افزایش پایداری سیستم قدرت با طراحی هماهنگ کنترل کنندههای PSS و Matlab-Simulink به کمک الگوریتمهای هوشمند در محیط SVC 1 حسن فرجی 2 محسن هنرجو 3 محسن زارع 1 2 دانشجوی کارشناسی ارشد دانشگاه صنعتی مالک اشتر 3 شرکت مدیریت بهره برداری تولید برق فارس Farajih88@yahoo.com 1 Mohsenhonarjou@yahoo.com 2 Mohsenzare9@gmail.com 3 نام ارائهدهنده: حسن فرجی خالصه در حال حاضر انواع مختلفی از ادوات FACTS در سیستمهای قدرت به کار میرود که از مشهورترین آنها میتوان به جبرانساز استاتیک وار) SVC ( اشاره کرد در این مقاله بهبود پایداری سیستم قدرت با طراحی هماهنگ PSS و SVC مورد بررسی قرار گرفته و الگوریتم ژنتیک نیز برای جستجوی بهینه پارامترهای کنترل کننده بكار برده شده است. پایدارساز پیشنهادی روی یک سیستم قدرت متصل به شین بی نهایت با نصب PSS در ژنراتور و SVC در خط انتقال در محیط MATLAB/SIMULINK شبیه سازی شده و نتایج عملی آن پیرامون بررسی پایداری شبكه ارائه گردیده است. نتایج نشان میدهد استفاده همزمان PSS و SVC سبب افزایش پایداری ولتاژ و در نهایت شبكه میگردد. کلمات کلیدی: ادوات FACTS جبرانساز استاتیک وار) SVC ( الگوریتم ژنتیک پایدارساز 1. مقدمه از دهه 1960 تاکنون مباحث مربوط به پایداری دینامیكی با توجه به ظهور نوسااانهای فرکانس پائین مورد توجه قرار گرفته اساات. توانایی سایساتم برای حفظ حالت سانكرونیز در اثر اغتشاشات کوچک را پایداری اغتشاش کوچک یا سیگنال کوچک گویند و معموال مشكل آن مربوط به میرایی ناکافی نوساانهای سایساتم اسات. سایگنال کوچک سایساتمهای قدرت محساو کنترلرهای جبرانسااز بكارگیری PSS 1 به منظور کنترل تحریک سایساتم های ژنراتور اقتصاادیترین روش تقویت پایداری می شاود بعالوه می توان از سایگنال های پایدارساز اضافی برای مدوله کردن کنترلرهای کنورتور و اساتاتیكی توان راکتیو برای تقویت میرایی نوساان های سایساتم اساتفاده کرد. وظیفه پایدارساز سیستم قدرت افزودن میرایی به نوساان های روتور ژنراتور اسات که این کار با مدوله کردن تحریک ژنراتور برای ایجاد یک مؤلفه گشاتاور الكتریكی هم فاز با تغییرات سارعت روتور انجا میپذیرد. جبران ساازهای اساتاتیكی توان راکتیو مانند جبرانگرهای وار اساتاتیک میتوانند در تقویت عملكرد دینامیكی سایستم قدرت نقش اسااسای داشاته باشاند. ممكن اسات در سایساتم های قدرت خاصی الز باشد از دو یا چند شیوه جهت بهبود پایداری گردد اما در هر صاورت باید شایوه پیشانهادی دارای توجیه اقتصاادی باشاد یكی از این روشها استفاده همزمان از ادوات به طور همزمان استفاده FACTS 2 و PSS است. بنابراین باید پارامترهای آنها را بصااورت بهینه طراحی کرد تا ضاامن کاهش اثر متقابل آنها بر یكدیگر میرایی ساایسااتم به نحو قابل مالحظهای افزایش یابد. تاکنون مطالعاتی برای رفع مشاكل هماهنگی و تطبیق 1992 یک کنترل هماهنگ بین PSS و ادوات FACTS از جمله SVC 3 انجا بین PSS و SVC بر روی یک ژنراتور توساط مهران و همكاران انجا شاده اسات. بطوریكه در ساال شاد[ 1 ]. در ساال 2002 مساائل و نیازمندیهای 1 Power System Stabilizer 2 Flexible AC Transmission System 3 Static VAR Compensator
