انتخاب صفحه

چکیده:

نظر به مزایای اقتصادی، زیست محیطی، افزایش قابلیت اطمینان و… بهره­گیری از تولید پراکنده انرژی الکتریکی (DG) به شدت در حال گسترش است به­همین سبب قوانین و مقررات در جهت بهره­گیری از تولیدات پراکنده در کشورهای مختلف وضع گردیده است.  اتصال تولید پراکنده به شبکه توزیع اگر چه دارای مزیت­های نسبی فراوان می­باشد اما در عین حال تأثیرات نامطلوبی بر پایداری شبکه توزیع دارد. طراحی یک کنترل پایداری تطبیقی موثر که بر اساس مدل پیش بینی بنا نهاده شده است در این سمینار مورد بحث و بررسی قرار خواهد گرفت. این کنترل تحت نام کنترل تطبیقی با مدل پیش­بین، شناخته شده است و بر اساس بهینه سازی شاخصه­های اجرایی شامل انحراف ولتاژ مولد از حد مطلوب، عدم تطبیق گشتاور الکتریکی- مکانیکی و نیز تفاوت ایجاد شده در سرعت بنا نهاده شده است.

در این سمینار کوشش در جهت استفاده از مدل MPAC در جهت بهبود و اصلاح پایداری سیستم قدرت می باشد و هم چنین اهمیت و ارزش این مدل در جهت مطالعه پایداری و مطالعه کنترل سیستم قدرت با حضور همزمان اغتشاش­های ناشی از رفتار دینامیکی تولید پراکنده بحث گردیده است. در حالیکه اکثر روش های کنترلی سیستم قدرت به پایداری شبکه انتقال توجه خاص مبدول داشته­اند، اما حسن این روش در بهره­گیری در شبکه توزیع و کارامد بودن این روش کنترلی است.

