hrvatski

PROŠIRENJE PODRUČJA RADA SINKRONOG GENERATORA ADAPTIVNIM UPRAVLJANJEM UPOTREBOM NEURONSKIH MREŽA

Sinkroni generator u radu na EES predstavlja izrazito nelinearni sustav. Konvencinalni linearni regulator sustava uzbude može optimalno raditi samo u okolini radne točke i pri malim poremećajima u EES-u. Optimalni pogon u širokom radnom području može se postići automatskim regulatorom koji je zasnovan na neuronskim mrežama. Primjenom postupka optimiranja u teoriji automatske regulacije poznatog kao Adaptive Critic Design (ACD), koji se zasniva na dinamičkom programiranju i neuronskim mrežama, moguće je postići optimalni pogon u čitavom radnom području. Neuronske mreže algoritmom učenja preslikavaju nelinearna dinamička svojstva sustava u neuronsku strukturu. Korisnička definicija kriterijske funkcije također se preslikava u neuronsku mrežu. Ove dvije neuronske mreže koriste se za ostvarenje optimalnog upravljanja sustavom uzbude učenjem treće regulacijske neuronske mreže. Razlaganjem postupka optimiranja u dvije, odnosno tri, neuronske mreže povećava se učinkovitost i stabilnost postupka učenja. Zamjena statičkih neuronskih mreža dinamičkim, povećava se točnost aproksimacije, a time i ukupna efikasnost postupka. Primjena heurističke metode u optimiranju sustava, pojednostavljuje postupak i zahtjeva minimalno poznavanje sustava. Postupak optimalnog upravljanja (ACD) može se primijeniti kao zamjena za linearni stabilizator EES-a ili kao potpuni neuro-regulator sustava uzbude. Neuronske mreže primjenjuju se i za estimaciju pogonskih veličina. Estimacija kuta opterećenja sinkronog generatora u radu na EES primjenjuje se s ciljem osiguranja stabilnog rada sinkronog genneratora. Iznos kuta opterećenja može se izravno koristiti za procjenu stabilnosti elektroenergetskog sustava. Estimirani kut opterećenja može se koristiti i u regulaciji sustava uzbude za indiciranje granice stabilnog rada sinkronog generatora. Za ostvarenje naprednih algoritama regulacije sustava uzbude, potreban je kvalitetan matematički model sinkronog generatora. U procesu ostvarenja regulatora sustava uzbude s neuronskim mrežama, učenja neuronskih mreža u određenim pogonskim područjima, može se postići samo primjenom matematičkog modela, zbog čega je potrebno raspolagati verificiranim modelom. Matematički model treba biti nelinearan, a simulacijski proračuni ne smiju biti numerički zahtjevani. Opisani algoritam upravljanja sustavom uzbude ispitan je na laboratorijskim modelima, s agregatom prividne snage 4 kVA, i agregatom prividne snage 83 kVA. Mjerenja na laboratorijskim modelima potvrdila su simulacijske proračune Estimacija kuta tereta provedena je na laboratorijskom modelu sinkronog generatora prividne snage 83 kVA, gdje su uvjetima stvarnog pogona potvrđeni simulacijski proračuni.

sinkroni generator; sustav uzbude; neuronske mreže; adaptivni sustavi

nije evidentirano