مشاكل هماهنگی و تطبیق بین PSS و SVC توساط عبید و و عبدالمجید مورد بررسای قرار گرفت[ 2 ]. در این مقاله به بررسای پایدارساازی سایساتم قدرت با وجود PSS و SVC میپردازیم. بدین منظور تابع هدفی برای انتقال تمامی قطبهای ساایسااتم به نقاط پایدار ساایسااتم تعری میشااود. یافتن پارامترهای بهینه ساایسااتم برای ارضااات تابع هد کاری شبكه قدرت توسااط الگوریتم ژنتیک انجا میشااود که قادر به تعیین میباشد. نتایج شبیه سازی حاکی از مطلو بودن روش پیشنهادی نسبت به روشهای پیشین میباشد. پارامترهای بهینه PSS و SVC در تما نقاط 2. مدل سیستم قدرت در این مقاله یک تجهیز شاده سیستم قدرت تک ماشین به شین بینهایت مطابق با شكل) 1 ( در نظر گرفته شده است. در این شكل ژنراتور سنكرون به PSS و یک SVC در وساط خط ارتباطی وجود دارد. این پایدار کنندهها بر اسااس مدل تک ماشاین شاین بینهایت سایساتم در یک نقطه کار مشخص طراحی میشوند. در این راستا برای ژنراتور و سیستم تحریک ژنراتور مورد نظر روابط زیر حاکم می باشد: ( 1) p E e q fd b ( p m v i d d E ( E p fd ( k ( v A e v i q q ( x ref D( 1))/ M d x ) i d v u pss d E ) / T q ) E fd do ) / T A (1) که در آن D ضاریب میرایی V ولتاژ ترمینال ωb ولتاژ تحریک Efd ثابت زمانی قطب KA و TA بهره و ثابت زمانی سااایسااتم Vref ولتاژ مرجع Xd راکتانس محور d سارعت زاویه ای روتور E q ولتاژ درونی گذرا ω سارعت سانكرون T do Pm و Pe توان مكانیكی و الكتریكی میباشاااد. شكل) 2 ( SVC های مختل در یک سیستم قدرت را نشان میدهد که هر یک با توجه به شرایط سیستم موجود مورد استفاده قرار میگیرد [3] و[ 4 ]. شکل 1 - مدل یک ژنراتور متصل به شین بی نهایت 3. پايدارساز بر مبناي PSS و SVC
سایساتم تحریک طبق مدل IEEE, ST1 در شاكل (3) از یک کنترل کننده پیش فاز- پس فاز به عنوان PSS برای تولید سیگنال پایدارساز استفاده می شاود[ 5 ]. این پایدار کننده ها بر اسااس مدل تک ماشاین شاین بینهایت سایساتم در یک نقطه کار مشاخص طراحی میشاوند. در شكل 4 نیز مدل SVC به همراه کنترلر پس فاز-پیش فاز آمده است. شکل 2 -توپولوژی SVC ه یا مختلف در شبکه شکل 3 - مدل IEEE_ST1 سیستم تحریک به همراه PSS 4. مدل خطي شده سیستم برای طراحی کنترل کننده ابتدا نیاز به خطیساازی مدل حول نقاط کار سایساتم اسات SVC انجا میشود که میتوان ماتریس حالت را به صورت زیر بیان کرد: این عمل بر اسااس معادالت ماشاین سنكرون و سوسپتانس X AX HU (2) بدین منظور از مدل سااده شاده ماشاین سنكرون شروع کرده گا به گا نشان داده شده میرسیم. در این مدل ضرایب K1 تا K6 و ضرایب Kq Kq Kp مدل را ترسیم می کنیم و در نهایت به مدل کامل هفرون فیلیپس که در شكل 5 به صورت زیر تعری می شوند[ 6 ]:
Pe Pe Pe K1 K 2 K PB Eq B Eq Eq Eq K3 K 4 K qb Eq B V V V K5 K 5 K vb Eq B (3) شکل 4 _ SVC به همراه کنترلر پس فاز-پیش فاز و در نهایت معادالت حالت به صورت زیر بدست می آید: 0 K 1 M K 4 Eq Tdo E fd K K A 5 TA 377 D M 0 0 0 K 2 M K 3 Tdo K K A 6 TA 0 0 0 0 1 * E 0 Tdo q 1 E fd K A TA TA 0 K PM K M u qb pss * T B do K K A vb TA (4) مقادیر ویژه سیستم از معادله حالت فوق بدست میآید مقادیر ویژه ماتریس شامل تمامی قطب های سیستم مورد نظر در شكل 5 است. در ساختار و T3 و T3 و T2 و مقادیر T1 K از کنترل کننده پیش فاز- پس فاز اسااتفاده شااده اساات که برای تنظیم آن نیاز به تنظیم ضاارایب SVC و PSS است. در این مقاله بازه وسیعی از نقاط کاری سیستم از بارهای سبک تا بارهای پایدار سااز به منظور حداکثر کردن ضاریب میرایی مدهای ضاعی گرفتن ناحیه ای که در آن نتیجه فوق حاصل می سنگین و همچنین ضریب توانهای پیش فاز در نظر گرفته شده اند. و ناپایدار سایساتم در نقاط مختل کاری سیستم طراحی می شود.لذا با در نظر ( در نظر گرفته شده است. شود تابع هدفی ) کمینه نسبت میرایی مد الكترومكانیكال در شرایط بارگذاریi ا