کلمات کلیدی: کنترل تطبیقی، پایداری سیستم قدرت، متدهای پیش بینی، تحریک ژنراتور AC

الف-مقدمه……………………………………………………………………………………………………………………………………………….۱

ب-تاریخچه کنترل پیش­بین…………………………………………………………………………………………………………………..۱

ج-چرا کنترل تطبیقی؟…………………………………………………………………………………………………………………………..۳

د-کنترل­کننده­های تطبیقی کلاسیک……………………………………………………………………………………………………۵

د-١روش رگولاتور خود تنظیم جایاب قطب………………………………………………………………………………………….۷

د-٢روش مینیمم واریانس……………………………………………………………………………………………………………………. ۷

د-۳کنترل پیش­بین………………………………………………………………………………………………………………………………..۷

د-۴روش زمان بند بهره ………………………………………………………………………………………………………………………. ۸

د-۵ PIDهای خود تنظیم…………………………………………………………………………………………………………………….۹

ه-روش­های هوشمند در کنترل تطبیقی……………………………………………………………………………………………..۱۰

ه-١شبکه عصبی به عنوان شناساگر سیستم و­ به­دست آوردن پاسخ پله…………………………………………….۱۱

ه-٢کنترل تطبیقی پیش­بین با استفاده از شبکه عصبی……………………………………………………………………..۱۲

ه-۳پیش­بینی توسط شبکه عصبی و بهینه­سازی توسط روش عددی نیوتن-رافسون………………………..۱۴

ه-۴کنترل­کننده های تطبیقی پیش­بین شبکه عصبی سراسری…………………………………………………………۱۶

ه-۴-١تنظیم خودکار در وضعیت اشباع…………………………………………………………………………………………..۱۶

ه-۴-٢تنظیم خودکار افق پیش­بینی…………………………………………………………………………………………………….۱۷

ه-۴-۳شبکه عصبی شناساگر اولیه…………………………………………………………………………………………………….. ۱۷

ه-۵استراتژی کنترل پیش بین بر حسب مدل (MPC)……………………………..ا……………………………………..۱۸

و-کنترل­های پایداری سیستم­های توزیع با اتصال DG………………………….ا………………………………………….۱۹

ز- MPACبرای کنترل پایداری زمان-واقعی…………………………………………………………………………………….۲۰

ح-کنترل­های پایداری سیستم قدرت پایه…………………………………………………………………………………………. ۲۱

ح-١کنترل­های حوزه-فرکانس/آنالیز-ویژه:AVR+PSS…………………………..ا……………………………………..۲۱

ح-٢کنترل­های حوزه-زمان: تحریک تطبیقی………………………………………………………………………………………۲۳

ط- MPACدر برابر کنترل­های تطبیقی موجود……………………………………………………………………………….۲۴

ط-١کنترل­های تحریک بهینه تطبیقی موجود…………………………………………………………………………………. ۲۴

ط-٢کنترل های پیشگویانه مدل………………………………………………………………………………………………………….۲۶

ط-۳ MPACترکیب کنترل تطبیقی و پیشگویانه…………………………………………………………………………….۲۶

ط-۴ MPACدر برابرکنترل­های موجود…………………………………………………………………………………………….۲۹

ی-فرمول­بندی MPAC برای کنترل پایداری…………………………………………………………………………………. ۳۰

ی-١مدل برای ژنراتور وشبکه قدرت متصل شده­اش………………………………………………………………………… ۳۰

ی-٢فرمول­بندی مدل پیش­بینی………………………………………………………………………………………………………….۳۱

ی-۳فرمول بندی کنترل پیشگویانه…………………………………………………………………………………………………….۳۲

ک-پیاده سازی کنترلر MPAC……………………………………….ا……………………………………………………………… ۳۴

ل-اثبات کنترلر MPAC……………………………………………ا……………………………………………………………………….۳۵

م-مطالعات شبیه سازی برای سیستم اتصال-DG…………………………………………ا…………………………………..۳۷

ن-نتیجه گیری……………………………………………………………………………………………………………………………………..۳۹

مراجع…………………………………………………………………………………………………………………………………………………….۴۲

چکیده انگلیسی…………………………………………………………………………………………………………………………………….۴۲

فهرست اشکال

شکل١- بلوک دیاگرام روش­های کنترل تطبیقی کلاسیک…………………………………………………………………..۶

شکل٢- بلوک دیاگرام روش­های کنترل تطبیقی هوشمند…………………………………………………………………۱۱

شکل۳- بلوک دیاگرام پاسخ پله مدل شبکه عصبی…………………………………………………………………………..۱۲

شکل۴-استفاده از شبکه عصبی در کنترل پیش­بین……………………………………………………………………………۱۴

شکل۵- دیاگرام تک خطی یک سیستم توزیع اتصال DG………………………………………….ا……………………..۱۹

شکل۶- بلوک دیاگرام کنترل پایداری AVR+PSS  استاندارد………………………………………………………….۲۲

شکل٧- پیکره بندی باس بی نهایت-ژنراتور برای مطالعه پایداری……………………………………………………..۲۳

شکل٨- بلوک دیاگرام کنترل تحریک تطبیقی……………………………………………………………………………………۲۴

شکل٩- بلوک دیاگرام کنترل  MPAC………………………………..ا…………………………………………………………..۲۷

شکل١٠- مدار معادل برای سیستم توزیع قدرت………………………………………………………………………………..۲۸

شکل١١- پیاده سازی DSP کنترلر MPAC…………………………………….ا………………………………………………..۳۴

شکل١٢- آزمایش خطای سه فاز روی سیستم SMIB…………………………………….ا………………………………..۳۵

شکل ١٣- سیستم تحریک با AVR و PSS………………………………………….ا…………………………………………….۳۶

شکل١۴- پاسخ سیستم برای مطالعه اثبات…………………………………………………………………………………………۳۶

شکل١۵- خطای سه فاز روی سیستم توزیع……………………………………………………………………………………….۳۷

شکل١۶- پاسخ­های سیستم قدرت برای Case1…………………………………………ا………………………………………۳۸

شکل١٧- پاسخ سیستم قدرت برای Case2…………………………………….ا………………………………………………….۳۹

الف-مقدمه:

