|
|
|
|
LEADER |
05656nam a2200229uu 4500 |
005 |
20190218142109.0 |
008 |
s2007 ci a |||||||||| ||hrv|d |
035 |
|
|
|a HR-ZaFER 34462
|
040 |
|
|
|a HR-ZaFER
|b hrv
|c HR-ZaFER
|e ppiak
|
041 |
|
|
|a hrv
|
080 |
|
|
|a 621.313.322
|h IZMJENIČNI STROJEVI
|j SINHRONI GENERATORI
|e 621.313.3
|9 437
|
100 |
1 |
|
|9 18030
|a Mišković, Mato
|
245 |
|
|
|a Proširenje područja rada sinkronog generatora adaptivnim upravljanjem upotrebom neuronskih mreža :
|b doktorska disertacija /
|c Mato Mišković ; [mentor Gorislav Erceg]
|
260 |
|
|
|a Zagreb :
|b M. Mišković ; Fakultet elektrotehnike i računarstva,
|c 2007.
|
300 |
|
|
|a 172 str. :
|b ilustr. djelom u bojama ;
|c 30 cm. +
|e CD
|
504 |
|
|
|a Bibliografija str. 132-139
|
520 |
|
|
|a Sinkroni generator u radu na EES predstavlja izrazito nelinearni sustav.
Konvencinalni linearni regulator sustava uzbude moze optimalno raditi samo u
okolini radne tocke i pri malim poremecajima u EES-u. Optimalni pogon u sirokom
radnom podrucju moze se postici automatskim regulatorom koji je zasnovan na
neuronskim mrezama. Primjenom postupka optimiranja u teoriji automatske
regulacije poznatog kao Adaptive Critic Design (ACD), koji se zasniva na
dinamickom programiranju i neuronskim mrezama, moguce je postici optimalni
pogon u citavom radnom podrucju. Neuronske mreze algoritmom ucenja preslikavaju
nelinearna dinamicka svojstva sustava u neuronsku strukturu. Korisnicka definicija
kriterijske funkcije takoder se preslikava u neuronsku mrezu. Ove dvije neuronske
mreze koriste se za ostvarenje optimalnog upravljanja sustavom uzbude ucenjem trece
regulacijske neuronske mreze. Razlaganjem postupka optimiranja u dvije, odnosno tri,
neuronske mreze povecava se ucinkovitost i stabilnost postupka ucenja. Zamjena
statickih neuronskih mreza dinamickim, povecava se tocnost aproksimacije, a time i
ukupna efikasnost postupka. Primjena heuristicke metode u optimiranju sustava,
pojednostavljuje postupak i zahtjeva minimalno poznavanje sustava. Postupak
optimalnog upravljanja (ACD) moze se primijeniti kao zamjena za linearni
stabilizator EES-a ili kao potpuni neuro-regulator sustava uzbude.
Neuronske mreze primjenjuju se i za estimaciju pogonskih velicina. Estimacija kuta
opterecenja sinkronog generatora u radu na EES primjenjuje se s ciljem osiguranja
stabilnog rada sinkronog genneratora. Iznos kuta opterecenja moze se izravno koristiti
za procjenu stabilnosti elektroenergetskog sustava. Estimirani kut opterecenja moze se
koristiti i u regulaciji sustava uzbude za indiciranje granice stabilnog rada sinkronog
generatora.
Za ostvarenje naprednih algoritama regulacije sustava uzbude, potreban je kvalitetan
matematicki model sinkronog generatora. U procesu ostvarenja regulatora sustava
uzbude s neuronskim mrezama, ucenja neuronskih mreza u odredenim pogonskim
podrucjima, moze se postici samo primjenom matematickog modela, zbog cega je
potrebno raspolagati verificiranim modelom. Matematicki model treba biti nelinearan,
a simulacijski proracuni ne smiju biti numericki 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 proracune
Estimacija kuta tereta provedena je na laboratorijskom modelu sinkronog generatora
prividne snage 83 kVA, gdje su uvjetima stvarnog pogona potvrdeni simulacijski
proracuni.
Kljucne rjeci: sinkroni generator, sustav uzbude, neuronske mreze, adaptivni sustavi
|
520 |
|
|
|a Synchronous generator has dominant nonlinear characteristics in power system.
Conventional linear excitation controller is optimal only for one operating point with
small deviations. Optimally controlled power system can be realized using neural
network based controller. Using Adaptive Critic Design (ACD) optimizing algorithm,
based on dynamic programming and neural networks, one can achieve optimal control
in full power system operating range. Implemented controller has three neural
networks (NN). Model NN is trained to represent system with its nonlinearities. Critic
NN represents user defined criterion function. Action NN is trained to control
excitation system. By splitting one NN into two or three the efficiency is increased
and optimizing algorithm becomes more stable. Dynamic neural networks are used to
achieve better approximation, and thus increased system efficiency. Heuristic system
optimization algorithm simplifies training procedure and reduces the information
needed about controlled process. Adaptive critic design can be implemented as a
replacement for linear power system stabilizer or as a complete excitation system
controller.
Neural networks can also be used for estimation of power system characteristics. To
achieve stability of synchronous generator control, power angle estimation is needed.
Estimated value can be used as a limit in excitation system control, as well as a
system stability indicator.
In order to use more advanced excitation system controllers, good mathematical
model of a synchronous generator is needed. The model should be nonlinear and
numerically simple (for fast computation).
Described design was tested on a laboratory setup, on two separate synchronous
generators (4 kVA and 83 kVA). Laboratory measurements matched those from
simulation. Power angle estimation was, also successfully, tested on the larger
generator (83 kVA).
Keywords: synchronous generator, generator excitation system, neural network,
adaptive critic design
|
700 |
|
|
|4 ths
|9 8024
|a Erceg, Gorislav
|
942 |
|
|
|c D
|2 udc
|
990 |
|
|
|a 32225
|
999 |
|
|
|c 30055
|d 30055
|