میرا سازی نوسانات فرکانس پایین توان در سیستم قدرت با استفاده از روش های هوش مصنوعی مبتنی بر تبدیل موجک

به منظور میراسازی نوسانات فرکانس پایین و متعاقباً بهبود پایداری دینامیکی سیستم قدرت، معمولاً از پایدارسازهای سیستم قدرت استفاده می گردد. در این میان پایدارسازهای تطبیقی، با توجه به خصوصیات غیر خطی سیستم قدرت، بیشتر مورد توجه قرار گرفته اند، هر چند، افزایش انعطاف پذیری و نیز تضمین همگرایی آنها همواره در حال بررسی است. در این پایان نامه شبکه های عصبی موجک بازگشتی با خصوصیاتی نظیر؛ قابلیت یادگیری شبکه های عصبی پیشخور؛ سرعت بالای آموزش شبکه های عصبی موجک و نیز دینامیک مناسب شبکه های عصبی بازگشتی، در جهت طراحی پایدار سازهای تطبیقی با سطح مطلوب تری از انعطاف پذیری بکار گرفته شده اند. در این راستا یک کنترل کننده pid با قابلیت یادگیری در حالت آنلاین، و نیز یک کنترل کننده عصبی-تطبیقی با قابلیت بالای تطبیق پذیری در حالت آنلاین، ارائه شده اند. به منظور مقدار دهی آغازین کنترل کننده pid از الگوریتم بهینه سازی آشوب استفاده شده است. همچنین در طول طراحی کنترل کننده عصبی-تطبیقی به منظور بهره برداری از تمام ظرفیت شبکه عصبی، یک الگوریتم آموزش ترکیبی موسوم به cgs-bp برای آموزش آفلاین شبکه عصبی موجک بازگشتی ارائه شده است. الگوریتم پیشنهادی cgs-bp حاصل ترکیب الگوریتم پس انتشار خطا و الگوریتم جستجوی سراسری آشوب می باشد. بعلاوه، تئوری پایداری لیاپانف گسسته به منظور تضمین همگرایی کنترل کننده های پیشنهادی در حالت آنلاین، به نحوی مطلوب بکار گرفته شده است. در ادامه با توجه به ویژگی های مطلوب ادوات facts، کنترل کننده pid پیشنهادی به منظور اعمال به sssc در جهت میراسازی نوسانات بین ناحیه ای سیستم قدرت بکار گرفته خواهد شد. همچنین یک کنترل کننده تطبیقی-عصبی چند هدفه مبتنی بر تئوری کنترل معکوس به منظور اعمال به sssc و میرا سازی نوسانات بین ناحیه ای سیستم قدرت چند ماشینه ارائه شده است؛ این کنترل کننده با دریافت مقادیر مطلوب نوسانات سیستم در حالت آنلاین، سیگنال کنترلی مناسب را تولید می نماید. نهایتاً با بکار گیری یک شبکه عصبی موجک بازگشتی در شاخه تناسبی یک کنترل کننده pi کلاسیک، یک کنترل کننده pi با بهره تناسبیِ عصبی به منظور اعمال به ادوات facts و میرا سازی نوسانات فرکانس پایین سیستم قدرت ارائه خواهد شد. در کنترل کننده مذکور سیگنال خطا قبل از اعمال به بهره تناسبی، توسط یک شبکه عصبی موجک بازگشتی در جهت کمینه نمودن تابع هزینه پیشنهادی و در حالت آنلاین پردازش خواهد شد. پایداری کنترل کننده مذکور با استفاده از تئوری پایداری لیاپانف گسسته بررسی می شود. همچنین، قدرت بالای تطبیق پذیری کنترل کننده پیشنهادی در حالت آنلاین و نیز سرعت بالای آن در بازیافت آنلاین سیستم قدرت پس از اغتشاشات ناگهانی، بواسطه مطالعات شبیه سازی به اثبات می رسد.