CONTROL ADAPTIVE NEURAL beroperasi dalam jarak tertentu dari titik disain
dan distensi tidak begitu besar untuk
LANGSUNG PENGAPLIKASIAN
PADA GENERATOR SINKRON
Abstract
AbstTact- Penerapan jaringan syaraf tiruan
untuk mengendalikan generator sinkron
berdasarkan skema kontrol adaptif langsung
diteliti dalam makalah ini. Penggunaan jaringan
syaraf tiruan untuk memodelkan sistem dinamik
dihindari dengan memanfaatkan tanda Jacobian
tanaman. Ini secara substansial mengurangi
kompleksitas dan waktu komputasi dari
kelompok kontrol. Kontroler dilatih secara on-
line dengan menggunakan algoritma propagasi
balik yang memberi atribut adaptif padanya.
Selain itu, pengendali tidak memerlukan
informasi negara dan hanya mempekerjakan
pabriknya. Hasil simulasi disajikan untuk
melengkapi pembahasan teoritis.
PENDAHULUAN
Power system stabilizer (PSS) adalah alat
kontrol pelengkap untuk meredam osilasi
frekuensi rendah dan untuk meningkatkan
kinerja dinamis unit pembangkit [l]. Selama t,
dia melewati dua dekade, metode pengendalian
varian telah diusulkan untuk desain PSS. Di
antara ini, jenis kompensasi 1'SS (CPSS)
konvensional atau tipe kompensasi utama telah
diadopsi oleh sebagian besar perusahaan
utilitas karena struktur, fleksibilitas dan
kemudahan penerapannya yang sederhana [2].
Parameter CPSS disetel berdasarkan rnodel
linier dari generator pada titik operasi spesifik
[1], [2]. Setelah penyetelan parameter secara
off-line, pengujian lapangan ekstensif dilakukan
pada saat commissioning. The.CPSS
menghasilkan kinerja optimal jika sistem
mendorong sistem di daerah yang sangat non
linier. Namun, untuk pabrik non linier, seperti
sistem tenaga dengan berbagai kondisi operasi
dan konfigurasi dan parameter yang bervariasi
waktu, stabilizer parameter tetap ini mungkin
bukan yang optimal untuk keseluruhan
rangkaian titik operasi dan konfigurasi yang
mungkin. Dalam beberapa tahun terakhir,
berbagai pendekatan baru telah diajukan untuk
desain PSS menggunakan teknik kontrol modern
[3], [4], [5]. Banyak dari pendekatan ini kurang
dari satu atau lebih dari tiga fitur dasar dan
penting yang harus dimiliki PSS, yaitu
kesederhanaan struktur, tindakan cepat (waktu
komplementer rendah) dan kemampuan
beradaptasi. Jaringan saraf telah berhasil
diterapkan pada identifikasi dan pengendalian
sistem dinamik non linier [6] khususnya di
bidang kontrol adaptif dengan memanfaatkan
pelatihan on-line [7]. Di antara berbagai jenis
jaringan syaraf tiruan yang digunakan pada
sistem kontrol, jaringan syaraf tiruan multi-layer
feed-forward adalah yang paling umum. Hal ini
terutama disebabkan oleh efisiensi komputasi
dari algoritma back-propsgation [8] dan
fleksibilitas dari tiga lapisan feed-forward neural
network dalam mendekati fungsi non-linear
non-linear yang sewenang-wenang [Q]. Namun
sedikit kerja dilaporkan pada penggunaan
jaringan syaraf tiruan untuk kontrol real-time
sistem kekuasaan. Dalam tulisan ini, stetizer
sistem daya adaptif saraf (NAPSS)
diperkenalkan. Hanya input dan onset
generator yang diukur dan tidak perlu
menentukan keadaan generator sinkron seperti
pada kebanyakan desain PSS saraf lainnya.
Dengan menggunakan metode propagasi balik
on-line, NAPSS mampu melacak variasi tanaman
saat terjadi.
 CONTROL ADAPTIVE NEURAL LANGSUNG
Struktur sistem kontrol ditunjukkan pada
Gambar. 1. Vektor masukan ke NAPSS dibentuk
sebagai:
Dimana Aw (k) adalah deviasi kecepatan
generator dan AP, (k) adalah daya akselerasi,
keduanya pada timestep k. Keluarannya
Pengendali adalah tindakan kontrol PSS, u (k),
yang diumpankan ke pabrik untuk meredam
osilasi deviasi kecepatan generator. Seperti
yang jelas dalam (l), sampel mi-1 dari
penyimpangan kecepatan serta sampel n + l
dari daya percepatan diumpankan sebagai
masukan untuk pengendali thr. Ini membantu
pengontrol untuk mempertimbangkan sifat
dinamis tanaman. Pengaturan ditunjukkan pada
Gambar. 1 sangat sederhana dan tidak ada blok
model referensi dan / atau identifier dalam
strukturnya. Juga tidak perlu mengukur keadaan
