کنترل فرکانس بار یک سیستم قدرت دو ناحیهای به کمک کنترل کننده BELBIC مسعود نصیری حسن فاتحی مرج 1- دانشجوی کارشناسی ارشد دانشگاه آزاد اسالمی واحد علوم وتحقیقات سیرجان 2- استادیار دانشگاه ولی عصر رفسنجان nasiri@didehbonyan.com نام ارائهدهنده: مسعود نصیری خالصه در این مقاله یک کنترل کننده مقاوم برای یک سیستم قدرت دو ناحیه ای جهت رفع انحراف فرکانس و توان انتقالی با توجه به اختالالت بارهای مختلف پیشنهاد شده است. در سال های اخیر توجه زیادی به طراحی کنترل کننده های هوشمند شده است. یادگیری عاطفی مغز مبتنی بر کنترل هوشمند) BELBIC ( مدلی از سیستم لیمبیک در مغز پستانداران است. مطالعات قبلی نشان می دهد که این کنترل دارای واکنش سریع مقاوم و پیاده سازی ساده می باشد. شبیه سازی های انجام شده از این کنترل کننده بر روی سیستم قدرت دو ناحیه ای نشان می دهد که این کنترل دارای واکنش سریع و مقاوم می باشد. کلمات کلیدی سیستم قدرت دو ناحیه ای کنترل هوشمند (BELBIC( انحراف فرکانس کنترل کننده های هوشمند یادگیری عاطفی مغز مبتنی بر 1. مقدمه امروزه سیستمهای قدرت باید در فرکانس ثابت کار کنند تا برای مصرفکنندگان خود قابل اعتماد باشند زیرا در یک شبکه قدرت افت زیاد فرکانس میتواند منجر به ایجاد جریانهای شدید مغناطیسی در موتورهای القایی و ترانسفورماتورها بشود و صدمات جبرانناپذیری به مصرفکنندگان و سیستم انتقال وارد نماید[ 1 ]. در محدوده مشخص مسئله کنترل توان اکتیو خروجی واحدهای سیستم قدرت در پاسخ به تغییرات فرکانس و کنترل توان بین ناحیهای خطوط 1 معروف است[ 2 ]. حفظ کردن فرکانس به صورت یکنواخت تنظیم و کنترل توان تبادلی بین نواحی در مقدار ثابت از به مسئله کنترل بار فرکانس 2 اهداف کنترل بار فرکانس میباشد. جهت تنظیم دقیق فرکانس در مقدار نامی نیاز به یک کنترلکننده میباشد. روشهای مختلفی جهت کنترل بار فرکانس در سیستمهای قدرت بکار گرفته شده است از جمله میتوان به کنترلکننده مقاوم 3 QFT کنترلکننده مقاوم الگوریتم ژنتیک 4 کنترلکننده مقاوم H با استفاده از میتوان اشاره کرد[ 1 ]. 5 LMI 1 Lines Tie 2 Load Frequency Control 3 Quantitative Feedback Theory 4 Genetic Algorithm 5 Linear Matrix Inequalities
در سالهای اخیر توجه زیادی به طراحی کنترلکنندههای هوشمند شده است که از جمله میتوان به طراحی کنترلکنندهها بر اساس شبکههای عصبی مصنوعی و منطق فازی اشاره کرد. یادگیری عاطفی 1 الگوریتمی از خانواده الگوریتمهای هوشمند میباشد و یک یادگیری راهبردی است که در مغز پستانداران رخ میدهد. از ویژگیهای مهم این الگوریتم انطباق پارامترهای سیستم خود برای مقابله با محیط در حال تغییر میباشد[ 4 ]. در سالهای اخیر این الگوریتم دارای موفقیتهای زیادی در زمینه کنترل بوده است و به عنوان یک الگوریتم قدرتمند در موتور سنکرون مغناطیس دائم داخلی [5] 2 میکرو مبدله یا حرارتی [6] 3 و دیگر سیستمهای غیرخطی [7] 4 مورد استفاده قرار گرفته است. در این مقاله جهت کاهش انحرافات فرکانسی در حالت دینامیکی سیستم قدرت کنترلکننده BELBIC پیشنهاد شده است. مدل بار فرکانس سیستم قدرت دو ناحیهای مدل سیستم مورد مطالعه که در شکل) 1 ( نشان داده شده است شامل دو ناحیه کنترلی میباشد و توسط یک خط انتقال به هم متصل شدهاند..2 در این مدل و به ترتیب تغییرات بار در ناحیه اول و دوم میباشد و و تغییرات فرکانس در ناحیه اول و دوم سیستم میباشد.. شکل 1 - سیستم قدرت دو ناحیهای برای بیان فضای حالت سیستم قدرت مشتقات فرکانس ناحیه اول و دوم یعنی و را به عنوان متغیرهای فضای حالت انتخاب شدهاند. معادالت دینامیکی سیستم قدرت را در معادالت زیر میتوان مشاهده کرد. )1( ;, ; ; ; 1 Emotional Learning 2 Interior Permanent Magnet Synchronous Motor 3 Micro-Heat Exchanger 4 Nonlinear Systems