براساس قوانین و مقررات وضع شده در کشورهای مختلف تعداد مولدهای مستقل تولید انرژی الکتریکی که بخصوص از انرژی­های تجدیدپذیر چون باد، خورشید و… بهره می­گیرند به شدت درحال افزایش است [١]. نفوذ این مولدها می­تواند اثرات گلخانه­ای را کاهش دهد. بنابراین علاوه بر مزایای اقتصادی، مزایای زیست محیطی را نیز به­دنبال دارد. گرچه مزایای فراوانی می­توان برشمرد که از آن جمله نزدیکی تولید و مصرف است که با تجهیز آن­ها به واسط­های مناسب الکترونیک قدرت می­توان آن­ها را محلی انجام داد. اما به هر حال تأثیر آن­ها بر پایداری سیستم­های قدرت مورد بحث جدی در سیستم­های قدرت است.

اغلب تولیدات پراکنده که به سیستم توزیع اتصال پیدا می­کنند هنگامی­که در محل کنترل شوند باعث افزایش قابلیت اطمینان در تحویل برق به مصرف کننده­ها می­گردند [٢]. به­هرحال، تحت قوانین ومقررات وضع شده استانداردها برای اتصال داخلی تولیدات پراکنده با سیستم­های قدرت الکتریکی بویژه استاندارد ۱۵۴۷ IEEE [۳] ، تولیدات پراکنده نباید با ولتاژ کاری سیستم توزیع تنظیم شوند وآن­ها در زمانی­که سیستم قدرت دارای خطا یا شرایط عملیاتی غیرعادی است نباید انرژی به سیستم قدرت تحویل دهند.

در طول اغتشاشات وشروع به کار عملیات محافظتی سیستم قدرت، تولیدات پراکنده ممکن است قطع شوند یا پشت وجلو سیستم توزیع اتصال پیدا کنند که منجر به بدتر کردن دینامیک­ها می­گردنند که سرویس­های مفید محلی را بر هم می­زنند وممکن است به پایداری سیستم توزیع ضربه بزنند، هم­چنین بر قابلیت اطمینان سیستم انتقالی ممکن است تأثیر بگذارد.

ب-تاریخچه کنترل پیش­بین

اواخر دهه ۷۰ میلادی برخی از مقالات به MPC پرداختند که اصلی­ترین آن­ها مقاله Richalet و همکارانش بود که MPHC (بعد­ها با نام کنترل الگوریتمیک مدل MAC)) شناخته می­شد)، را معرفی نمود و سپس Cutler and Remakter کنترل ماتریس دینامیکی (DMC) را معرفی نمودند.

در هر دوی این الگوریتم­ها از یک مدل دینامیکی استفاده شده بود (اولی پاسخ ضربه و دومی پاسخ پله)تا اثر ورودی­های کنترلی آینده را بر روی خروجی  پیش­بینی کند. البته ایده و اصل افق کاهشی که یکی از ایده­های اصلی در  MPC می باشد در سال ١٩۶۳ توسط Propoi ارائه گشت.

