CC BY
25УДК 004.8, 519.71, 681.5
ИНТЕЛЛЕКТУАЛЬНАЯ НАСТРОЙКА РЕГУЛЯТОРОВ УСТАНОВОК РАСПРЕДЕЛЕННОЙ ГЕНЕРАЦИИ Булатов Юрий Николаевич
К.т.н., доцент, ФГБОУ ВО «Братский государственный университет», 665709, Братск, ул. Макаренко, д. 40, e-mail: bulatovyura@yandex.ru Крюков Андрей Васильевич Д.т.н., профессор, ФГБОУ ВО «Иркутский государственный университет путей сообщения»,
664074, Иркутск, ул. Чернышевского, д. 15; ФГБОУ ВО «Иркутский национальный исследовательский технический университет», 664074, г. Иркутск, ул. Лермонтова 83, e-mail: and_kryukov@mail.ru
Аннотация. Задача применения интеллектуальных алгоритмов управления в электроэнергетических системах приобретает особую актуальность в связи с развитием концепции интеллектуальных электрических сетей (smart grid), предусматривающей широкое использование активных устройств для регулирования режимов и установок распределённой генерации (РГ). Повысить устойчивость параллельной работы синхронных турбо- и гидрогенераторов установок РГ возможно путем их оснащения автоматическими регуляторами возбуждения (АРВ) и частоты вращения (АРЧВ).
В работе представлена система адаптивного управления согласованной настройкой АРВ и АРЧВ в различных режимах работы синхронных генераторов установки РГ с использованием генетического алгоритма и нечёткой логики. Кроме того, в применяемой методике используются современные технологии цифровой обработки сигналов: вейвлет-преобразование, дискретное быстрое преобразование Фурье, весовые окна.
На основе моделирования, выполненного в системе MATLAB, показана эффективность использования предлагаемого адаптивного блока управления параметрами АРВ и АРЧВ, заключающаяся в уменьшении времени переходного процесса и перерегулирования напряжения и частоты вращения ротора генератора, а также в обеспечении необходимого запаса устойчивости. Ключевые слова: распределённая генерация в системах электроснабжения железных дорог, автоматические регуляторы возбуждения и частоты вращения, согласованная настройка, нечеткие алгоритмы.
Введение. В настоящее время особую актуальность приобретает вопрос применения в электроэнергетических системах (ЭЭС) интеллектуальных алгоритмов управления. Это связано с необходимостью создания интеллектуальных электрических сетей (smart grid), предусматривающих широкое использование активных устройств для регулирования режимов и установок распределённой генерации (РГ), в том числе работающих на основе возобновляемых источников энергии. Внедрение этих технологий позволит повысить эффективность управления, живучесть и надёжность систем электроснабжения.
Повысить устойчивость параллельной работы синхронных турбо- и гидрогенераторов установок РГ возможно путем их оснащения автоматическими регуляторами возбуждения (АРВ) и частоты вращения (АРЧВ). Ввиду относительно небольшой мощности установок РГ и малой постоянной инерции роторов их генераторов особую актуальность приобретает задача согласованной настройки АРВ и АРЧВ [2, 3, 13], заключающейся в определении параметров регуляторов, учитывающих их взаимное влияние и обеспечивающих высокие демпферные свойства при электромеханических переходных процессах, а также требуемый запас устойчивости.
В статье представлено описание системы адаптивного управления согласованной настройкой АРВ и АРЧВ в различных режимах работы синхронного генератора установки РГ; при этом использовались следующие интеллектуальные технологии: генетический алгоритм (ГА) для поиска оптимальных настроек регуляторов [4, 5, 15]; нечёткая логика при адаптивной корректировке настроек АРВ и АРЧВ в различных режимах работы. В применяемой методике согласованной настройки [3] также используются современные технологии цифровой обработки сигналов: вейвлет-преобразование, дискретное быстрое преобразование Фурье, весовые окна. Все это позволяет сформировать базу знаний для адаптивной системы управления установкой РГ.
