Application of Neuro-Fuzzy Controller on Voltage and Frequency Stability in Islanded Microgrids

Transcript

1 مجله مهندسي برق دانشگاه تبريز جلد ۴۱ شماره ۲ شماره پياپي ۶۲ كاربرد كنترلكننده فازي - عصبي در پايداري ولتاژ و فركانس ريزشبكههاي جزيرهاي ۳ ۲ ۱ علي حسامي نقشبندي استاديار شورش شكوهي دانشجوي کارشناسي ارشد حسن بيوراني دانشيار چكيده: ۱- گروه مهندسي برق دانشکده مهندسي دانشگاه کردستان- سنندج- ايران hesami@uok.ac.ir ۲- واحد کنترل و ابزار دقيق- شرکت خطوط لوله و مخابرات نفت ايران- خرما باد- ايران- shokoohi@ieee.org ۲- گروه مهندسي برق دانشکده مهندسي دانشگاه کردستان- سنندج- ايران ۳- گروه مهندسي برق دانشکده مهندسي دانشگاه کردستان- سنندج- ايران bevrani@ieee.org در اين مقاله يک روش كنترل افت جديد مبتني بر رهيافت فازي - عصبي در يک ريزشبكه جزيرهاي مطرح گرديده است که با ا موزش مناسب در هنگام تغييرات شديد بار و يا خروج منابع توليد پراکنده از ناپايداري و فروپاشي شبکه جلوگيري ميکند. يكي از چالشهاي موجود در ساختار ريزشبكه عدم وجود توان پشتيبان در حالت جزيرهاي است و با توجه به احتمال هميشگي تغيير توان در بار و همچنين ماهيت غالب ا نوساني توليد منابع توليد پراکنده ناتعادلي بين بار و توليد در ريزشبكههاي جزيرهاي كم تا بيش وجود دارد. اين ناتعادلي منجر به نوسانات ولتاژ و فركانس ميشود و افزايش اين ناتعادلي به ناپايداري سيستم ميانجامد. لذا اراي ه يك ساختار كنترلي قابل اطمينان جهت جلوگيري از ناپايداري سيستم و خاموشي بارهاي حساس ضروري است. ساختار كنترلي فازي- عصبي اراي ه شده در اين مقاله به گونهاي طراحي شده است كه صرفنظر از نوع و ساختار ريزشبکه مي تواند پايداري سيستم را حفظ و نوسانات ولتاژ و فركانس را به حداقل برساند. مهمترين مزيت روش پيشنهادي عدم وابستگي ا ن به ساختار ريزشبكه و شرايط كاري است. واژههاي كليدي: ريزشبكه توليد پراکنده حالت جزيرهايي کنترلکننده فازي - عصبي مشخصههاي افت. Application o Neuro-Fuzzy Controller on Voltage and Frequency Stability in Islanded Microgrids Ali Hesami Naghshbandy, Assistant Proessor, Shoresh Shokoohi, M.Sc Student, Hassan Bevrani, Associate Proessor Abstract: In this paper a novel technique or droop control in islanded Microgrids (MGs) based on neurouzzy technique is presented. With a proper training, this technique can prevent network rom instability and collapse during violent changes in load. Main MGs challenge in the islanded mode is the lack o backup power, where due to change in load, an imbalance occurs between consumption and generation. The imbalance leads to voltage and requency luctuations. Increasing the imbalance may lead to the system instability. Thereore, existence a reliable control structure to prevent the system instability and collapse is needed. The proposed neuro-uzzy control structure is designed to maintain the system stability and minimizing voltage and requency luctuations regardless o MG type and its structure. The most important advantage o the proposed controller is its independency rom the MG structure and operating conditions. Keywords: Microgrid, Distributed generation, Islanded mode, ANFIS controller, Droop characteristics. تاريخ ارسال مقاله: ۹۰/۹/۲۰ تاريخ اصلاح مقاله: ۹۱/۸/۱۵ تاريخ پذيرش مقاله: ۹۱/۷/۲۶ نام نويسنده مسي ول: علي حسامي نقشبندي نشاني نويسنده مسي ول: ايران سنندج دانشگاه کردستان دانشکده- مهندسي- گروه مهندسي برق

2 ۴۲ عصبي... ۱- مقدمه امروزه تغييرات وسيعي در حوزه توزيع سيستمهاي قدرت در حال وقوع است. تراکم حضور منابع تجديد پذير کوچک همانند سلولهاي خورشيدي سلولهاي سوختي و موتورهاي احتراق داخلي کوچک در سطوح توزيع روز به روز بيشتر مي شود. اين افزايش حضور منابع تجديد پذير انرژي در سيستمهاي توزيع ساختار جديدي بنام ريزشبکه را به وجود ا ورده است [۱]. تا پيش از اين سيستمهاي توزيع سيستمهايي وابسته بودند چون در کنار سيستمهاي انتقال موجوديت پيدا ميکردند. با پيدايش توليد پراکنده و ريز شبکه در سيستمهاي توزيع هر دو حالت مصرف و توليد نمود پيدا کرد [۲]. سيستمهاي ريزشبکه داراي اندازههاي مختلفي هستند و ميتوانند به شبکه اصلي قدرت متصل شوند و يا به طور جزيرهاي مورد بهرهبرداري