 MPC سپس به سرعت مورد توجه قرار گرفت و به دلیل سادگی و استفاده از مدل پاسخ ضربه و پله مورد استفاده صنایع شیمیایی و… قرار گرفت. در دهه ۸۰ کاربردهای MPC در زمینه پتروشیمی که به حل مسائل مربوط به سیستم­های چند متغیره ومقید می­پرداخت، مورد توجه قرار گرفت. از پژوهش­های دیگر می­توان به زمینه­های تطبیقی در مورد فرآیندهای تک متغیره با مدل­های ورودی-خروجی اشاره کرد که از جمله آن، کار مربوط به Peterka در کنترل خود تنظیم مبنی بر پیش­بینی (١٩۸۴) می­باشد. Ydstie نیز در سال ١٩۸۴ کنترل تطبیقی با افق گسترش یافته را معرفی نمود. در همین زمینه و در سال ١٩۸۷ Ciarke et al. کنترل پیش­بین تعمیم یافته (GPC)را از روی ایده های (GMV) ارائه نمود. فرمول­بندی­های بیشماری نیز بر اساس این ایده مطرح شدند که از آن­ها می­توان به کنترل تطبیقی چند متغیره چند گامه، کنترل تطبیقی افق کاهشی با پیش­بین متعدد کنترل تابعی پیش­بین ویا کنترل پیش­بین یکپارچه اشاره نمود. هم­چنین می توان MPC را در حالت فضای حالت نیز فرموله نمود تا بتوان این الگوریتم را به حالت­های پیچیده­تر مانند فرآیند­های غیرخطی و سیستم­های اتفاقی وغیره… نیز تعمیم داد. به­تدریج علاقه­مندی­هایی در زمینه قانون­های تنظیم به­منظور پایداری و مقاومت ایجاد گشت. کنترل­کننده MPC را می­توان به صورت یک جبران ساز مبتنی بر رویتگر حالت دید که پایداری، عملکرد و مقاومت آن را می­توان با پارامترهای قابل تنظیم آن معین نمود که این پارامترها قطب­های رویتگر را مشخص می­نمایند (پارامترهایی مانند وزن­ها ،افق­ها و…) در سال ١٩٩۰ Bit mead کتابی در مورد تحلیل خصوصیات ذاتی الگوریتم­های MPC (بویژه GPC) را از نقطه نظر تئوری بهینه خطی مربعی گوسی نگاشت. دو روش CRHPC و SIORHC برای پایداری تضمین شده در دهه ٩۰ میلادی به طور مستقل ارائه شد و سپس در سال ١٩٩٢ Kouvaritakis و همکارانش، GPC پایدار را معرفی نمودند که با پایدارسازی فرآیند قبل از مینیمم­سازی تابع هدف، پایداری حلقه بسته را تضمین می­کردند .اما فرمول­بندی های اصلی مربوط به پایداری تضمین شده را می توان در سال ٢۰۰۰ و در مقاله Mayne&Rawlings جستجو نمود. در نهایت نیز کمپانی Honeywell یکی از مطرح­ترین شرکت­ها در زمینه تجهیزات کنترل گسترده از روش کنترل پیش­بین چند متغیره مقاوم برای سیستم کنترلی ۳۰۰۰TDC  خود استفاده نموده است. در سال­های اخیر پیشرفت­های قابل توجهی در زمینه کاربرد GPC برای سیستم­های پیچیده مانند سیستم­های غیرخطی، هیبرید ویا فرآیندهای بسیار سریع صورت پذیرفته است.برای مثال Bem pored et al. نشان داده است که حل MPC مقید منجر به یک کنترل تکه ای affine می­شود که می­توان آن را با محاسبات کمی پیاده­سازی نمود. پیشرفت­ها در این زمینه هم­چنان ادامه دارند.

ج-چرا کنترل تطبیقی؟

علت اصلی گرایش به سمت کنترل تطبیقی، انطباق این سیستم­ها با شرایط است به­گونه­ای که با تغییر وضعیت سیستم که می­تواند ناشی از ورودی اغتشاش خارجی، تغییر نقطه کار، فرسودگی سیستم و… باشد، کنترل­کننده نیز این تغییرات را به­گونه­ای احساس کرده و پارامترهای کنترل­کننده به حالتی برسد که برای وضعیت فعلی سیستم مناسب باشد. کنترل کننده­های تطبیقی را می­توان در حالت کلی به دو دسته کنترل کننده­های تطبیقی کلاسیک و هوشمند طبقه­بندی کرد. کنترل­کننده­های هوشمند از روش­های هوشمندی برای به­دست­ آوردن ضرایب کنترل­کننده استفاده می­کنند ویا اصولاً کنترل­کننده خود یک سیستم هوشمند می­باشد. در مقابل کنترل­کننده­های کلاسیک از روش­های قدیمی­تر در طراحی کنترل­کننده­ها استفاده می­کنند. امروزه کنترل­کننده­های تطبیقی چه به صورت محصولات تجاری و چه به صورت محصولات نظامی در کاربردهای مختلف صنعتی از جمله فرآیند­های صنعتی و شیمیایی، هوا فضا، ناوبری و روباتیک کاربرد بسیار دارند.