В настоящее время выполнено большое число исследований по применению интеллектуальных технологий в системах электроснабжения [1, 5 - 7, 10 - 12, 14 - 28]. Ниже представлены методы и алгоритмы, использующие интеллектуальные технологии для управления установками РГ в системах электроснабжения железных дорог (СЭЖД).
Интеллектуальная система управления настройкой регуляторов установок распределённой генерации. Обеспечить устойчивость параллельной работы установок РГ позволяет их оснащение системами автоматического управления (АРВ и АРЧВ). При оптимальной настройке регуляторов обеспечивается улучшение качества электроэнергии и повышение надёжности электроснабжения потребителей [2, 3]. Для оптимального
управления требуется корректировка настроек АРВ и АРЧВ при существенных изменениях режимов работы установок РГ и СЭЖД. Под такими изменениями понимаются:
• значительные вариации размеров движения поездов, сопровождающиеся существенными изменениями средних уровней напряжения в точках подключения установок
РГ;
• большая вариация нагрузки потребителей, приводящая к заметным отклонениям напряжения и частоты в узле присоединения установок РГ;
• подключение установок РГ и их синхронизация с сетью;
• возникновение аварийных режимов в сетях 110-220, 27,5 и 6-10 кВ, непосредственно связанных с тяговыми подстанциями (ТП) железнодорожной магистрали, и последующая реконфигурация топологии этих сетей, вызванная отключениями поврежденных элементов;
• изменение схем питания сетей 6-10 кВ, например, переключение на питание от соседней ТП.
Авторами предлагается адаптивная система, выполняющая описанную выше корректировку, построенная на основе системы нечеткого логического вывода с применением модулей идентификации режима работы и формирования виртуальной модели генератора установки РГ, а также включающая модуль согласованной настройки регуляторов, выполняющий поиск оптимальных коэффициентов АРВ и АРЧВ. На рис. 1 представлена структурная схема предлагаемой адаптивной системы управления настройкой регуляторов установки РГ.
Принцип действия системы заключается в идентификации режима работы генератора
установки РГ и коррекции текущих параметров настройки АРВ и АРЧВ при изменении
режима работы. Подробная блок-схема fuzzy-регулятора с блоком автонастройки
представлена на рис. 2. Входными параметрами fuzzy-регулятора являются текущие значения
напряжения и мощностей
, частоты вращения ротора генератора установки Р1.
Выходными параметрами являются оптимальные для текущего режима коэффициенты настройки АРВ и АРЧВ.
Рис. 1. Структурная схема адаптивной системы управления АРВ и АРЧВ установки РГ: ДЧ - датчик частоты; ОВ - обмотка возбуждения; СГ - синхронный генератор; Т - турбина;
ТН - трансформатор напряжения
Рис. 2. Блок-схема fuzzy-регулятора с блоком автонастройки
Применяемый блок автонастройки, состоящий из модуля идентификации и моделирования, а также модуля согласованной настройки, позволяет сформировать базу знаний fuzzy-регулятора.
«Information and mathematical technologies in science and management» 2017 № 3 (7)
Модуль идентификации и моделирования на основе экспериментальных данных формирует модель замкнутой системы управления установки РГ для текущего режима и передает полученное характеристическое уравнение модулю согласованной настройки. Для этого используется непараметрическая идентификация, в результате которой на базе априорной информации о процессе определяются численные значения комплексного передаточного коэффициента как отношения спектров выходных и входных сигналов [3, 4]. Замкнутая система «турбина-генератор» иллюстрируется схемой, показанной на рис. 3. Характеристический полином рассматриваемой системы определяется по следующему выражению:
, (1)
где Е - единичная матрица; ,
* ^ ' - матричная передаточная функция объекта
регулирования (системы «турбина-генератор»), определяемая экспериментально; _
матричная передаточная функция регулятора, учитывающая взаимосвязь АРВ и АРЧВ:
- комплексный передаточный коэффициент
АРЧВ;
частоте;
- комплексный передаточный коэффициент АРВ канала регулирования по
- комплексный передаточный коэффициент АРВ канала регулирования по напряжению.
