增益,耦合系数或线性化模型(K1的-K6型),速度同步发电机调节时间常数,输入和输出设置的模式,常数。
各组成部分的增益值,以及在这个模拟模型要求提供的其他常量的值通常是从文件收集,文章和书籍[1,4,5,21,24]。
在终端方面有相应的输出电压
和频率偏差阶跃响应
产生,以及对不同参数的影响是可观察的。
没有另有说明的情况下,这个模拟的变量是K1,K2,K3,K4,K5,K6和控制器的增益和时间常数是固定的。
所有的值在单位定义。
在MatlabSimulink下的仿真求解器和时间期限的选择也是一个重要因素,因为它影响到准确性和模型[4,5]的效率。
这个模拟ode45(Dormand-Prince)将会被运用因为与在Simulink提供的其他解决者相比,它被发现产生一个更有效的反应。
在模拟期间设定为10秒,以验证有没有进一步的振荡[5,21,23]。
A.设计径向基函数(RBF)网络
由于径向基网络可以用来近似函数。
它添加到隐藏层神经元,直到满足指定的均方误差的目标[25]。
一个两层的网络创建。
第一层径向基函数神经元,并计算其加权投入和产品的净投入与净。
第二层神经元具有线性传递函数神经元,并通过点积和净输入和总和计算其加权净输入。
两个层都有偏见。
最初,径向基函数没有神经元。
接着的步骤是重复,直到网络的均方误差低于目标范围。
1.该网络是模拟。
2.发现最大误差与输入向量。
3.径向基函数神经元是添加了砝码等于该向量。
4.线性传递函数层权重重新设计,以尽量减少错误。
在这种情况下,前馈网络体系结构创建的两层结构。
有18神经元选择在第一隐藏层激活函数径向基传递函数。
只有1个甚至没有神经元在第二层进行线性传递函数的培训。
传播常数为1.5,以及错误目标是0.0000001。
B.仿真模型的局限性
有一些假设之前作出了仿真模型设计。
它们如下:
●一个单一的涡轮机使用,会产生稳态运行期间(在同步速度)的速度保持不变的恒转矩。
●发电机的输出端连接到无限母线具有恒定的负载。
●电力系统的唯一基础和线性模型组件(如涡轮机,反馈传感器,励磁,调速器等)将被用于除用于同步发电机数学模型。
●本文中所使用的同步电机时间常数被认为是最佳的提取时间常数在[4,5,21,23]的价值观为基础。
C.文件大纲
本文提供了确定在同步发电机励磁系统的RBF神经网络用于暂态稳定检查手段。
在电力系统中的同步电机的反应观察计算机仿真。
对不同的AVR系列,涡轮机和调节器的使用将不包括在本文的范围,从而只探讨使该同步机的影响。
有了正确的同步机模型在电力系统中,我们可以更好地了解机器的反应小的干扰下,不同的操作系统或负载情况,从而设计更好的控制器将是容易的。
[1-5]。
这项研究将是有趣的RBF神经网络的同步发电机励磁响应,以改善电力系统暂态稳定仿真的开创性研究。
VII.结果
图3.MatlabSimulink中一个具有LFC完整的线性化模型和PID结合的AVR励磁系统
图4.MatlabSimulink中AVR和RBF同步控制器的端电压响应
图5.MatlabSimulink中AVR和RBF同步控制器的响应频率偏差
图6.MatlabSimulink中PID结合的AVR和RBF同步控制器的端电压响应
图7.MatlabSimulink中PID结合的AVR和RBF同步控制器的响应频率偏差
图4—7的图形提供了常规控制和人工神经网络(RBF)神经网络控制器的比较性能结果。
两种不同的情况进行了分析,在第一个分析,我们考虑的AVR模型的IEEE[1]的RT-IEEE2,完整线性模型II型,如图2所示,第二个模型的RBF程序选择取自[4,5]有PID控制的AVR励磁同步控制系统如图3所示。
这两种型号的开发和用Matlab软件进行分析。
VIII.结论
从两种模式的研究可以得到,该人工神经网络的径向基控制器提高了反应,实现无振荡,而AVR响应这两项研究提出了一些涟漪和振荡才到达稳态工作点观察。
因此,这表明人工神经网络控制技术及改善同步机暂态稳定。
从这个模拟的结果,它表明,在围绕着对传统控制同步电机励磁控制的人工神经网络具有更好的性能是一个简单的软件技术实现的。
参考文献
[1]Anderson,P.M和Fouad,A.A.,“电力系统控制和稳定”,爱荷华州立大学出版社,美国爱荷华州,1977年。
[2]deMello,F.P.和Concordia,C.,“同步机的稳定性影响的励磁控制的概念,,”IEEE期刊PAS卷88,页316-329,1969Schleif,F.R.;