در طراحی سیستم­های کنترل در بسیاری از موارد فرض­هایی در مورد سیستم در نظر گرفته می­شود که در موارد دقیق و صنعتی استفاده از این تقریب­ها موجب کاهش دقت و حتی ناپایداری سیستم می­شود. به­عنوان مثال در تئوری سیستم­های کنترل خطی، یک مدل ساده شده خطی برای سیستم در نظر گرفته  می­شود و در صورت غیرخطی بودن سیستم، معادلات سیستم حول آن نقطه کار خطی می­شوند. در این­گونه موارد در صورتی­که سیستم به علت اغتشاش، تغییر نقطه کار و… از نقطه کار دور شود، مدل خطی شده دیگر توصیف کننده مناسبی از سیستم نخواهد بود واین امر موجب کاهش کیفیت ردیابی و بعضاً ناپایداری می­شود. این امر حتی در مورد کنترل­کننده­های مدرن که در فضای حالت طراحی می­شوند نیز وجود دارد.

در مورد غیرخطی­گری سیستم­ها در مورد دسته معدودی از سیستم­های غیرخطی روش­های تحلیلی برای بررسی پایداری و طراحی کنترل­کننده مناسب وجود دارد اما در بسیاری از موارد شکل خطی­گری و میزان آن در دسترس مهندس طراح قرار ندارد. هم­چنین در برخی موارد سیستم در اثر مرور زمان تغییر پیدا کرده و کنترل­کننده قبلی دیگر نمی­تواند سیستم را به خوبی کنترل کند. فرسودگی و استهلاک ابزارهای موجود در فرآیند یکی از دلایل این پدیده است. علت دیگر این امر ماهیت متغیر با زمان برخی سیستم­ها است.

یکی از علل دیگر استفاده از سیستم­های تطبیقی عدم اطلاع از تابع تبدیل پلنت است. در برخی سیستم­ها که مدل­سازی (به عنوان مثال مدل­سازی دینامیکی سیستم) امکان­پذیر نمی­باشد باید از اطلاعات ورودی-خروجی سیستم برای طراحی کنترل­کننده سیستم استفاده کرد. در صورتی­که تابع تبدیل سیستم به اندازه کافی دقیق نباشد نیز می­توان از کنترل­کننده­های تطبیقی استفاده کرد تا نادقیقی مدل در کنترل تطبیقی جبران شود و کنترل کننده خود را با پلنت تطابق دهد.

در سیستم­های کنترل با استفاده از روشPID  به خاطر دلایلی که در بالا ذکر شد، کنترل­کننده نیاز به تنظیم مجدد دارد این تنظیم مجدد در سیستم­های غیر­تطبیقی توسط اپراتور انجام می­شود. هدف کنترل تطبیقی طراحی کنترل­کننده است که متناسب با تغییرات سیستم تحت کنترل، کنترل­کننده نیز تغییر کند. درمورد مثال کنترل­کننده PID تغییر کنترل­کننده به معنی تغییر ضرایب تناسبی، انتگرالی و مشتق­گیر است.

علی­رغم پیچیدگی که در نگاه اول برای کنترل­کننده­های تطبیقی به نظر می­رسد، این دسته از کنترل­کننده­ها به خاطر مزیت بزرگ تطابق در بسیاری از موارد صنعتی و حتی به صورت محصولات تجاری در دسترس قرار گرفته­اند.