Для передаточных коэффициентов можно записать следующие соотношения:
где kp, к/, к^ - коэффициенты настройки АРЧВ; кои, кош и к1ш - коэффициенты настройки каналов регулирования АРВ.
Рис. 3. Структурная схема системы «турбина-генератор»:
- комплексный передаточный коэффициент турбины; - комплексный передаточный
коэффициент возбудителя
Для получения точных передаточных функций при идентификации целесообразно использовать тестовые широкополосные сигналы. Однако вмешательство в процесс эксплуатации систем электроснабжения нежелательно, поэтому предлагается использовать подход, в котором используется выделенный шум регуляторов с применением вейвлет-преобразования [4]. Для использования модуля идентификации и моделирования был разработан интерфейс, вид которого показан на рис. 4.
Частотные характеристики, построенные по полученным таким образом комплексным передаточным коэффициентам, оказываются недостаточно гладкими. Поэтому модуль идентификации и моделирования проводит сглаживание передаточной функции системы на основе применения весовых окон [13]; при этом используется коэффициент сглаживания, определяющий величину, обратную к ширине окна (рис. 4).
Исходные данные системы
Параметры электроэнергетической системы
1) Параметры эквивалентного генератора:
Число генераторов, п 2 Постоянная инерции Т], сек |8.41
ЭДС генератора Eq, o.e. 1.13
Напряжение генератора Ug, o.e. 1_
Сопротивление Xd, o.e. |1.07 Угол нагрузки delta, эл.град. 25 □ наличие связи с системой
2) Параметры системы:
Сопротивление связи с системой Xsv, о.е |1.3623 | Напряжение на шинах системы Us, o.e. [l
Назад
Далее
Рис. 4. Интерфейс модуля идентификации и моделирования
Модуль согласованной настройки позволяет определить оптимальные коэффициенты настройки АРВ и АРЧВ с помощью минимизации критерия качества на основе генетического алгоритма (ГА) [5, 15]:
, (2)
где - рассогласование между желаемым и модельным
наборами коэффициентов характеристических полиномов; - текущее значение частоты из
диапазона [0; ], определяющего «полосу пропускания» системы. В качестве желаемых полиномов могут использоваться полиномы Баттерворта или др.
В связи с тем, что величина рассогласования является
лВЛлСЮл
комплексной, возникают затруднения при минимизации функционала (2). Поэтому целесообразно использовать линейную свертку:
, (3)
где , - критерии, отвечающие близости годографов в областях действительных и мнимых значений. Эти критерии формируются так:
(4)
Модуль согласованной настройки может использовать схему классического ГА или предлагаемого адаптивного ГА, автоматически определяющего исходную популяцию, оптимальные значения вероятности скрещивания и мутации для конкретной задачи. Адаптивный ГА позволяет достаточно быстро и точно решить задачу оптимизации коэффициентов настройки регуляторов установки РГ [5], что является важным качеством при решении задачи в режиме реального времени. Интерфейс модуля согласованной настройки представлен на рис. 5, где также отображается информация о модели объекта в виде частотных характеристик.
Рис. 5. Интерфейс модуля согласованной настройки
Идентификация и согласованная настройка АРВ и АРЧВ генератора установки РГ проводится для различных режимов, что позволяет создать базу правил, определяющих функционирование адаптивного регулятора установки РГ. На этапе ввода предлагаемой системы необходимо определить основные режимы работы установки РГ, используя экспериментальные данные. При работе системы в автоматическом режиме база знаний fuzzy-регулятора пополняется автоматически. База правил предлагаемой системы формируется из продукционных правил типа «Если-то» с использованием знаний эксперта или блока автонастройки.