پیاده سازي الگوريتم ژنتیک شکل 5 - مدل هفرون فیلیپس.5 الگوریتم ژنتیک الگوریتمی اسات مبتنی بر تكرار که اصاول اولیه آن از ژنتیک طبیعی اقتباس گردیده ژنتیک دادههایی در مورد کیفیت روش حلهای ایجاد شاده نیازمند اطالعات مشتق اسات. تنها اطالعات مورد نیاز الگوریتم بوسایله هر مجموعه متغیر اسات. این در حالی اسات که روش های بهینه ساازی دیگر و یا شناخت کاملی از ساختمان مسئله و متغیر ها می باشد. به همین خاطر الگوریتم ژنتیک قابل انعطا تر از سایر روشهای جساتجو اسات. به منظور تعیین مقادیر بهینه پارامتر های پایدارساازها با اساتفاده از الگوریتم ژنتیک ضرایب پایدارسازها به عنوان کروموز ها در نظر گرفته شاده شود. اسات. در این قسامت تعدادی کروموز البته در ایجاد این جمعیت اولیه حدود مجاز که هر کدا حاوی تما پارامتر های مجهول مسائله اسات به عنوان جمعیت اولیه انتخا می پارامتر ها در نظر گرفته شده است. تابع هد انتخا شده در این الگوریتم به صورت زیر میباشد: ITAE tsim t dt 0 (5) در فرآیند بهینه ساازی هد بیشاینه پارامترهای SVC و همچنین PSS می کردن تابع هد مطابق معادله) 5 ( تعری اسات.البته تا جائی که می محدودیت های در نظر گرفته شاده اعمال شاده باشاند.محدودیتهای شاوند. پس از خطی ساازی مدل در نقاط کاری مقادیر ویژه سیستم را به ازات مقادیر جمعیت اولیه محاسابه و مقدار خطا را بدسات می آوریم ساپس با اساتفاده از تابع برازندگی بهترین کروموز ها انتخا شااوند در نهایت بر روی کروموز شوند[ 9,8,7 ]. های باقیمانده عملگرهای جهش و ترکیب اجرات شااده که در نتیجه کروموزو شاده و به نسل بعد منتقل های نساال بعد ایجاد می K min min 1 T T min 3 K K T T 1 T T 3 max max 1 max 3 (5) 6. شبیه سازي و نتايج آن در این بخش سااایساااتم مورد نظر را در چهار حالت بارگیری نامی سااابک سااانگین و ضاااریب توان پسفاز مورد تحلیل قرار میدهیم که با تغییر پاارامترهای مدل هفرون فیلیپس میتوان حاالت مختل را مطابق جدول 2 ژنتیک در دو حالت طراحی همزمان و فردی بدست آمده است. در جدول 1 نشان داده شده است. ایجاد نمود. در جدول 3 پارامترهای بهینه سااایساااتم با اساااتفاده از الگوریتم اطالعات ضروری برای محاسبه k 6 در مدل تک خطی متصل به شین بینهایت k 1 تا
k 6 k 1 جدول 1_ اطالعات ضروری برای محاسبه تا Pe = 1 Xq = 0.55 R = -0.034 Kpb=0.3088 Ka=50 Tdo=7.76 Qe = 0.015 Xd= 0.973 X= 0.997 Kqb= -0.0653 Ta=0.05 D= 0 Vt = 1 X1d=0.19 G = 0.249 Kvb= -0.0227 M=9.26 B= 0.262
شکل 6- تغییرات u pss در بارهای مختلف شکل - تغییرات u svc در بارهای مختلف 7