قرار بگيرند [۳]. هر ريزشبکه از چندين منبع توليد توان الکتريکي کوچک به نام منابع توليد پراکنده تشکيل شده است که وظيفه ا نها تامين توان بارهاي محلي است [۴]. در مکانهاي حساس همچون ساختمانهاي تجاري- صنعتي و بيمارستانها که عموم ا اينرسي کمي دارند و کل بار مصرفي ا نها زير يک مگاوات است وجود يک توليد پشتيبان براي مواقع خاموشي ضروري است. به طوريکه اگر به هر دليلي سيستم توزيع دچار اغتشاشي شود که برق توليدي با کيفيت مناسب به مصرف کننده نرسد و از استانداردهاي جهاني پايينتر رود سيستمهاي حفاظتي عمل کرده و ريزشبکه از سيستم توزيع جدا شده و وظيفه تامين توان بارهاي محلي حساس و غيرحساس را به عهده ميگيرد [۵,۶]. به عبارت ديگر وظيفه اصلي اين نوع از ريزشبکهها حفظ کيفيت توان مطلوب براي اينگونه مکانهاي حساس است. منابع توليد پراکنده در سيستمهاي ريز شبکه ميتوانند ژنراتورهاي بادي ميکروتوربينها سلولهاي خورشيدي سلولهاي سوختي و يا منابع ديگر به همراه وسايل ذخيره ساز انرژي همچون ١ و خازنهاي انرژي باشند [۷,۸]. ريزشبكهها باتريها چرخطيارها عليرغم مزاياي فراوان از قبيل کاهش مشکلات زيست محيطي کاهش هزينههاي ناشي از احداث نيروگاه جديد افزايش قابليت اطمينان سيستم افزايش بازدهي در اثر کاهش تلفات توان انتقالي کاهش تراکم در فيدرهاي توزيع مشکلات جديدي را در سيستمهاي توزيع به وجود ا وردهاند [۶,۹]. از جمله اين مشکلات ميتوان به تغيير الگوي پخش بار افزايش هارمونيکهاي فرکانس بالا در اثر کاربرد ادوات الکترونيک قدرت و نوسانات فرکانس و ولتاژ اشاره کرد [۶]. در يک ريزشبکه واحدهاي توليدي کوچکي همراه با يک واسط ٤ ٣ ٢ الکترونيک قدرت (اينورتر ( وجود دارند که ريزمنبع ناميده ميشوند [۶]. اين منابع در مناطق محلي قرار ميگيرند و مزايايي از قبيل داشتن هزينه پايين براي مصرفکننده و توليدکننده ولتاژ کم قابليت ٥ اطمينان بالا افزايش افزونگي و قوت سيستم و انعطافپذيري بالا دارند [۴]. دو دسته اصلي ريزمنبع وجود دارند. يکي منابع DC همانند سلولهاي سوختي و خورشيدي و ديگري منابع فرکانس بالاي AC همانند ميکروتوربينها هستند که نياز به يکسو سازي دارند. در هر دو مورد بايستي ولتاژ DC بدست ا مده به ولتاژ AC قابل قبول تبديل شود [۴]. استاندارد STD IEEE ملزومات تکنيکي جهت اتصال واحدهاي توليد پراکنده به سيستم قدرت الکتريکي را شرح ميدهد [۱۰]. ظرفيت نهايي منابع توليد پراکنده زياد نيست و اثرات قابل توجهي روي شبکه اصلي ندارند ولي انتظار ميرود که با افزايش تراکم ا نها در شبکههاي قدرت در دهههاي ا تي اين اثرات بيشتر خود را نشان دهند [۶]. ٦ ريز شبکه در نقطه اتصال مشترک (PCC) توسط يک کليد قدرت به شبکه اصلي متصل مي شود. هر واحد توليد پراکنده ٧ توسط يک واسط الکترونيک قدرت در نقطه اتصال (POC) مطابق شکل (۱) به ريزشبکه متصل ميشود [۱۱]. اساس طراحي ريزشبكهها بايد به شکلي باشد که بتواند در هر دو حالت وصل و قطع از شبکه اصلي به تغذيه بارهاي محلي ادامه دهد. در هنگام بروز مشکل در سيستم قدرت به جاي خارج شدن منابع پراکنده از مدار ا نها و قسمتي از بارهاي نزديکشان از شبکه اصلي جدا شده و به اصطلاح به صورت جزيرهايي و خودگردان به کار خود ادامه ميدهند [۶]. اما جدا شدن يک ريز شبکه از شبکه سراسري به صورتي پايدار و به نحوي که خللي براي مصرف کنندهها ايجاد نشود يکي از مشکلات اصلي پيش روي طراحان ريزشبكه است. از اين رو يکي از مساي ل مهم در اين زمينه کنترل منابع ريزشبكه مخصوص ا در حالت جزيرهايي ميباشد بدينگونه که منابع بايستي ولتاژ و فرکانس سيستم را کنترل و مجموعهي بارها را بين خود تقسيم کنند. بنابراين ريزشبکهها بايد قابليت مديريت سريع تغييرات توان و فرکانس حادث در شبکه حتي در مواردي که توان توليدي کمتر از ميزان توان مورد نياز مصرفکنندگان است را داشته باشند. براي رسيدن به اين هدف و کنترل پارامترهاي اساسي شبکه مانند ولتاژ و فرکانس وجود چندين کنترل کننده محلي و مرکزي در ريزشبكه الزامي است. PCC POC POC POC شكل (۱): ساختارکلي يک ريزشبکه

3 ۴۳ عصبي... در [۱۲] يك روش کنترل افت با ساختاري متفاوت از روشهاي پيشين اراي ه شده است. در اين روش تعميم يافته تحت تغييرات شديد بار فركانس و ولتاژ سيستم به صورت همزمان كنترل ميشود. به عبارت ديگر از هر دو پارامتر توان حقيقي و غير حقيقي در كنترل افت ولتاژ و فركانس استفاده شده است. در اين روش شاخصي به نام شاخص ميزان مقاومتي بودن خط اراي ه شده است كه به پارامترهاي خط بستگي دارد. در اين مقاله اين ساختار توسط روش فازي- عصبي مدل شده و اين مدل به گونهاي ا موزش ديده است که صرفنظر از اينکه منبع پراکنده در چه ريزشبکهاي و با چه ساختاري قرار گرفته است مي تواند عملکرد روش کنترل افت ذکر شده را با دقت بالايي شبيه سازي و اجرا کند. نتايج شبيهسازي در MATLAB و شاخصهاي تعريف شده در جهت ميزان اعتبار مدل کنترلي مورد نظر گوياي دقت بالاي مدل ميباشد. نتايج نهايي بيانگر کارايي بالاي روش پيشنهادي تحت تغييرات شديد بار حقيقي و راکتيو است. ۲- هماهنگي بين کنترل ولتاژ و فرکانس ريزشبكهها طبقهبندي هاي مختلفي براي ريزشبكهها انجام گرفته است. اين طبقهبندي ها ميتواند بر اساس ظرفيت سطح ولتاژ ميزان حساس بودن بارها و نوع روش كنترلي باشد. اما يك طبقهبندي ديگر نيز براي ريزشبكهها وجود دارد كه عبارت است از طبقهبندي بر اساس نوع ساختار و نحوه ارتباط بين توليد و مصرف. منابع توليد پراكنده در ريزشبكهها توسط خطهايي به بارهاي محلي متصل هستند. اين خطها ممکن است مقاومتي و يا سلفي باشند. بر همين اساس ريزشبكهها را ٩ ٨ به دو دسته ريزشبكههاي مقاومتي و ريزشبكههاي سلفي تقسيمبندي كردهاند. در ١٠ ريزشبكههاي سلفي از مشخصههاي افت توان حقيقي فرکانس (P/) و توان راکتيو ولتاژ (Q/V) و در ريزشبكههاي مقاومتي از مشخصههاي افت توان حقيقي ولتاژ (P/V) و تون غيرحقيقي- فركانس (Q/) استفاده شده است [۱۳-۲۷]. به عنوان مثال مشخصههاي افت P/ و Q/V در شكل (۲) نشان داده شده است. اما اگر مقاومت و اندوكتانس خطها در ريزشبكه تفاوت چنداني با هم نداشته باشند ديگر روشهاي مذکور دقت و كارايي مورد نياز را ندارند. در [۱۲] يك روش کنترل افت همزمان ولتاژ و فركانس اراي ه شده است كه در ا ن با توجه به ميزان مقاومتي و سلفي بودن خط درصد مشاركت توان حقيقي و راکتيو را در كنترل افت ولتاژ و فركانس مشخص ميكند. به عبارت ديگر در كنترل ولتاژ و فركانس همزمان دو پارامتر توان حقيقي و راکتيو خروجي مشاركت ميكنند. شاخص K = R/ X R جهت تعيين ميزان مقاومتي- سلفي بودن خط اراي ه شده است. ساختار اين روش كنترلي در شكل (۳) ا ورده شده است. شکل (۲) : منحني مشخصههاي افت ريزشبکههاي سلفي شکل (۳) : دياگرام بلوکي روش کنترل افت تعميم يافته [١٢] شكل (۳) بيان ميدارد که با توجه به ميزان مقاومتي و سلفي بودن ريزشبکه هم تغييرات فرکانس و هم تغييرات ولتاژ ناشي از هر دو پارامتر توان حقيقي و توان راکتيو ميباشند و ديگر نميتوان دو بحث کنترل افت توان حقيقي- فرکانس و توان راکتيو- ولتاژ را به صورت مجزا بررسي کرد زيرا تغييرات توان بار مصرفي (حقيقي و راکتيو) همزمان هم روي ولتاژ و هم روي فرکانس اثر دارند. نتايج بدست ا مده نشانگر کارابودن اين روش در پايداري ريزشبکه تحت تغييرات شديد بار حقيقي و راکتيو است. مشکل اصلي اين روش وابسته بودن ا ن به پارامترهاي خط (R و X) ميباشد. به طوريکه در ساختار کنترلي هر منبع پراکنده وجود يک R و X مجزا که به بار متصل است لازم است. حال ا نکه ممکن است به تعداد منابع پراکنده خط الکتريکي بين بار و توليد وجود نداشته باشد و لذا عليرغم نتيجه واقعيتر کنترل افت پيشنهادي در [۱۲] ممکن است انتخاب مقدار براي R و X بهکار برده شده در اين ساختار کنترلي با مشکل مواجه گردد. براي مثال ريزشبکه شکل (۴) را در نظر بگيريد. اين ريزشبکه شامل سه منبع پراکنده است که توسط دو خط الکتريکي به دو بار متصل شدهاند. لذا سه ساختار کنترل افت تعميم يافته همانند شکل (۳) با سه مقدار R و X مجزا بايستي براي سه منبع پراکنده در نظر گرفته شود. حال ا نکه در واقعيت دو مقدار R و X وجود دارند. در ضمن با توجه به ساختار ريزشبکه نشان داده شده نميتوان تعيين نمود که هر کدام از اين دو خط بين کدام بار و کدام منبع پراکنده قرار گرفتهاند. ' P ' Q Z X Z X 1 K 1 K R K R K V K K R K R KV V s

4 ۴۴ عصبي... مناسبي باشد. همچنين براي تخمين بهتر و تلفات توان کمتر قيودي به شکل رابطه (۲) ميتواند در نظر گرفته شود. d E & dv E Ω Ω 0.01 Ri 5 Ω Ω 0.01 Xi 0.3 i i v (۲) شکل (۴): يک ريز شبکه شامل سه منبع توليد پراکنده و دو بار محلي لذا ميتوان گفت در ريزشبکههاي شامل چندين واحد توليد پراکنده و چندين بار با توجه به وجود چندين خط الکتريکي در سيستم و ناتواني در پيدا کردن پارامترهاي معادل خط براي هر واحد توليد پراکنده بايستي راهکاري اراي ه شود تا علاوه بر استفاده از ساختار واقعيتر کنترل افت (کنترل افت تعميم يافته) بتوان بر مشکل چگونگي انتخاب پارامترهاي خط مورد نياز اين ساختار کنترلي غلبه کرد. راه حل اوليه ميتواند استفاده از الگوريتمهاي تکاملي در جهت انتخاب مقادير بهينه پارامترهاي خط باشد. با توجه به انتخابي بودن پارمترهاي خط ا نها را ميتوان پارامترهاي مجازي خط ناميد. براي مثال ميتوان يک تابع هدف به صورت رابطه (۱) تعريف نمود و پارامترهاي بهينه خط را با استفاده از الگوريتمهاي تکاملي در جهت کمينه سازي تابع هدف بدست ا ورد. x = α d x + β dv x i = 1,2,..., n (۱) که در ا ن: ( ) i i( ) i i( ) i ( x) d i dv i α i β i n در رابطه (۱) مقادير تابع هدف انحرافات ولتاژ و فرکانس انحراف فرکانس خروجي منبع پراکنده i ما انحراف ولتاژ خروجي منبع پراکنده i ما ضريب استرس فرکانس در باس i ما ضريب استرس ولتاژ در باس i ما تعداد کل منابع پراکنده موجود در ريزشبکه α i β i و ميتواند با توجه ميزان اهميت منبع پراکنده iام نسبت به منابع پراکنده ديگر انتخاب شود. مجموع β i ها بايستي يک (%۱۰۰) شود. براي مثال استفاده از αها i و کل ١١ الگوريتم تکاملي بهينه سازي ازدحام ذرات (PSO) براي ريزشبکه (۴) شکل جهت تخمين پارامترهاي مجازي خط ميتواند انتخاب که در ا ن: E E v R i X i بيشينه انحراف فرکانس قابل قبول بيشينه انحراف ولتاژ قابل قبول مقاومت مجازي خط منبع پراکنده i ما راکتانس مجازي خط منبع پراکنده i ما. هر چند استفاده از الگوريتمهاي تکاملي PSO در تخمين بهينه پارامترهاي خط مورد نياز روش کنترل افت تعميميافته براي ريزشبکه- هايي با ابعاد کوچک همچون ريزشبکه شکل (۴) ميتواند موثر باشد اما چنانچه ريزشبکه مورد نظر داراي ابعاد وسيعي باشد به طور مثال تعداد واحدهاي توليد پراکنده موجود در ريزشبکه زياد باشند تعداد پارامترهايي که بايستي تخمين زده شوند زياد شده و اين مستلزم محاسبات و صرف زمان بيشتر است. به عبارت ديگر در استفاده از روشهاي تکاملي براي تخمين پارامترهاي خط ريزشبکههاي گسترده بايستي در هر مرحله تکرار سيستم اجرا شود تا مقادير مورد نياز تابع هدف ذخيره گردد که فرا يندي زمانبر است. از سوي ديگر هر چقدر ابعاد سيستم بزرگتر شود احتمال اينکه روش تکاملي بکار برده شده در مينيممهاي محلي گير بيفتد بيشتر ميشود. براي رفع اين مشكل بايستي ساختاري اراي ه داد كه هم دقت روش كنترل افت تعميم يافته را داشته باشد و هم به ساختار ريزشبكه وابسته نباشد. استفاده از سيستم استنتاج تطبيقي فازي - ١٢ عصبي (ANFIS) ميتواند انتخاب معقولي باشد. كه با ا موزش مناسب ا ن ميتوان به اهداف مورد نظر دست يافت. ۳- روش فازي - عصبي ١٣ شبکههاي عصبي مصنوعي (ANN) از خانوادههاي ١٤ الگوريتمهاي هوشمند هستند که ميتوانند هم در شناسايي و هم در کنترل بکار روند. شبکههاي عصبي توانايي يادگيري رفتار سيستمها را دارند. در سيستمهاي غير خطي ميتوانند براي تشخيص دقيق رفتار سيستم مورد استفاده قرار گيرند. اخير ا ANN ها در شناسايي و کنترل سيستمهاي ديناميکي غيرخطي مورد استفاده قرار گرفتهاند که اين امر به دليل توانايي اين شبکهها در تخمين دقيق رفتار سيستمهاي با گستره وسيع توابع غيرخطي است [۲۸]. ١٥ منطق فازي ابزاري مفيد در حوزه مهندسي کنترل است که ميتواند در کنترل پارامترهاي متغير سيستمهاي زمان واقعي مورد استفاده قرار گيرد [۲۹]. ترکيب اين منطق با شبکههاي عصبي نتايج مفيد و ارزشمندي را در بر دارد. شبکههاي عصبي ميتوانند از داده ا موزش داده شوند اما برعکس Z1=0.23 +j0.1 Z2=0.35 +j0.58

5 ۴۵ عصبي... شبکههاي عصبي منطق فازي هيچگونه توانايي در يادگيري ندارد.[۲۸] در اوايل دهه ۹۰ Jang اين دو روش را با هم ترکيب کرد [۳۰]. اضافهکردن قدرت يادگيري شبکههاي عصبي به منطق فازي يک ١٦ تکنيک هايبريد جديدي را به وجود ا ورد که به سيستم استنتاج تطبيقي فازي-عصبي مشهورشد [۲۸]. در اين روش اصلاح قانونهاي فازي در حين يادگيري امکانپذير است و نيز با تنظيم مناسب ANN هيچ نيازي به داشتن اطلاعات ١٧ قبلي در مورد توابع عضويت و قوانين نيست و توابع عضويت بهينه بمنظور دستيابي به دسته دادههاي ورودي/خروجي مطلوب بدست ميا يد.شکل توابع عضويت به مقادير پارامترهاي ا ن بستگي دارد. ANFIS اين پارامترها را به صورت خودکار انتخاب ميکند و ديگر نيازي به دخالت انسان در تعيين اين پارامترها نيست بهطوري که با استفاده از دادههاي ورودي/خروجي مطلوب يک سيستم استنتاج 18 فازي (FIS) ساخته ميشود که پارامترهاي توابع عضويت با استفاده ٢٠ ١٩ از الگوريتمهاي پس انتشار و خطاي حداقل مربعات (LSE) تنظيم ميشوند [۳۱]. ساختار کلي يک ANFIS در شکل (۵) نشان داده شده است که شامل پنج لايه است. در لايه اول که به لايه عضويت مشهور است وزنهاي هر تابع عضويت بررسي ميشوند. در اين لايه مقادير ورودي به توابع عضويت اعمال ميشوند تا شبکههاي فازي متناسب با متغيرهاي ورودي بدست ا يد. خروجي لايه دوم ضرب سيگنال هاي ورودي است که در واقع معادل قسمت اگر قوانين هستند. در لايه سوم ٢١ که لايه قانون ناميده ميشود سطح فعاليت هر قانون محاسبه ميشود. تعداد لايهها برابر با تعداد قانونهاي فازي است. خروجي اين لايه نرماليزه شده لايه قبلي است. لايه چهارم مقادير خروجي ناشي از استنتاج قوانين را بدست ميا ورد. ٢٢ اين لايه لايه استنتاج فازي ناميده ميشود. و در نهايت از لايه خروجي خروجي كل سيستم بدست ميا يد. اين شبكه معادل سيستم استنتاج فازي Sugeno است [۳۱]. تنظيم پارامترهاي قابل اصلاح يک فرا يند دو مرحلهاي است. ابتدا اطلاعات تا لايه چهارم پيش ميروند و به جلو انتشار مييابند و پارامترها توسط روش LSE تشخيص داده ميشوند. سپس پارامترها ٢٣ در لايه دوم با روش کاهش گراديان اصلاح ميشوند. ANFIS از روش يادگيري پسانتشار براي ا موزش پارامترهاي مربوط به توابع عضويت و روش LSE براي تعيين پارامترهاي نهايي استفاده ميکند. هر مرحله در فرا يند يادگيري شامل دو قسمت است. الگوهاي ورودي منتشر ميشوند و پارامترهاي بهينه نهايي با روش تکرار LSE تخمين زده ميشوند. پارامترهاي مفروض در جريان هر سيکل ا موزش ثابت فرض ميشوند. الگو دوباره منتشر ميشود و در اين تکرار براي اصلاح پارامترهاي قضيه از روش پسانتشار استفاده ميشود [۳۱]. Layer 0 Layer 1 Layer 2 Layer 3 Layer 4 Layer 5 N P N N Σ Output ( or V) Q N شکل (۵) : ساختار کلي يک ANFIS

6 ۴۶ عصبي... ۴- طراحي کنترل کننده ANFIS به شرطي که ANFIS خوب ا موزش ديده باشد ميتواند در کاربردهاي کنترلي عملکرد رضايت بخشي داشته باشد. ابتدا روش کنترل افت تعميم يافته [۱۲] را که در سادهترين ريز شبکه ممکن مطابق شکل (۶) بهکار برده شده است توسط روش ANFIS مدل کرده و پس از اطمينان از معتبر بودن مدل بجاي دياگرام بلوکي شکل (۳) از مدل ANFIS ا ن استفاده شده است. در اين کار جعبه ابزار منطق فازي [32] MATLAB براي طراحي و تست کنترلکننده ANFIS بکار برده شده است. ميباشد: -۱-۲ -۳ مراحل اصلي ا موزش و مدلسازي کنترلکننده به صورت زير داده مورد نياز جهت ا موزش و تست ANFIS با طراحي و تست کنترل افت تعميميافته روي سيستم شکل (۵) و ذخيره ورودي و خروجيهاي مورد نياز بدست ميا يد. اين دادهها تحت تغييرات شديد بار اکتيو و راکتيو بدست ميا يند تا تمامي شرايط کاري در اين مجموعه داده در نظر گرفته شود و مدل بهتر ا موزش ببيند. پس از بدست ا وردن مجموعه داده ساختار ANFIS تشکيل داده ميشود. توابع عضويت ورودي و خروجي به شکلهاي خطي و گاوسي در نظر گرفته ميشوند. پس از ايجاد ساختار ANFIS توسط روش هايبريد بهينه (ترکيب LSE و پسانتشار) با تلرانس خطاي ۰/۰۰۰۰۱ rms و براي ۵ دوره ا موزش داده ميشود. خروجي کلي سيستم با استفاده از استنتاج فازي نوع Sugeno با ترکيب خروجي همه قوانين تعيين ميشود. - ۱-۴ اعتبار مدل پس از طراحي کنترلکننده ANFIS ابتدا معتبر بودن ا ن از لحاظ شبيه بودن رفتارش به کنترل افت تعميميافته بررسي ميشود. همانطور که گفته شد مدل ANFIS بر اساس کنترل افت تعميم يافته بکار برده شده در سيستم ريزشبکه ساده شکل (۶) ايجاد ميشود. کنترل افت تعميم يافته براي سيستمهايي که داراي نسبت R/X=1 هستند از نظر ميزان تغييرات ولتاژ حين تغييرات توان بار R پاسخ مناسبتري دارند. لذا از دادههاي ورودي/خروجي بدست ا مده از حالت = 1 K براي ا موزش ANFIS استفاده شده است. همانگونه که از شکل (۳) مشخص است کنترل افت تعميم يافته شامل دو ورودي و دو خروجي است که به ترتيب عبارتند از توان حقيقي- توان راکتيو و فرکانس دامنه ولتاژ. با توجه به اينکه در ساختار ANFIS فقط يک خروجي مجاز است لذا به ناچار از دو ساختار ANFIS استفاده شده است که خروجي يکي فرکانس و ديگري دامنه ولتاژ است. نحوه قرار گيري ا نها در سيستم مذکور در شکل (۷) نشان داده شده است. پس تابعهاي در نظر گرفته شده براي هر ANFIS داراي دو ورودي و يک خروجي ميباشند. براي اينکه مدل ANFIS به بهترين شکل ممکن رفتار کنترل افت تعميم يافته را شبيهسازي کند و کمترين خطا را داشته باشد بايستي دادههاي ورودي (توان حقيقي و راکتيو) دامنه وسيعي از تغييرات را در بر گيرد. لذا تغييرات بار حقيقي و راکتيو از بيباري تا بار کامل و حتي %۱۰ اضافه بار در نظر گرفته شده است. پس از توليد مجموعه داده ورودي- خروجي و اعمال ا نها به جعبه ابزار ANFIS متلب مدل ا موزش داده ميشود. بايستي توجه کرد که به دليل فرکانس بالاي سوي يچينگ اينورتر (در اين کار ۴۰۰۰ هرتز) زمان نمونه برداري شبيه سازي ۱۰۰۰۰۰ نمونه در ثانيه در نظر گرفته شده است تا ANFIS به خوبي بتواند رفتار سيستم را بازسازي کند. شکلهاي (۸) و (۹) به ترتيب توابع عضويت مربوط به هر دو ورودي و نحوه ارتباط پارامترهاي ورودي و خروجي را پس از ا موزش به صورت رويه نشان ميدهد. پس از ا موزش قوانين فازي مشخصي براي ولتاژ و فرکانس بدست ميا يد که براي نمونه در شکل (۱۰) قوانين مربوط به خروجي فرکانس نشان داده شده است. براي ارزيابي کارايي مدل ANFIS طراحي شده دو دسته داده از دادههاي واقعي و ا موزش ديده شده به عنوان داده تست انتخاب شده و با هم مقايسه ميشوند. شکل (۱۱) خروجي هاي شبکه ANFIS را بر حسب خروجيهاي واقعي نشان ميدهد. براي نشان دادن ميزان همبستگي بين دو دسته داده واقعي و ا موزش ديده شده ابزار ا ماري مناسبي وجود دارد که ضريب همبستگي نام دارد. ضريب همبستگي شدت رابطه و همچنين نوع رابطه (مستقيم يا معکوس) را نشان ميدهد. اين ضريب بين ۱ تا - ۱ است و در صورت عدم وجود رابطه بين دو متغير برابر صفر است. ' P ' Q 0 δ V s شکل (۶) : يک ريز شبکه ساده جزيرهاي شکل (۷) : وروديها و خروجيهاي کنترلکننده ANFIS طراحي شده

7 فلا( ب( عصبي... تبريز جلد ۴۱ شماره ۲ ۴۷ /مجله مهندسي برق دانشگاه به صورت زير تعريف همبستگي بين دو متغير تصادفي X و Y ميشود: دسته داده شکل (۱۱) به رابطه (۳) مقدار با اعمال هر دو ۰/۹۹۹۹۹۵۷۳۴۳۶۸۹۳۶ به عنوان ضريب همبستگي بدست ميا يد دو کنترلکننده نشاندهنده دقت بالاي فرا يند ا موزش است. اکنون که کنترل افت تعميم (۱۲) جايگزين ا موزش ديده ANFIS مطابق شکل تحت تغييرات شديد بار اکتيو و راکتيو پروفيل ميشوند. سپس يافته و فرکانس سيستم شامل ANFIS با کنترل افت تعميم يافته ولتاژ مقايسه ميشود. cov( X, Y) E[( X µ X)( Y µ Y)] corr( X, Y) = = σ σ σ σ X Y X Y (۳) عملگر اميد رياضي cov به معناي کوواريانس corr که در ا ن E نماد معمول براي همبستگي پيرسون و σ نماد انحراف معيار است. ( شکل (۱۰) : قوانين فازي مربوط به خروجي فرکانس ANFIS ا موزش ديده ( اول ب) تابع عضويت ورودي توابع عضويت ANFIS ا موزش ديده الف) شکل (۸) : تابع عضويت ورودي دوم شکل (۱۱): ا موزش ديده نمايش ارتباط بين پارامترهاي ورودي و خروجي ANFIS شکل (۹) : ديده نسبت به خروجي واقعي خروجي شبکه ا موزش Source V c PWM Inverter Gate Bus = Asin(2πt) π A L C L c ANFIS Controller ANFIS Controller S P' Q ' ωc s + ω c ωc s + ω c p q Z=R+jX Instantaneous Active and Reactive Power L V I L O A D در [۱۲] VSI اراي ه شده ساختار کنترل اينورتر شکل (۱۲): با جايگزيني کنترل کننده ANFIS به جاي کنترل افت تعميم يافته Journal o Electrical Eng., Vol. 41, No. 2 Serial No. 62

8 عصبي... کنترل کننده فازي کاربرد ۴۸ شکل (۱۵): پاسخ ولتاژ و فرکانس منبع توليد پراکنده 1 تحت تغييرات شديد بار شکل (۱۳): سناريوي تغييرات بار اکتيو و راکتيو شديد بار شکل (۱۴): پروفيل ولتاژ و فرکانس تحت تغييرات شده ساختار اطمينان از کارايي کنترلکننده طراحي براي ANFIS روي يک ريزشبکه با ابعاد بزرگتر ا زمايش ميشود. نمايش (۱۶) نشان داده شده است يک ريزشبکه ۱۱ باسه در شکل تک خطي مشخصات بارها در پيوست ا ورده شده است. [33]. پارامترهاي خط و در باسهاي در زمانهاي ۰/۵ ۰/۳ و ۰/۷ ثانيه به ترتيب يک تغيير بار بار در جدول (۲) بيان شده رخ ميدهد. چگونگي اين تغيير ۵ ۲ و ۸ شکل (۱۷) است. پروفيل ولتاژ و فرکانس تحت اين روند تغيير بار در نشان داده شده است. نتايج شبيهسازي نشان ميدهد که کنترلکننده سيستم را تضمين ميکند. شديد بار پايداري ANFIS تحت تغييرات 20 kv 380 v Main Grid 20 kv 380 v PCC 1-۲-۴ اعمال کنترل کننده به سيستم (۱۳) نشان داده توان حقيقي و راکتيو بار در شکل سناريوي تغييرات نامي منبع توليد پراکنده 30 kva ميباشد. مشخصات شده است. توان فرکانس ا ورده شده است. شکل (۱۴) پروفيل ولتاژ و اينورتر در پيوست با هم نشان ميدهد که نشاندهنده معتبر بودن دو کنترلکننده را کنترل کننده ANFIS با دقت بالا است. طراحي شده عدم وابستگي ا ن از مزاياي کنترلکننده ANFIS به شرايط کاري عدم نياز به پارامترهاي خط و مهمتر از ا نها عدم که در ا ن قرار دارد. وابستگي ا ن به ريز شبکهاي است با توجه به مزاياي مذکور کنترلکننده مورد نظر روي ريزشبکه و با نتايج بدست ا مده از PSO مقايسه شده است. شکل (۴) ا زمايش نتايج بدست ا مده تحت سناريوي تغيير بار جدول (۱) در شکل موثر و عملکرد مناسب کنترل (۱۵) نشان داده شده است. کارايي ريزشبکه ا زمون ۱۱ باسه :(۱۶) شکل کننده طراحي شده ثابت ميشود. ريزشبکه جدول (۲): فرا يند تغيير بار در شماره باس ۱۱ باسه تغيير بار ) (kvaa زمان تغيير بار( s ) 10+j3 13+j5 16+j جدول بار در ريزشبکه شکل (۴) (۱): فرا يند تغييرات [kva] 2 بار 10 j40 10 j [ kva بار ] 1 [s] فاصله زماني j Journal o Electrical Eng., Vol. 41, No. 2 Serial No. 62