Необходимо отметить, что применение технологий распределённой генерации в СЭЖД требует учитывать следующие особенности: значительные вариации однофазных тяговых нагрузок, приводящие к появлению несимметрии и гармонических искажений. В связи с этим присоединять установки РГ к СЭЖД лучше через вставки постоянного тока (ВПТ) с использованием современной преобразовательной техники. Использование ВПТ «Информационные и математические технологии в науке и управлении» 2017 № 3 (7)
дает возможность улучшить показатели качества электроэнергии и ограничить мощность короткого замыкания на шинах источников РГ [8, 9].
Описание модели и результатов исследования. Моделирование проводилось в среде МАТЬАВ применительно к схеме фрагмента СЭЖД, представленного на рис. 6. Осуществлялось детальное моделирование режимов района электроснабжения нетяговых потребителей (РЭС). В состав РЭС входила установка РГ мощностью 3 МВА и группа нагрузок, суммарная мощность которых составляла 5,5 МВ А. РЭС имел топологию сетевого кластера [8], который был выполнен на основе ВПТ. Управление установкой РГ осуществлялось с помощью АРВ и АРЧВ с коррекцией их настройки fuzzy-регулятором, оборудованным блоком автонастройки.
Структурная схема паровой турбины представлена на рис. 7. При моделировании
использовались следующие параметры турбогенератора: о.е.,
о.е.,
о.е., эл. град.
Рис. 6. Фрагмент системы электроснабжения железной дороги: АРВ - автоматический регулятор возбуждения; АРЧВ - автоматический регулятор частоты вращения; В - выключатель; ДЧ - датчик частоты вращения; КС - контактная сеть; ОВ -обмотка возбуждения; ТН - трансформатор напряжения; ТП - тяговая подстанция; ЭПС -электроподвижной состав; ЭЭС - электроэнергетическая система
Рис. 7. Структурная схема модели паровой турбины с учётом промежуточного отбора пара
Модель тиристорного возбудителя реализована в виде апериодического звена первого порядка и блока ограничения напряжения [13] при следующих значениях параметров: ke = 1;
Te = 0,025 с. Для регулирования частоты и напряжения генератора использовались модели
микропроцессорных АРВ и АРЧВ [8, 13]. Согласование настроек регуляторов, а также формирование базы правил fuzzy-регулятора осуществлялись с помощью блока автонастройки. Оптимальные настройки АРВ и АРЧВ были определены для двух режимов: минимальный режим (генератор загружен до 50 %) и максимальный режим (загрузка генератора составляет 100 %). В модели предусматривалась возможность внесения возмущения в виде отключения или подключения дополнительной нагрузки и имитации трёхфазного короткого замыкания (КЗ).
Для анализа влияния предлагаемой адаптивной системы управления согласованной настройкой АРВ и АРЧВ на параметры электромагнитных и электромеханических переходных процессов рассматривались следующие режимы:
• подключение дополнительной нагрузки;
• возникновение КЗ на шинах 6 кВ и его отключение релейной защитой через 0,5 с. Результаты компьютерного моделирования показывают эффективность
использования предлагаемого адаптивного блока управления параметрами АРВ и АРЧВ генератора установки РГ, заключающуюся в уменьшении времени переходного процесса и перерегулирования напряжения и частоты вращения ротора генератора, а также в обеспечении необходимого запаса устойчивости и в способности обеспечивать нормативное качество электроэнергии у потребителей. Результаты моделирования, которые подтверждают сформулированные выводы, представлены на рис. 8 и 9.
1.05 1.025 1
0.975 0.95 0.925 0.9 0.875 0.85
Ug, o.e.
