طراحی کنترل کننده ادوات facts به کمک تبدیل موجک و روشهای هوشمند جهت بهبود پایداری گذرای سیستمهای قدرت

افزایش تقاضای توان الکتریکی، نیازمند افزایش ظرفیتهای انتقال است. از طرف دیگر، تولید کننده های توان الکتریکی به علت برخی ملاحظات اقتصادی، رغبت چندانی به ایجاد خطوط انتقال جدید ندارند. بنابراین، سیستم قدرت در شرایطی کار می کند که از حداکثر قابلیت انتقال آن استفاده می شود. در چنین وضعیتی، پایداری سیستم قدرت بطور قابل ملاحظه ای کاهش می یابد. جبرانسازی توان راکتیو یکی از موضوعات مهم در سیستم قدرت است و سیستمهای انتقال متناوب انعطاف پذیر (ادوات facts) نقش مهمی در کنترل توان راکتیو تزریقی به سیستم قدرت و در نتیجه در نوسانات ولتاژ و پایداری ایفا می کنند. بنابراین، این ادوات قادر به بهبود پایداری سیستم قدرت هستند. با وجود اینکه کنترل تحریک، پایداری دینامیکی را بهبود می بخشد و در بهبود پایداری گذرا موثر است اما نشان داده شده است که اگر یک اغتشاش بزرگ در نزدیکی پایانه ژنراتور ایجاد شود، پایداری سیستم قدرت از بین خواهد رفت. محققان ثابت کرده اند که پایداری گذرا با استفاده از ادوات facts بهبود بیشتری خواهد یافت. امروزه ادوات facts مانند sssc، statcom و upfc برای میراسازی نوسانات و بهبود پایداری گذرای سیستمهای قدرت بکار برده می شوند. با ترکیب نظریه تبدیل ویولت و مفهوم شبکه های عصبی، شبکه نگاشت جدیدی به نام شبکه عصبی موجک تطبیقی پیشنهاد شده اند که به عنوان جایگزینی برای شبکه های عصبی feed forward برای تقریب توابع غیرخطی مورد استفاده قرار می گیرند. در این تحقیق، کنترل ادوات facts جهت بهبود پایداری گذرای سیستم قدرت توسط شبکه عصبی ویولت انجام می گیرد. از کنترل کننده pi برای آموزش off-line شبکه های عصبی کنترل کننده و شناسایی کننده استفاده شده است. همچنین با استفاده از نرخهای آموزش تطبیقی برای پارامتر های وزنی در حالت on-line، کنترل کننده انعطاف پذیری بسیار خوبی دارد. روشهای کنترل ادوات facts توسط شبکه های عصبی را می توان به دو دسته کلی تقسیم بندی کرد: 1) روش غیرمستقیم و 2) روش مستقیم. در روش اول، نیاز به شناسایی سیستم قدرت برای کنترل سیستم مورد نظر در حالت on-line داریم. در روش دوم، نیازی به شناسایی دینامیک غیرخطی سستم قدرت نخواهیم داشت. در این پایان نامه از هر دو روش کنترلی برای کنترل سیستم قدرت جهت بهبود پایداری گذرا استفاده شده است. در روش کنترلی مستقیم، از یک مقدار تخمینی برای شناسایی دینامیک سیستم استفاده می کنیم. در روش کنترلی غیرمستقیم، از یک شبکه عصبی دیگر برای شناسایی دقیق دینامیک سیستم استفاده می کنیم.