; ; ; 3. کنترل مبتنی بر یادگیری عاطفی مغز فرایند تصمیمگیری در مغز انسان محدود به محاسبه و منطق که توسط قشر فوقانی انجام میگیرد نیست بلکه عواطف که منشأ آنها در مخچه و مغز میانی میباشد نیز در تصمیمگیری دخیل هستند. در واقع حل یک مسئله با توجه به پیچیده بودن راه حل مبتنی بر محاسبه و منطق گاه بسیار مشکل است. از این رو پیش از اینکه مسئله در سطح شناختی یعنی با در نظر گرفتن بازنمایی کامل محرک خارجی پردازش شود پردازش مسئله در سطح ادراکی با کمک یک بازنمایی سادهتر از محرک خارجی توسط عواطف صورت گرفته و به سرعت یک جواب موقتی و نسبتا خوب به دست میآید. از این رو پردازش عاطفی به فرآیند تصمیمگیری سرعت میبخشد [4]. یکی از عواملی که به تازگی با الهام از سیستمهای زیستی به عنوان عامل مهم در تصمیمگیری وارد عرصه هوش مصنوعی شده است عاطفه میباشد[ 4 ]. یافتههای جدید علوم عصبی نشان دادند که عاطفه نقش مهمی در استدالل و تصمیمگیری بشر دارد[ 8 ]. در سالهای اخیر ارائه مدل محاسباتی از بخشهایی از مغز که وظیفه پردازش عاطفی را بر عهده دارند مورد توجه قرار گرفته است. در روشه یا مبتنی بر مدلهای محاسباتی عواطف به صورت سیگنالهای بازنمایی محیط خارجی هستند. در تحقیقات روانشناسی عواطف به عنوان معیار تعیین درجه مطرح شدهاند. در رویکردهای کنترلی نیز همین راهکار دنبال میشود. در کنترلکننده هوشمند مبتنی بر یادگیری عاطفی در مغز 1 ) BELBIC (که در این مقاله مورد توجه قرار گرفته است عامل هیجان به عنوان عامل منفی در نظر گرفته شده است و تنظیم پارامترهای کنترلکننده بر اساس آن انجام میشود. مدلی از پردازش عاطفی را که شامل آمیگدال 3 قشر اوربیتوفرونتال 4 تاالموس 5 ورودیهای حسی کورتکس 1 و قسمتهایی که مورن و بالکینیس 2 در سیستم پردازش عاطفی نقش دارند ارائه کردهاند[ 9 ]. شکل) 2 ( مدل ارائهشده را نشان میدهد. مدل ارائه شده از دو قسمت آمیگدال قشر 1 Brain Emotional Learning Based Intelligent Controller 2 Moren and Balkenius 3 Amygdala 4 Orbitofrontal Cortex 5 Thalamus
اوربیتوفرونتال تشکیل شده است. آمیگدال بخشی از مغز است که مسؤولیت پردازشهای عاطفی را بر عهده دارد و با الیه حسی غده تاالموس و قشر اربیتوفرونتال در ارتباط است. تاالموس و قشر اربیتوفرونتال در مدل محاسباتی دارای ساختار شبکهای هستند که در هر کدام از آنها به ازای هر ورودی حسی یک گره وجود دارد. در آمیگدال یک گره نیز برای میباشد[ 8 ]. ورودی تاالموس وجود دارد که مقدار این ورودی برابر با حداکثر مقدار ورودیهای حسی شکل 2 - تصویر گرافیکی از کنترلکننده هوشمند مبتنی بر یادگیری عاطفی مغز) BELBIC ( S محرکهای ورودی به سیستم میباشد. به ازای هر ورودی S یک گره A وجود دارد و A th بزرگترین ورودی) S ( میباشد. A th=max(s i) )2( خروجی گرهها در آمیگدال و قشر اربیتوفرونتال به ترتیب بر اساس معادالت ) 3 (و) 4 ( محاسبه میشود. A i=s iv i O i=s i Wi )3( )4( که در آنها A i و O i به ترتیب خروجی گرهها در ساختار شبکهای آمیگدال و قشر اربیتوفرونتال V وW وزن گرهها هستند. تغییرات V و W در فرایند یادگیری به ترتیب با استفاده از روابط )5( و )6( محاسبه میشود. )5( 1 Sensory Input Cortex
)6(. فراموش کردن اطالعات یاد گرفتهشده در آمیگدال نمیتواند انجام شود زیرا مقادیر Ai نمیتواند کاهش یابد در حقیقت فراموش کردن یا به تعبیری بازدارندگی در قشر اربیتوفرونتال امکان دارد[ 8 ]. )7( در این نمونه خروجی سیستم از رابطه زیر به دست میآید. سیستم کنترلی BELBIC اولین بار توسط لوکاس ارائه شد که در شکل )3( بلوک کنترلی آن را میتوان مشاهده کرد. شکل 3 - بلوک دیاگرام کنترلی BELBIC 4. شبیه سازی مقدار نامی پارامترهای سیستم قدرت مطابق جدول )1( در نظر گرفته شده است. جدول 1 - پارامترهای سیستم قدرت دو ناحیهای پارامترها ناحیه اول ناحیه دوم T P T G T T 22Sec 2020Sec 2032Sec 22Sec 2020Sec 2032Sec R 2042 Hz/p.u.MW 2042 Hz/p.u.MW K P 122 Hz/p.u.MW 122 Hz/p.u.MW T 12 a 12 202020Sec -1 پارامترهای α و β کنترلکننده BELBIC برابر مقدار ثابت 01 انتخاب است.