2 Ы w* rt .Щ ï fjk
\i Г
71
ï
t
\ Время, с
1.005 1.0025 1
0.9975 0.995 0.9925 0.99 0.9875 0.985
CO, o.e. _я_
/ д
< 'W \r
— h iT V
\ 1 V
I É-----
1/
V Время, с ■
3.5
4.5
5.5
6.5
3 3.5 4 4.5 5 5.5 6 6.5
а)
б)
Рис. 8. Изменение напряжения (а) и частоты (б) генератора при подключении дополнительной нагрузки: 1 - без изменения коэффициентов настройки АРВ и АРЧВ; 2 - с использованием fuzzy-регулятора, изменяющего настройки АРВ и АРЧВ
1.2 1.1 1
0.9 0.8 0.7 0.6 0.5 0.4 0.3 0.2 0.1 0
со, o.e. _ _ г
Y
К
_ _ _ _ E >ремя, с
2.8 2.9 3 3.1 3.2 3.3 3.4 3.5 3.6 3.7 3.8
Рис. 9. Осциллограммы частоты вращения ротора генератора при возникновении в момент времени 3 с короткого замыкания длительностью 0,5 с на шинах нетягового потребителя: 1 - без изменения коэффициентов настройки АРВ и АРЧВ; 2 - с использованием fuzzy-регулятора, изменяющего настройки АРВ и АРЧВ
Таким образом, используемые в методике согласованной настройки регуляторов интеллектуальные технологии позволили сформировать базу знаний адаптивной системы «Information and mathematical technologies in science and management» 2017 № 3 (7)
управления установкой распределённой генерации, работающей в СЭЖД. Интеллектуальность предложенной системы возможно повысить за счёт применения искусственных нейронных сетей и более детального ранжирования возможных режимов работы установки РГ при формировании базы знаний.
Заключение.
1. Предложена адаптивная система управления параметрами регуляторов установки распределённой генерации, базу знаний которой позволяет сформировать блок автонастройки, основанный на применении методики согласованной настройки регуляторов и интеллектуальных технологий. Разработанные интерфейсы модулей согласованной настройки, идентификации и моделирования позволяют формировать базу знаний адаптивной системы управления на этапе ввода её в эксплуатацию.
2. Результаты компьютерного моделирования позволяют сделать вывод об эффективности применения нечёткого адаптивного блока управления согласованной настройкой автоматических регуляторов генератора установки распределённой генерации. При использовании интеллектуальной системы управления уменьшается время переходного процесса, перерегулирование напряжения и частоты генератора, а также обеспечивается устойчивость и живучесть системы электроснабжения в различных режимах работы.
СПИСОК ЛИТЕРАТУРЫ
1. Беляев А.Н., Смоловик С.В. Проектирование адаптивных автоматических регуляторов возбуждения с помощью нейронечеткого моделирования // Электричество. 2002. № 3. С.°2-9.
2. Булатов Ю.Н., Крюков А.В., Чан Зюй Хынг. Улучшение качества электроэнергии нетяговых потребителей путем применения автоматически управляемых установок распределенной генерации // Системы. Методы. Технологии. 2014. №4(24). С. 73-79.
3. Булатов Ю.Н., Крюков А.В., Чан Зюй Хынг. Согласованная настройка регуляторов установок распределенной генерации, работающих в системе электроснабжения железной дороги // Системы. Методы. Технологии. 2015. № 1(25). С. 94-102.
4. Булатов Ю.Н., Крюков А.В. Применение вейвлет-преобразования и генетических алгоритмов для настройки автоматических регуляторов установок распределенной генерации // Научный вестник Новосибирского государственного технического университета. 2016. № 2 (Т. 63). С. 7-22.
5. Булатов Ю.Н., Крюков А.В. Применение генетических алгоритмов для настройки автоматических регуляторов установок распределенной генерации // Информационные и математические технологии в науке и управлении. 2016. № 2. С. 30-45.