tanaman. Untuk mendapatkan kinerja terbaik,
yaitu osilasi minimum pada keluaran pabrik,
fungsi biaya didefinisikan untuk sistem sebagai:
Dimana e (k) = Awd (k) -Aw (k) adalah error
output, Awd (k) adalah deviasi kecepatan yang
diinginkan pada time step k, yaitu sama dengan
nol dalam pengaturan pengaturan, dan h,
tuning pa - rameter, digunakan untuk
mendapatkan karakteristik dinamis yang
diinginkan dari keluaran tanaman. Dengan
mengambil h lebih besar dari nol, faktor penalti
diterapkan pada tindakan kontrol yang
dilakukan oleh NAPSS yang membantu dalam
penyetelan lintasan dinamis, dan
mengoptimalkan overshoot dan waktu
penyelesaian kurva respons. Untuk
meminimalkan fungsi biaya J (k) dengan
menggunakan metode persentase gradien,
matriks berat W (k) NAPSS dipindahkan ke arah
gradien negatif J (k) yang dalam bentuk
matematika memberikan aturan pembaruan
berat badan sebagai berikut:
Dimana q adalah tingkat belajar dan VwJ (k)
adalah gradi- ent dari J (k) berkenaan dengan W
(k). Gradien ini dapat dihitung sebagai:
Istilah a dapat dihitung dengan metode
propagasi balik dan tidak ada kesulitan yang
terlibat di dalamnya. Tapi istilah w, yang
merupakan Jacobian dari tanaman, tidak mudah
dihitung. Beberapa metode telah diajukan
dalam literatur untuk mengevaluasi Jacobian di
antaranya tiga yang terbaik disebutkan di sini.
Pendekatan pertama adalah untuk menghitung
Jacobian menggunakan persamaan tanaman
[lo]. Metode ini secara komputasi ekstensif dan
memerlukan penilaian Jacobian pada setiap
periode sampling. Selain itu, tidak berlaku untuk
tanaman yang tidak dikenal atau diketahui
secara umum. Cara kedua adalah membangun
neuro-identifier yang merupakan pelacak
tanaman real-time [Ill. Dengan menggunakan
identifier ini, Jacobian tanaman dihitung dengan
metode propagasi balik. Sekali lagi metode ini
memberi beban ekstra pada proses perhitungan
karena memerlukan pengenalan dan pelatihan
pengenal neuro.
Namun, metode ini menghasilkan cara yang
tepat dan adaptif untuk secara tidak langsung
mendapatkan Jacobian dan mengendalikan
tanaman. Pendekatan ketiga, yang secara
komputasi paling sederhana, adalah mendekati
turunan parsial dengan tanda yang dapat
diketahui apriori ketika beberapa informasi
tersedia mengenai orientasi di mana output
pengontrol mempengaruhi output tanaman [la].
Pendekatan ini diadopsi di sini. Oleh karena itu,
(4) dapat ditulis kira-kira:
Mengingat bahwa tanda Jacobian dari unit
pembangkitnya negatif dan e = -Aw (k). Oleh
karena itu, (3) dapat disederhanakan sebagai:
Langkah-langkah di atas diambil pada setiap
periode sampling, yang dimulai dengan
algoritma pembelajaran on-line. Penggunaan
elemen sinetron enor vektor menyederhanakan
algoritma pelatihan dalam hal waktu komputasi.
Pengontrol yang dihasilkan menikmati dua sifat
menarik. Pertama, pengontrol disesuaikan
secara langsung berdasarkan kesalahan
keluaran tanaman; Yaitu tidak ada tahap
tambahan untuk mempelajari identifier dan /
atau komputasi Jacobian. Kedua, adaptif; Yaitu
bisa melacak variasi tanaman 'dan
menyesuaikan parameternya sesuai dengan itu
STUDI SIMULASI
Sejumlah penelitian telah dilakukan untuk
menginvestigasi kinerja NAPSS yang diusulkan
dan hasilnya dibandingkan dengan data CPSS.
Model urutan ketujuh non linier yang rinci
digunakan untuk mensimulasikan perilaku
dinamik generator sinkron yang terhubung ke
bus tegangan konstan melalui dua jalur
transmisi paralel. Diagram skematik sistem
ditunjukkan pada Gambar. 2. Persamaan
diferensial yang digunakan untuk
mensimulasikan generator sinkron, fungsi
transfer dari pemerintah, AVR dan CPSS
bersamaan dengan parameter sistem
Diberikan dalam Lampiran. Arsitektur internal
dari controllcr ditunjukkan pada Gambar. 3.
Jumlah penundaan waktu yang digunakan
atau masukan pengendali, yaitu m dan n pada
(I), diatur ke 2 secara eksperimental. Ini berarti
bahwa controller memiliki enam input. Ada satu
lapisan tersembunyi dari 8 neuron dengan
sigmoid non-linearitas dan lapisan keluaran