.5 نتیجهگیری در بررسی سیستم تغییرات بار به صورت پله فرض شده است. به ترتیب در شکل )5( و )6( تغییرات فرکانس و همچنین توان انتقالی بین خطوط سیستم قدرت بدون کنترلکننده را به ازای تغییرات بار پله میتوان مشاهده کرد. در شکل) 7 ( و )8( به ترتیب تغییرات فرکانس ناحیه اول و دوم سیستم قدرت با کنترلکننده BELBIC را به ازای تغییرات بار ترسیم شده است. شکل 5 - تغییرات فرکانس سیستم قدرت بدون کنترلکننده به ازای تغییرات بار پله شکل 6 - توان انتقالی بین خطوط سیستم قدرت بدون کنترلکننده به ازای تغییرات بار پله
دیگر دارد. شکل 0 -تغییرات فرکانس سیستم قدرت با کنترلکننده BELBIC به ازای تغییرات بار پله در بررسی نتایج شبیهسازی مشاهده میشود که در تغییرات فرکانسی نواحی اول و دوم زمان نشت و اوج پاسخ پله بهتر از کنترلکنندهه یا همچنین نتایج شبیهسازی تغییرات توان انتقالی سیستم قدرت با کنترلکننده BELBIC در شکل )9( ترسیم شده است. شکل 0 - توان انتقالی بین خطوط سیستم قدرت با کنترلکننده BELBIC به ازای تغییرات بار پله همان طور که دیده می شود کنترل کننده BELBIC برای یک سیستم قدرت دو ناحیه ای در برابر نوسانات مقاوم بوده و همچنین پاسخ ها دارای Undershot کم می باشد و کنترل کننده توانسته است پایداری دینامیکی مناسبی برای سیستم ایجاد کند.
6. قدردانی در پایان از پروفسور کارولوکس که انگیزه اصلی اینجناب در انجام این پژوهش بودهاند تشکر و قدرانی میکنم. پروفسور کارو لوکس از پژوهشگران بهنام سیستمهای هوشمند در ایران بود. زمینه پژوهشهای او پیشبینی سریهای زمانی مدلهای عاطفی و منطق فازی بود. او در سال ۵۸۳۱ خورشیدی به عنوان چهره ماندگار شناخته شد. وی همچنین به عنوان»پدر علم رباتیک ایران«شناخته میشود. 0. مراجع مبتنی بر الگوریتم SMC بار فرکانس کنترلکننده طراحی ه. بالل پور آ. سخاوتی ا. محمدرضاپور ]0[ با در نظر گرفتن محدودیت اشباع اولین کنفرانس ملی ناحیهای قدرت دو سیستمهای در ICA 0390. آذرماه 06 و 07 نو در مهندسی برق اصفهان ایران ایدههای [2] C. Concordia, L. K. Kirchmayer, Tie-Line Power & Frequency Control of Electric Power Systems, AIEE Trans., vol. 72, part III, pp. 562-572,, 1953. [3] O.I. Elgerd, Electrical Energy System Theory An Introduction, McGraw-Hill, New Delhi,1983. [4] E. Daryabeigi, G. Arabmarkadeh and C. Lucas, Simultaneously, speed and flux control of an induction motor, with brain emotional learning based intelligent controller (BELBIC), IEEE International Conference on Electric Machines and Drives, (2009), pp. 894 901. [5] R. Mohammdi, C. Lucas, B.N. Arraabi, T. S. Radwan, M. A. Rahman, Implementation of emotional controller for interior permanent magnet synchronous motor drive, Industry Applications Conference, Vol. 4, (2006), pp. 1767-1774. [6] H. Rouhani, M. Jalili, B. N. Araabi, W. Eppler and C. Lucas, Brain emotional learning based intelligent controller applied to neuro-fuzzy model of micro-heat exchanger, Expert Systems with Applications, Vol. 32, (2007), pp. 911-924. [7] A. R. Mehrabian, C. Lucas, Emotional Learning Based Intelligent Robust Adaptive Controller for Stable Uncertain Nonlinear Systems, International Journal of Intelligent Technology (IJIT), Vol. ACKNOWLEDGMENT 1, No. 1, (2005), pp. 34-40. [8] Beheshti, Z. and S.Z.M. Hashim, A review of emotional learning and it s utilization in control engineering. Int. J. Adv. Soft Comput. Appl., 2, ( 2010), pp: 191-208. [9] J. Moren, C. Balkenius, A Computational Model of Emotional Learning in the Amygdala, Cybernetics and Systems, Vol. 32, No. 6, (2000), pp. 611-636.