«Информационные и математические технологии в науке и управлении» 2017 № 3 (7)
6. Булатов Ю.Н., Крюков А.В., Чан Зюй Хынг. Интеллектуальные регуляторы для установок распределенной генерации // Современные технологии. Системный анализ. Моделирование. 2015. № 2(46). С. 83-95.
7. Булатов Ю.Н., Крюков А.В., Чан Зюй Хынг Нечеткие регуляторы для ветрогенерирующих установок // Известия вузов. Проблемы энергетики. № 7-8. 2014. С. 60-69.
8. Булатов Ю.Н., Крюков А.В., Чан Зюй Хынг. Сетевые кластеры в системах электроснабжения железных дорог. Иркутск: ИрГУПС, 2015. 205 с.
9. Булатов Ю.Н., Крюков А.В., Алексеенко Е.А. Моделирование аварийных режимов в системах электроснабжения с установками распределенной генерации // Информационные и математические технологии в науке и управлении. 2017. № 1(5). С.°7-18.
10. Буянкин В.М. Анализ влияния числа слоев нейронной сети на устойчивость замкнутых систем нейроуправления электроприводом // Вестник МГТУ им. Н.Э. Баумана. Сер. «Машиностроение». 2010. № 3. С. 108-115.
11. Буянкин В.М. Синтез нейроадаптивных нейрорегуляторов с использованием нечетких технологий на базе нейропрогнозирующих нейроидентификаторов для систем
управления сложными техническими установками // Приборы и системы. Управление, контроль, диагностика. 2012. № 8. С. 33-44.
12. Закарюкин В.П., Крюков А.В., Черепанов А.В. Интеллектуальные технологии управления качеством электроэнергии. Иркутск: Издательство ИрНИТУ. 2015. 218 с.
13. Игнатьев И.В., Булатов Ю.Н. Модели и методы настройки систем регулирования возбуждения генераторов на основе экспериментальных данных. Братск: Изд-во БрГУ. 2016. 278 с.
14. Куцый Н.Н., Лукьянов Н.Д. Применение генетического алгоритма для оптимизации автоматических систем с ПИД-регулятором // Вестник ИрГТУ. 2012. № 6 (65). С. 6-10.
15. Bulatov Yu.N., Kryukov A.V. "Optimization of automatic regulator settings of the distributed generation plants on the basis of genetic algorithm", 2nd International Conference on Industrial Engineering, Applications and Manufacturing (ICIEAM). IEEE Conference Publications. 2016. Pp. 1-6.
16. Bernd M. Buchholz, Zbigniew A. Styczynski. Smart Grids - Fundamentals and Technologies in Electricity Networks // Springer-Verlag Berlin Heidelberg. 2014. 396 p.
17. Buchholz B.M., Styczynski Z. Smart Grids - Fundamentals and Technologies in Electricity Networks. Springer Heidelberg New York Dordrecht London. 2014. 396 p.
18. Chen Y., Ma Y., Yun W. Application of Improved Genetic Algorithm in PID Controller Parameters Optimization // Telkomnika. 2013. Vol. 11. № 3. Pp. 1524-1530. Available at: http://www.iaesj ournal.com/online/index.php/TELKOMNIKA/article/viewFile/2301/pdf, accessed 31.03.2016.
19. Evgenije Adzic et al. Maximum Power Search in Wind Turbine Based on Fuzzy Logic Control / Evgenije Adzic, Zoran Ivanovic, Milan Adzic, Vladimir Katic // Acta Polytechnica Hungarica. Vol. 6. № 1. 2009. Pp. 131-149.
20. Jaen-Cuellar A.Y., Romero-Troncoso R.de J., Morales-Velazquez L., Osornio-Rios R.A. PID-Controller Tuning Optimization with Genetic Algorithms in Servo Systems // International Journal of Advanced Robotic Systems. 2013. Vol. 10. Pp. 324. DOI: 10.5772/56697
21. Lombardi P., Styczynski Z.A., Sokolnikova T., Suslov K. