۲-۱-۲روش دو درجه ی آزادی[۶] در کنترل داخلی[۷] :
یک روش جدید تنظیم PID برای کنترل بار فرکانس از سیستم های قدرت در مرجع [۹] مورد بحث قرار گرفته است. روش تنظیم بر اساس دو درجه آزادی (TDF)در کنترل مدل داخلی(IMC) طراحی و تقریب PID عمل کرده است. عملکرد در حوزه زمان و مقاوم بودن[۸] از کنترلر PID به تنظیم دو پارامتر مربوط است. این روش برای سیستم های قدرت با سیستم دارای بازگرم کن، غیر بازگرم کن، و توربین های آبی قابل اجرا بوده و نتایج شبیه سازی نشان می دهد که در میرایی سیستم های قدرت می تواند موثر باشد.
(( اینجا فقط تکه ای از متن درج شده است. برای خرید متن کامل فایل پایان نامه با فرمت ورد می توانید به سایت feko.ir مراجعه نمایید و کلمه کلیدی مورد نظرتان را جستجو نمایید. ))
شکل ۲-۱ ساختارTDF-IMC
در اینجا ساختار روش دو درجه ی آزادی در کنترل داخلی برای طراحی مدل کنترل کننده بار فرکانس که یک ساختار کنترل فرایند محبوب است در شکل ۱-۱۵ نشان داده شده است، که در آنP مدل کنترل شده است و مدل مورد نظر بوده و Q و دو کنترلر آزاد هستند. [۹]
در مرجع [۱۰] کنترل فرکانس شبکه متصل به نیروگاه فتوولتاییک مبتنی بر یک استراتژی کنترل فرکانس استفاده از APC برای اینورتر PV در یک شبکه جزیره ای ترکیبی از تولید توان با سیستم فتوولتاییک و مدل دیزل به عنوان وسیله ای برای کاهش تغییرات فرکانس مورد بحث و حصول اطمینان از حداقل بارگذاری تولید دیزل در نظر گرفته شده است. نشان داده شده است که پارامترهای اصلی از طرح کنترلی در زمانی که از روش معمول استفاده کرده از انعطاف پذیری برای بهبود عملکرد سیستم در زمانی که یک بار به شبکه اضافه می شود، دارای معیار مطلوبی نیست. همچنین اگر دقت شود ورود بار با مقدار بالا در مقایسه با مصرف سوخت در بار کم و دوره نفوذ بالای توان خورشیدی در کنترل فرکانس که وجود ذخیره انرژی را لحاظ نکرده است، برای ما نیز دارای اهمیت است. با این وجود سیستم کنترلی از طرح ساده بهره برده است که در دو دامنه فرکانسی برای تصمیم گیری برای تعیین توان نفوذی استفاده می کند.از این لحاظ سیستم های کنترل هوشمند و به خصوص روش فازی، قوی تر و کارآمدتر هستند .
۲-۲روش های کنترل هوشمند
۲-۲-۱الگوریتم ژنتیک[۹]
الگوریتم ژنتیک برای حل یک مسئله، مجموعه بسیار بزرگی از راه‌حل های ممکن را تولید می‌کند. هر یک از این راه‌حلها با بهره گرفتن از یک تابع تناسب مورد ارزیابی قرار می‌گیرد. آنگاه تعدادی از بهترین راه‌حلها باعث تولید راه‌حلهای جدیدی می‌شوند. که این کار باعث تکامل راه‌حل ها می‌گردد. بدین ترتیب فضای جستجو در جهتی تکامل پیدا می‌کند که به راه‌حل مطلوب دست می آید. در صورت انتخاب صحیح پارامترها، این روش می‌تواند بسیار موثر عمل نماید
الگوریتم ژنتیک به جای جستجوی فرضیه‌های کلی به خاص[۱۰] و یا ساده به پیچیده[۱۱] ،فرضیه‌های جدید را با تغییر و با ترکیب متوالی اجزا، بهترین فرضیه‌های موجود را بدست می‌آورد. در هر مرحله مجموعه‌ای از فرضیه‌ها که جمعیت[۱۲] نامیده می‌شود از طریق جایگزینی بخشی از جمعیت فعلی با فرزندانی که از بهترین فرضیه‌های موجود حاصل شده‌اند بدست می‌آید.
الگوریتم های ژنتیک به طور وسیعی برای حل مسائل بهینه سازی غیرخطی پیچیده در بسیاری از رشته های مهندسی و در زمینه کنترل سیستم های قدرت به کاربرده می شود. در ادبیات موضوع از الگوریتم ژنتیک برای تنظیم بهینه پارامترهای کنترل خودکار و تنظیم توابع عضویت و مجموعه قوانین برای برنامه ریزی فازی کنترلرها استفاده شده و نتایج بهتری نسبت به روشهای معمول سعی و خطا بدست آمده است. [۲۶]
الگوریتم‌های ژنتیک در مسائلی که فضای جستجوی بزرگی داشته باشند می‌تواند به کار گرفته شود. همچنین در مسایلی با فضای فرضیه پیچیده که تاثیر اجزا آن در فرضیه کلی ناشناخته باشند می‌توان از الگوریتم ژنتیک برای جستجو استفاده نمود. همچنین برای بهینه سازی گسسته [۱۳]بسیار مورد استفاده قرار می‌گیرد.
الگوریتم‌های ژنتیک را می‌توان به راحتی به صورت موازی اجرا نمود. امکان به تله افتادن این الگوریتم در مینیمم محلی کمتر از سایر روش ها است. البته از لحاظ محاسباتی پرهزینه هستند و تضمینی برای رسیدن به جواب بهینه وجود ندارد. در الگوریتم ژنتیک معمولا فرضیه‌ها به صورت رشته‌ای از بیت‌ها نشان داده می‌شوند تا اعمال اپراتورهای ژنتیکی برروی آنها ساده‌تر باشد.