9 عصبي... ۴۹ شکل (۱۷): پروفيل ولتاژ و فرکانس ريزشبکه ۱۱ باسه حين فرا يند تغيير بار جدول (۲) ۵- نتيجه گيري در اين مقاله ضمن معرفي مختصر ريزشبكهها به مشكلات و مزاياي استفاده از ا نها در سيستمهاي قدرت مدرن اشاره گرديد. سپس يك ساختار جديد مبتني بر سيستم استنتاج تطبيقي فازي- عصبي معرفي گرديد. ساختار کنترلي اراي ه شده در اين مقاله تحت تغييرات پلهاي بار بين فرکانس و ولتاژ ريزشبكه هماهنگي لازم را انجام ميدهد. اين كنترلكننده توسط مجموعه داده ورودي/ خروجي مطلوب ا موزش ديده است و قابليت پياده سازي روي ريزشبكههايي با ساختارهاي مختلف را دارد و تحت تغييرات شديد بار ميتواند پايداري سيستم را حفظ كند و از فروپاشي ولتاژ و فركانس سيستم جلوگيري كند. نتايج شبيهسازي کارايي و اعتبار کنترل کننده پيشنهادي را نشان ميدهد. ضمايم مشخصات اينورتر پارامتر مقدار پارامتر مقدار 30 µ F C 5Ω 3mH 0.1Ω 380 vrms V L - L r 50 Hz c LLc rlc 30 kva 4 khz P nom K 6mH L -100 s K 0.2Ω r v بار موجود در ريزشبکه ۱۱ باسه شماره باس بار kva) ( پارامترهاي الکتريکي ريزشبکه ۱۱ باسه شماره خط باس i ما باس j ما R(Ω) X(Ω) مراجع [1] H. Bevrani, M. Watanabe, Y.Mitani, "Microgrid Controls", To be published as invited Chapter in: Standard handbook or Electrical engineers, 16 th Edition. H. waynebeaty (Ed), McGraw-Hill; Expected Dec [2] J. Driesen, G. Deconinck, W. D haeseleer, R. Belmans, "Active User Participation in Energy Markets Through Activation o Distributed Energy Resources", IEEE Power Engineering Society general Meeting, pp. 1-4, [3] R. Lasseter, A. Akhil, C. Marnay, J. Stephens, J. Dagle, R. Guttromson, A. S. Meliopoulous, R. Yinger, J. Eto, "Consortium or Electric Reliability Technology Solutions", [4] R. Lasseter, "MicroGrids", Power Engineering Society Winter Meeting, IEEE, vol.1, no., pp vol.1, [5] F. Katiraei, M. R. Iravani, P. W. Lehn, "Micro-grid autonomous operation during and subsequent to islanding process", IEEE Trans. Power Del., Vol. 20, No. 1, pp , [6] A. A. Salam, A. Mohamed, M. A. Hannan, "Technical challenges on Microgrids", Asian Research publishing Network (ARPN), Vol. 3, No. 6, pp , [7] T. Ackermann, G. Andersson, L. Soder, "Distributed Generation: a deinition", International Journal o ElectricPower Systems Research, Vol. 57, No. 3, pp [8] A. Madurieira, C. Moreira, J. P. Lopes, "secondary Load- Frequency Control or MicroGrids in Islanded Operation". [9] S. Dia, G. Notton, M. Belhamel, M. Haddadi, A. Louche, "Design and techno-economical optimization or hybrid PV/wind system under various metrological conditions", Applied energy 85, pp , [10] "IEEE Standard or Interconnecting Distributed Resources With Electric Power Systems", IEEE Std , pp. 1-16, [11] H. Bevrani, T. Hiyama, "Intelligent Automatic Generation Control", CRC Press, USA, V(rms) (H z) Buses Voltage Time (s) Buses Frequency Time(s) 20+j j10 9 V1 V2 V3 V4 V5 V7 V8 V9 V10

10 عصبي... ۵۰ Power Systems, IEEE Transactions on, vol.21, no.2, pp , May [28] F. Rashidi, "Sensorless Speed Control o Induction Motor Derives Using a Robust and Adaptive Neuro-Fuzzy Based Intelligent Controller, IEEE International Conerence an Industrial Technology (ICIT), PP , [29] A. Kusagur, S. F. Kodad, B. V. Sankar Ram, "Modeling, Design & Simulation o an Adaptive Neuro-Fuzzy Inerence System (ANFIS) or Speed Control o Induction Motor, International Journal o Computer Applications, vol. 6, no. 12, pp , Sept [30] J. Roger Jang, "ANFIS: Adaptive-Network-Based Fuzzy Inerence