یک مزیت بزرگ دیگر سیستم­های کنترل تطبیقی توانایی استفاده در سیستم­های مختلف است. کنترل­کننده طراحی شده برای یک پلنت خاص می­تواند با تغییرات جزئی در مورد سیستم­های دیگر نیز مورد استفاده قرار گیرد. این خصوصیات ویژه کاربرد کنترل­کننده­های تطبیقی را تا مرز یک کنترل­کننده همگانی جلو برده است. این دسته از کنترل­کننده­ها می­توانند برای کنترل دسته وسیعی از سیستم­ها مورد استفاده قرار گیرند. در هنگام استفاده اطلاعات کمی از سیستم مورد نیاز است. حتی در بعضی از کنترل­کننده­های همگانی این اطلاعات اولیه نیز توسط سیستم کنترل به­دست می­آید. البته این بحث هنوز موضوع روز در مورد سیستم­های تطبیقی است و هنوز هیچ­کس ادعا نکرده است که کنترل­کننده­ای طراحی کرده است که می­تواند هر نوع سیستمی را به خوبی کنترل کند. از یک دیدگاه، کنترل تطبیقی به دو دسته کلاسیک و هوشمند طبقه­بندی می شوند. درسیستم­های کنترل تطبیقی کلاسیک معمولاً خروجی سیستم تحت کنترل تابعی خطی از ورودی یا ورودی­های مرجع، خروجی یا خروجی­های سیستم، ورودی یا ورودی­های سیستم تحت کنترل و تأخیر یافته­های آن­ها است. نوع دیگر کنترل­کننده­های تطبیقی به صورت تنظیم کننده­های خودکار برای کنترل­کننده­های PID است. کنترل­کننده­های هوشمند از روش های هوشمند مانند شبکه­های عصبی، سیستم­های فازی، الگوریتم ژنتیک و یا سیستم­های خبره و یا ترکیبی از آن­ها استفاده می­کنند.

در این میان استفاده از شبکه عصبی بسیار متداول و مرسوم شده است که علت این امر قابلیت انعطاف شبکه عصبی مخصوصاً در مورد سیستم­های غیر­خطی است. البته این نکته را نباید فراموش کرد که پیشرفت روزافزون صنعت الکترونیک در طراحی پردازنده­هایی با قابلیت بالا، امکان پیاده­سازی سیستم­هایی با پیچیدگی بیشتر از کنترل­کننده­های کلاسیک را روز به روز بیشتر فراهم می­کند. یکی دیگر از مزایای استفاده از کنترل­کننده­های تطبیقی مبتنی بر شبکه عصبی است که قابلیت تعمیم بهدسته بزرگی از سیستم­ها است و در بعضی از موارد همگانی شدن کنترل­ کننده است.

Abstract

     Considering the economic benefits, environmental, increased reliability and… use of electrical energy production (distributed generations (DG)) is growing strongly.

     To why rules and regulations for the use of the distributed productions in different countries has been imposed.

     Connection of distributed production to distribution network although contain of many advantages relative but  at the same time    undesirable   effectiveness has  on the stability of distribution network . Designing  an effective adaptive stability control based on prediction model built in the seminar discussed and will be posed.

     This control named Model Prediction Adaptive Control (MPAC) is built upon optimization of selected performance index defined as weighted combination of generator voltage deviation, mechanical-electrical torque mismatch, and speed incremental.

     In This seminar demonstrates the capability of the MPAC for improvement of the power system stability.such as unique stability study and control of distribution systems subjected to disturbances simultaneously with dynamic operations of DGs, whereas many literatures were focused on the transmission-level power system stability. But advantage of this method is  an efficient in distribution network and control method.

Index terms: adaptive control, power system stability, prediction methods, AC generator excitation.


مقطع : کارشناسی ارشد