فنوتیپ[۱۴] به مقادیر یا راه‌حلهای واقعی و ژنوتیپ[۱۵] به مقادیر کدگشایی[۱۶] شده یا کروموزم‌ها[۱۷] گفته می‌شود که مورد استفاده الگوریتم قرار می‌گیرند و باید راهی برای تبدیل این دو نحوه نمایش به یکدیگر بدست آورده شود . [۲۷]
شکل ۲-۲- مدل کردن برای الگوریتم ژنتیک
به عنوان یک مثال از کاربرد الگوریتم ژنتیک در کنترل بار فرکانس، مقاله [۱۱]یک کنترل کننده بار فرکانس مقاوم جدید برای سیستم قدرت دو منطقه ای به هم پیوسته ارائه شده است که برای رفع انحرافات در فرکانس و قدرت خط ارتباطی با توجه به اغتشاش بارهای مختلف می باشد. کنترلر طراحی شده با الگوریتم ژنتیک شامل دو ورودی یعنی انحراف فرکانس و دیگری مشتق انحراف فرکانس می باشد. خروجی کنترلر الگوریتم ژنتیک به ورودی کنترلی هر منطقه متصل است. مطالعات سیستم قدرت در طیف گستردهای از اغتشاش بار انجام شده است و به موثر بودن کنترلر با الگوریتم ژنتیک تاکید دارد که با توجه به مشخصات سیستم تعیین می شود.
۲-۲-۲ الگوریتم جستجوی گرانشی[۱۸]
یکی دیگر از روش های کنترلی برای کنترل فرکانس روش مرسوم PID و همچنین برای محاسبه ضرایب آن و طراحی الگویی که در مسئله غیر خطی جواب مناسب دهد، استفاده از الگوریتم گرانشی است. در مرجع [۱۲] یک سیستم تک منطقه ای بدون سیستم بازحرارتی در نظر گرفته شده است و به طراحی کنترل کننده PI وPID که بهینه سازی پارامترهای بدست آمده آن با روش جستجو ابتکاری جدید به نام الگوریتم جستجوی گرانشی صورت گرفته است. در این مرجع از یک روش جدید هوشمندانه به نام الگوریتم جستجوی گرانشی برای مشخص کردن ضرایب انتگرالی و ثابت بهینه و ضرایب کنترلر PID در کنترل فرکانس از یک سیستم قدرت تک منطقه ای استفاده شده است. یک سیستم تک منطقه ای بدون باز گرمکن و بسیار کار آمد برای ضرایب کنترلرها ارائه شده است. روش های مبتنی بر کنترلر هوشمند برای حالات سیستم در شرایط متغیر، نیازی به محاسبه ضرایب حالت ندارد و خود سیستم، جواب های بهینه را در صورتی که شرایط در جواب های دور از واقع نرسد را بدست می آورد.
نگهداری تعادل بین تولید و تقاضا و تنظیم فرکانس، اهداف اصلی در سیستم قدرت می باشد [۱۳]. دستیابی به این تعادل به طور مرسوم تولید، باید مقدار بار مصرفی را دنبال کند. یکی از معیار های نتیجه کنترلی، زمان نشست در سیستم است که در طراحی تنظیم کنندهها از آن به عنوان یک شاخص استفاده شده است. [۱۴]
۲-۲-۳ بهینه سازی گروهی پرندگان[۱۹] :
در مرجع [۱۵] ، یک روش کنترل فرکانس بار، مبتنی بر بهبود بهینه سازی گروهی پرندگان از یک سیستم قدرت تک منطقه ای ارائه شده است. اگرچه روش بهینه سازی گروهی پرندگان چندین مزیت دارد، هنوز هم می تواند اشکالاتی مانند تله بهینه محلی که همگرایی زودرس یعنی مشکل اکتشافی داشته باشد، را ایجاد نماید. برای کنترل سیستم قدرت یک منطقه ای به هم پیوسته یک کنترلر PID خود تنظیم کننده[۲۰] را با IPSO بهینه پیشنهاد می کند. مقایسه بین کنترل معمولی انتگرال متناسب (PI) و کنترل مبتنی برطرح پیشنهادیPSO نشان داد که کنترل کننده پیشنهادی دارای پاسخ گذرای بهتری است برای تغییر گام یک بار اضافه شده در شبکه می باشد. برای این از ابزار شبیه سازی در نرم افزار متلب[۲۱] استفاده شده است و مدل مورد نظر در شکل ۲-۲ مورد استفاده بوده است.
شکل ۲-۳-کنترلر سیستم قدرت تک منطقه ای [۱۵]
مفهوم از مکانیسم جستجو PSO با بهره گرفتن از سرعت اصلاح شده و موقعیت فرد در رابطه ۲-۲ و ۲-۳ در صورتی که مقادیر ω, و ,R1,R2 مشخص باشد در شکل ۲-۳ نشان داده شده است .
شکل ۲-۴ عملکرد بهینه سازی pso [15]
سرعت i ام در تکرار K :
ضریب وزنی :
ضرایب بهبود : و
اعداد تصادفی بین ۰ و ۱: و
موقعیت i ام در تکرار K :
بهترین موقعیت از iام تا تکرار زمانی K :
بهترین موقعیت این گروه تا تکرار زمانی K :
| (۲-۲) | =.+.*(-)+.*(-) | |
| (۲-۳) | + = | |
نتایج نشان داده که الگوریتم پیشنهادی کنترلی موثر است و بهبود قابل توجهی در عملکرد سیستم فراهم می کند.