System, IEEE Transactions on Systems, Man, and Cybernetics, vol. 23, no. 3, pp , May/June [31] L. Wang, C. Singh, A. Kusiak, "Wind Power Systems, Applications o Computational Intelligencel", Springer, USA, [32] MATLAB/SIMULINK TM, [33] S. Papathanassiou, Study-case LV Network. [Online] Available: Case%20LV-Network.pd 1 Flywheels 2 Power electronic interace 3 Inverter 4 Microsource 5 Robustness 6 Point o common coupling 7 Point o coupling 8 Resistive Microgrid 9 Inductive Microgrid 10 Droop characteristics 11 Particle swarm optimization 12 Adaptive neuro-uzzy inerence system 13 Artiicial neural networks 14 Identiication 15 Fuzzy logic 16 Hybrid techniques 17 Membership unctions 18 Fuzzy inerence system 19 Back-propagation 20 Least square error 21 Rule base layer 22 Deuzziication 23 Gradient descent method شکوهي مشتاق و بيوراني بهبود پايداري گذراي ريزشبکههاي مبتني بر منابع پراکنده اينورتري دومين کنفرانس شبکههاي الکتريکي هوشمند دانشگاه صنعتي اميرکبير تهران سوم و چهارم خرداد ۱۳۹۱ ا درس اينترنتي: زيرنويسها [۱۲] [13] R. Lasseter, "MicroGrids", Power Engineering Society Winter Meeting, Vol. 1, No., pp , [14] T. L. Vandoorn, B. Meersman, L. Degroote, B. Renders, L. Vandevelde, "A Control Strategy or Islanded Microgrids With DC-Link Voltage". [15] M. C. Chandorkar, D. M. Divan, R. Adapa, "Control o parallel connected inverters in standalone AC supply systems", Industry Applications, IEEE Transactions on, Vol. 29, No. 1, pp , [16] Y. W. Li, C. N. Kao, "An Accurate Power Control Strategy or Power-Electronics-Interaced Distributed Generation Units Operating in a Low-Voltage Multibus Microgrid", Power Electronics, IEEE Transactions on, Vol. 24, No. 12, pp , [17] J. M. Guerrero, L. G. de Vicuna, J. Matas, M. Castilla, J. Miret, "A wireless controller to enhance dynamic perormance o parallel inverters in distributed generation systems", Power Electronics, IEEE Transactions on, Vol. 19, No. 5, pp , [18] H. Laaksonen, P. Saari, R. Komulainen, "Voltage and requency control o inverter based weak LV network microgrid", Future Power Systems, 2005 International Conerence on, 2005 [19] A. Engler, O. Osika, M. Barnes, N. Hatziargyriou, "DB2 evaluation o the local controller strategies", 2005, [20] R. Lasseter, P. Paigi, "Microgrid: a conceptual solution", Power Electronics Specialists Conerence, PESC IEEE 35th Annual, vol.6, no., pp Vol.6, 20-25, June 2004 [21] J. M. Guerrero, J. Matas, J.; L. G. de Vicuna, M. Castilla, J. Miret, "Wireless-Control Strategy or Parallel Operation o Distributed-Generation Inverters" Industrial Electronics, IEEE Transactions on, vol.53, no.5, pp , Oct [22] T. L. Vandoorn, B. Renders, L. Degroote, B. Meersman, L. Vandevelde, "Active Load Control in Islanded Microgrids Based on the Grid Voltage", Smart Grid, IEEE Transactions on, vol.2, no.1, pp , March [23] R. Majmuder, Modeling, stability, analysis and control o microgrid, Ph.D. Thesis, Queensland University o Technology, Queensland, Australia, [24] E. Barklund, N. Pogaku, M. Prodanovic, C. Hernandez- Aramburo, T. C. Green, "Energy Management in Autonomous Microgrid Using Stability-Constrained Droop Control o Inverters", Power Electronics, IEEE Transactions on, vol.23, no.5, pp , Sept [25] J. M. Guerrero, J. C. Vasquez, J. Matas, L. G. de Vicuna, M. Castilla, "Hierarchical Control o Droop-Controlled AC and DC Microgrids A General Approach Toward Standardization", Industrial Electronics, IEEE Transactions on, vol.58, no.1, pp , Jan [26] G. Diaz, C. Gonzalez-Moran, J. Gomez-Aleixandre, A. Diez, "Scheduling o Droop Coeicients or Frequency and Voltage Regulation in Isolated Microgrids", Power Systems, IEEE Transactions on, vol.25, no.1, pp , Feb [27] J. A. P. Lopes, C. L. Moreira, A. G. Madureira, "Deining control strategies or MicroGrids islanded operation"