K T1 جدول 2_ وضعیت شرایط بارگیری وضعیت شرایط بارگیری )PU( )Q و P ( نامی 1.1( و ) 1.110 سبک ( 1.3 و ) 1.11 تغییر پارامترهای مدل بدون تغییر 31 % افزایش راکتانس خط جدول 3- تعیین پارامترهای مدل با استفاده از GA SVC طراحی همزمان SVC PSS طراحی فردی PSS 10...3 1..33. 311.11 1.21.3.3..00 1.17.0 33.030 1.0701 T2 1.1111 1.3111 1.1111 1.3111 31 % کاهش ثابت TDO سنگین 1.1( و ) 1.11 T3-1.1111-1.30.3 ضریب توان پس فاز ) 1.0 و % 20 کاهش اینرسی T4-1.3111-1.3111 ماشین M ) -1.31 شکل 8- تغییرات در بارهای مختلف 7. نتیجه گیري در این مقاله پایداری سایساتم قدرت گرفت. بدین منظور با اساتفاده از روش الگوریتم ژنتیک از طریق هماهنگ سازی پارامترهای PSS و SVC به صورت مستقل و همزمان مورد بحث و بررسی قرار پارامترهای بهینه PSS و SVC در چهار حالت بارگیری مختل تعیین و سپس بر روی یک شبكه تک ماشین متصل به شین بینهایت شامل ژنراتور PSS و یک جبرانساز استاتیک توان راکتیو اعمال گردید. الگوریتم ژنتیک پیشنهادی در این مقاله حاکی از آن اسات که با انجا محاسبات کمتر و ساده تر به راحتی می توان پارامترهای PSS و SVC را تعیین و سریعتر به جوا های مطلو رساید. همچنین تاثیر اساتفاده مساتقل و همزمان ادوات FACTS به وضاود در نتایج شابیهساازی دیده میشاود به طوری که اساتفاده همزمان در بهبود پایداری ولتاژ موثرتر و شابكه سریعتر به حالت پایدار میرسد. با توجه به نتایج شبیهسازی از اثرات SVC میتوان به بهبود پایداری گذرا میرایی نوسانات و تنظیم ولتاژ نا برد. دقت دساترسپذیری و پاسا ساریع SVC در مقایساه با جبرانگرهای موازی کالسایک آن را به وسایلهای بسیار کارآمد در کنترل
ولتاژ حالت گذرا و حالت ماندگار تبدیل نموده اسات. در واقع نصاب SVC در محل مربوطه بیشاترین تاثیر را بر بارهای شابكه قدرت دارد. به طور کلی FACTS به عنوان یكی از ادوات SVC با جاگذاری مناسب در محل مطلو قادر به حل مشكل نامتعادلی بار در سیستم خواهد بود... مراجع [1] Mahran AR, Hogg BW, El-Sayed ML. Coordinated control of synchronous generator excitation and static VAR compensator, IEEE Trans Energy Conv,1992. [2] Abido MA, Abdel-Magid YL. Analysis and design of power system stabilizers and FACTS based stabilizers using genetic algorithms. 14th Power Systems Computation Conference PSCC, 2002. [3] Yu YN. Electric power system dynamics. New York: Academic Press. [4] Sauer PW, Pai MA. Power system dynamics and stability. Englewood Cliffs, NJ, USA: Prentice-Hall. [5] P. Kundur, Power System Stability and Control, TMH, 8th reprint, 2009. [6] M.A. Abido, Y.L. Abdel-Magid, Coordinated design of a PSS and an SVC-based controller to enhance power system stability, Electrical Power and Energy Systems, Elsevier, 2003. [7] S. Panda, N.P. Padhy, Comparison of particle swarm optimization and genetic algorithm for FACTSbased controller design, Applied Soft Computing, 2008. [8] S.Pramono Hadi, H.Imaduddien Wiennetou, R.Fatah Mochamad TCSC Power Oscillation Damping and PSS Design Using Genetic Algorithm Modal Optimal Control, International Journal of Engineering & Computer Science IJECS-IJENS, 2013. [9] Ali Darvish FALEHI Mehrdad ROSTAMI, Aref DOROUDI,Abdulaziz ASHRAFIAN, Optimization and coordination of SVC-basedsupplementary controllers and PSSs to improve power system stability using a genetic algorithm, Department of Electrical Engineering, Shahed University, Tehran.