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 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 zasnov...

Full description

Permalink: http://skupni.nsk.hr/Record/fer.KOHA-OAI-FER:30055/Details
Glavni autor: Mišković, Mato (-)
Ostali autori: Erceg, Gorislav (Thesis advisor)
Vrsta građe: Knjiga
Jezik: hrv
Impresum: Zagreb : M. Mišković ; Fakultet elektrotehnike i računarstva, 2007.
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