yang memiliki satu neuron linier. Bobot awal
pengendali terletak di antara [-0,1, + 0,1], dipilih
secara acak pada awal t, prosesnya. Tingkat
belajar dan parameter tuning A masing-masing
diatur ke 0,01 dan 9,5. Sejumlah studi sininilasi
telah dilakukan untuk memilih freqnency
sampling bcst. Resulls menunjukkan bahwa
kinerja tetap praktis untuk kisaran 20-100 Hz.
Freqncncies di bawah 20 IIz akan memburuk
kinerja dan mereka di atas 100 Hz busur atau
tidak ada manfaat praktis. Sebuah sampling rate
25 tlz, oleh karena itu, telah dipilih untuk
memastikan bahwa ada cukup banyak waktu
tersedia atau penambahan berat badan
katalitik.
Tanggapan dari sistem dengan NAPSS dan Ct'SS
telah dibandingkan untuk berbagai gangguan
dan kondisi operasi yang berbeda. Namun, demi
singkatnya, hasil hanya satu studi yang
representatif disajikan di sini, yaitu:
1) CPSS Parnm, eter Tuning: Dalam tes ini,
generator.
Beroperasi pada output daya 0,7 pu, 0,85 pf lag.
Peningkatan 0,84 pu pada input torsi input
diterapkan pada waktu 1 s. Pada waktu 5 detik,
perubahan referensi torsi dihilangkan dan
sistem kembali ke kondisi operasinya semula.
Dengan kondisi di atas, CPSS diimbangi dengan
hati-hati untuk kinerja terbaik, yaitu overshoot
dan waktu penyelesaian minimiad. Parameter
dari CPSS kemudian disimpan tidak berubah
untuk semua tes yang dilakukan.
Hasil penelitian dengan NAPSS, CPSS dan tanpa
5 stabilizer ditunjukkan pada Gambar. 4.
Terlihat dari gambar bahwa NAPSS secara
efektif menurunkan osilasi frekuensi rendah.
2) Uji Operasi Faktor Daya Utama: Operasi
dalam kondisi faktor daya utama
mempengaruhi secara negatif batas efisiensi
generator sinkron. Hal ini membuat situasi sulit
bagi stabilizer untuk mengendalikan genera-
tor. Namun, untuk menyerap arus pengisian
kapasitif pada sistem tenaga tegangan tinggi,
kadang kala diperlukan untuk mengoperasikan
generator pada faktor daya terdepan. Oleh
karena itu, diinginkan agar pengendali dapat
menjamin operasi stabil generator berdasarkan
deret faktor daya utama.
Dengan generator yang beroperasi pada daya
0,3 pu, 0,9 pf timbal, gangguan penurunan 0,05
~~ pada referensi tegangan diterapkan pada
sistem. Hasilnya digambarkan pada Gambar. 5
menunjukkan bahwa NAPSS dapat dengan
cepat menekan oscilator. Ini menunjukkan
keefektifan NAPSS untuk mengendalikan
generator di bawah kondisi faktor daya utama
yang beroperasi.
3) Uji Beban Ringan: Generator sekarang
beroperasi di bawah kondisi beban ringan, yaitu
daya pu 0,1, 0,85 pf lag. Gangguannya adalah
peningkatan langkah 0,20pu dalam input
 diagnostik adaptif yang diusulkan dapat
memberikan peredaman yang baik pada
rentang operasi yang luas. Selain itu, secara
signifikan meningkatkan karakteristik dinamis
dan sementara dari sistem. Studi lebih lanjut
dengan NAPSS yang diusulkan pada sistem
tenaga lima mesin yang menunjukkan osilasi
multi-mode sedang dilakukan saat ini. Hasil
awal terlihat sangat menggembirakan. Hasil
akhir akan dilaporkan saat studi selesai. Perlu
disebutkan bahwa NAPSS serupa namun
dengan algoritma yang sedikit berbeda telah
diterapkan di lingkungan laboratorium

KESIMPULAN

Pengontrol adaptif langsung untuk generator

menggunakan jaringan saraf terlatih on line
disajikan dalam makalah ini. Kontroler
menikmati keuntungan umum jaringan nenral
seperti kecepatan tinggi, kemampuan
generalisasi dan toleransi kesalahan serta
adaptasi (pembelajaran) properti. Selain itu, ia
memiliki sifat menarik berikut:

- Penekanan pengendali sangat sederhana

hanya membutuhkan beberapa neuron
- Kontroler disesuaikan secara langsung
dalam mode on-line untuk mengurangi
kesalahan ontput.
- Algoritma pembelajaran disederhanakan
dengan memanfaatkan vektor kesalahan
elemen tunggal.
- Tidak perlu menentukan -status pembentuk
seperti pada sebagian besar desain PSS
saraf lainnya.
- Pengendali mempertimbangkan sifat non
linier tanaman.
- Metode yang diusulkan tidak memerlukan
model matematis tanaman.

Hasil simulasi untuk berbagai kondisi operasi

dan gangguan menunjukkan bahwa stadion