تنظیم بهنگام پایدارساز سیستم قدرت با استفاده از شبکه عصبی rbf

پایدارساز سیستم قدرت (pss) بطور گسترده ای برای تولید سیگنال های کنترلی تکمیلی به منظور میرا کردن نوسانات فرکانس پایین در سیستم های قدرت مورد استفاده قرار می گیرد. در این پروژه روشی برای تنظیم بهنگام پارامترهای یک پایدارساز مرسوم سیستم های قدرت (cpss)به کمک شبکه های عصبی شعاعی (rbf) و شبکه پرسپترون چند لایه (mlp)، ارائه می شود. توان های اکتیو و راکتیو به همراه ولتاژ ترمینال ژنراتور به عنوان ورودی های این شبکه های عصبی و پارامترهای پایدارساز یعنی ضریب بهره و همچنین ثابت زمانی های جبران کننده های پیش فاز - پس فاز به عنوان خروجی آن ها می باشند. در روش آموزش ترکیبی شبکه عصبی rbf، ابتدا تعداد نرون های لایه پنهان و همچنین مراکز آن ها با یک روش غیر نظارتی تعیین می شود و سپس وزن های لایه ی خطی خروجی از طریق ماتریس شبه معکوس بدست می آیند. در مورد شبکه عصبی پرسپترون چند لایه (mlp) نیز تعداد نرون های لایه ی پنهان به روش سعی و خطا بدست می آیند و از روش levenberg-marquardt برای آموزش شبکه عصبی استفاده می شود. همچنین به منظور تعیین بهینه ی پارامترهای پایدارساز مرسوم، یک روش بهینه سازی به کمک الگوریتم تجمع ذرات pso ارائه می شود. برای تعیین بهینه ی پارامترهای cpss توسط pso، دو تابع شایستگی مرتبط با مقادیر ویژه در نظر گرفته می شود و هدف ماکزیمم کردن هر دوی این توابع به منظور افزایش میرایی در سیستم است. روش های طرح شده به طور موفقیت آمیزی بر روی یک سیستم قدرت تک ماشینه و تحت شرایط کاری و همچنین راکتانس متغیر خط انتقال پیاده سازی شده است.