Proširenje područja rada sinkronog generatora adaptivnim upravljanjem upotrebom neuronskih mreža

doctoral thesis

• Title (english): Extended synchronous generator operation region using neural network based adaptive control
• Author: Mato Mišković
• Mentor: Gorislav Erceg (mentor)
• Committee member: Sejid Tešnjak (član povjerenstva)
• Committee member: Gorislav Erceg (član povjerenstva)
• Committee member: Alfredo Višković (član povjerenstva)
• Committee member: Ivan Petrović (član povjerenstva)
• Committee member: Zlatko Maljković (član povjerenstva)
• Granter: University of Zagreb; Faculty of Electrical Engineering and Computing; (Department of Electric Machines, Drives and Automation); Zagreb
• Defense date and country: 2007-02-27, Croatia
• Scientific / art field, discipline and subdiscipline: TECHNICAL SCIENCES; Electrical Engineering; Electromechanical Engineering
• Universal decimal classification (UDC): 621.3 - Electrical engineering

Abstract

Sinkroni generator u radu na EES predstavlja izrazito nelinearni sustav. Konvencinalni linearni regulator sustava uzbude može optimalno raditi samo u okolini radne točke i pri malim poremećajima u EES-u. Optimalni pogon u širokom radnom području može se postići automatskim regulatorom koji je zasnovan na neuronskim mrežama. Primjenom postupka optimiranja u teoriji automatske regulacije poznatog kao Adaptive Critic Design (ACD), koji se zasniva na dinamičkom programiranju i neuronskim mrežama,... More moguće je postići optimalni pogon u čitavom radnom području. Neuronske mreže algoritmom učenja preslikavaju nelinearna dinamička svojstva sustava u neuronsku strukturu. Korisnička definicija kriterijske funkcije također se preslikava u neuronsku mrežu. Ove dvije neuronske mreže koriste se za ostvarenje optimalnog upravljanja sustavom uzbude učenjem treće regulacijske neuronske mreže. Razlaganjem postupka optimiranja u dvije, odnosno tri, neuronske mreže povećava se učinkovitost i stabilnost postupka učenja. Zamjena statičkih neuronskih mreža dinamičkim, povećava se točnost aproksimacije, a time i ukupna efikasnost postupka. Primjena heurističke metode u optimiranju sustava, pojednostavljuje postupak i zahtjeva minimalno poznavanje sustava. Postupak optimalnog upravljanja (ACD) može se primijeniti kao zamjena za linearni stabilizator EES-a ili kao potpuni neuro-regulator sustava uzbude. Neuronske mreže primjenjuju se i za estimaciju pogonskih veličina. Estimacija kuta opterećenja sinkronog generatora u radu na EES primjenjuje se s ciljem osiguranja stabilnog rada sinkronog genneratora. Iznos kuta opterećenja može se izravno koristiti za procjenu stabilnosti elektroenergetskog sustava. Estimirani kut opterećenja može se koristiti i u regulaciji sustava uzbude za indiciranje granice stabilnog rada sinkronog generatora. Za ostvarenje naprednih algoritama regulacije sustava uzbude, potreban je kvalitetan matematički model sinkronog generatora. U procesu ostvarenja regulatora sustava uzbude s neuronskim mrežama, učenja neuronskih mreža u odredenim pogonskim područjima, može se postići samo primjenom matematičkog modela, zbog čega je potrebno raspolagati verificiranim modelom. Matematički model treba biti nelinearan, a simulacijski proračuni ne smiju biti numerički zahtjevani. Opisani algoritam upravljanja sustavom uzbude ispitan je na laboratorijskim modelima, s agregatom prividne snage 4 kVA, i agregatom prividne snage 83 kVA. Mjerenja na laboratorijskim modelima potvrdila su simulacijske proračune Estimacija kuta tereta provedena je na laboratorijskom modelu sinkronog generatora prividne snage 83 kVA, gdje su uvjetima stvarnog pogona potvrđeni simulacijski proračuni. Less

Abstract (english)

Synchronous generator has dominant nonlinear characteristics in power system. Conventional linear excitation controller is optimal only for one operating point with small deviations. Optimally controlled power system can be realized using neural network based controller. Using Adaptive Critic Design (ACD) optimizing algorithm, based on dynamic programming and neural networks, one can achieve optimal control in full power system operating range. Implemented controller has three neural... More networks (NN). Model NN is trained to represent system with its nonlinearities. Critic NN represents user defined criterion function. Action NN is trained to control excitation system. By splitting one NN into two or three the efficiency is increased and optimizing algorithm becomes more stable. Dynamic neural networks are used to achieve better approximation, and thus increased system efficiency. Heuristic system optimization algorithm simplifies training procedure and reduces the information needed about controlled process. Adaptive critic design can be implemented as a replacement for linear power system stabilizer or as a complete excitation system controller. Neural networks can also be used for estimation of power system characteristics. To achieve stability of synchronous generator control, power angle estimation is needed. Estimated value can be used as a limit in excitation system control, as well as a system stability indicator. In order to use more advanced excitation system controllers, good mathematical model of a synchronous generator is needed. The model should be nonlinear and numerically simple (for fast computation). Described design was tested on a laboratory setup, on two separate synchronous generators (4 kVA and 83 kVA). Laboratory measurements matched those from simulation. Power angle estimation was, also successfully, tested on the larger generator (83 kVA). Less

• Keywords: sinkroni generator; sustav uzbude; neuronske mreže; adaptivni sustavi
• Keywords (english): synchronous generator; generator excitation system; neural network; adaptive critic design
• Language: croatian
• URN:NBN: urn:nbn:hr:168:471720
• Study programme: Title: Doctoral study programme "Electrical Engineering and Computing"; Study programme type: university; Study level: postgraduate; Academic / professional title: doktor/doktorica znanosti, po-dručje tehničkih znanosti (doktor/doktorica znanosti, po-dručje tehničkih znanosti)
• Type of resource: Text
• File origin: Born digital
• Access conditions: Closed access
• Created on: 2020-03-24 13:47:37