Hunkins,H.D.;
Martin,G.E.和Hattan,E.E.电子工程“励磁控制,提高了电源线的稳定”,IEEE期刊PAS卷87,第1426至1434页,1968年。
[3]Kundur.P(1999),电力系统稳定与控制,第4版,麦格劳希尔公司
[4]Saddat.P(2001),电力系统的分析,第二版,麦格劳希尔公司
[5]Suykens,J.A.K,第一版,Kluwer学术出版社,1996“人工神经网络的建模与控制非线性系统网络”。
[6]福塞特湖,第二版,PrenticeHall出版社,1994年“神经网络,体系结构,算法和应用基础”。
[7]Tanaka,K.神经网络,卷电机工程学报“一种用于神经网络控制系统稳定性的标准方法”。
7,第3号,第629-642,1996年5月。
[8]Strefezza.M,华(1993),电机及电子学工程师联合会“径向基神经网络的伺服电机的自适应控制器”,IEEE期刊,电力系统,卷二,1993年5月,第413-417。
[9]Poggio,T.和Girosi,F.“逼近和学习网络”,在IEEE期刊卷78,第9号,第1481至1497页,1990年9月。
[10]Warwick,K.;
Irwin,G.W.;
andHunt,K.J.,,“神经网络控制与系统”第1版,彼得Peregrinus有限公司,英国,1992年2月。
[11]Neibur,D.(conveyor),(1995年),报告“人工神经网络的电力系统网络”的转铁蛋白38.06.06,伊莱克特拉第159号,1995年4月。
[12]Ahmed,R.K.;
Rattanb和Khalifa,I,(1995年)“实时跟踪控制的直流电动机用神经网络”,IEEE1995-NAECON,卷二,1995年5月,第593-600。
[13]Burtton,B.R.;
Harley与Habetler,T.(1996年),“识别与控制的异步随机权使用人工神经网络的变化培训电机”,非洲IEEE,卷2,Sept.1996,页833-836。
[14]Unar,M.A.(1999年),“船舶操纵控制采用前馈神经网络”,博士论文,格拉斯哥,格拉斯哥,苏格兰,英国,1999年版
[15]Unar,M.A.,Murry,D.J.(1999年),“船舶自动舵的使用神经网络“,诠释。
J.Adapt。
控制信号处理,卷。
13,pp.203-218,1999。
[16]Hardly,R.L.,“其他的拓扑结构和不规则表面Multiquadric方程式”,J.Geophy.Res.,76(8),1905-1915,1971.
[17]Powell,M.J.D.“多变量插值的径向基函数”,检讨,对职能和逼近算法会议论文集IMA的数据,RMCS,Shrivenham,英国,页143-167,1985。
[18]Broomhead,D.S.与D.Lowe,“多变量函数插值和自适应网络”,复杂的系统2,第321-355,1988
[19]Chen,S.;
Cowan,C.F.N.与P.M.Grant“正交最小二乘径向基函数网络的“算法,IEEE交易神经网络,卷2,第2,第302-309,1991。
[20]Walton,A.“一个系统的分析方法的同步电机参数的频率响应测试,从结果测定方法”,电气工程,澳大利亚,硕士论文。
第20卷第1,第35-42,2000。
[21]Memon,A.P.,Shaikh,A.R.,Unar,M.A.,“一种比例积分微分简易励磁控制仿真技术同步发电机“,迈赫兰大学研究杂志工程与技术,卷。
第21卷第1,第39-46,2000年1月
[22]Memon,Aslam.P.,“人工神经网络中的应用电气发电机励磁系统“,硕士,论文,迈赫兰工程技术大学,Jamshoro,Sindh,巴基斯坦,2002。
[23]美国ANSI/IEEE标准421.1(1986年),符合IEEE标准定义为同步电机励磁系统,美国国家标准协会和学会电气和电子工程师,美国。
[24]MATLAB神经网络工具箱,用户指南(2006年),Mathworks公司公司,,8月14日访问2007。
系统仿真
I.建立模型
根据上文所述,对系统在MatlabSimulink中建立模型,如下图所示:
II.仿真结果
通过运行,得到如下两图所示结果:
与上文图4图5相比较,波形在误差范围内相同!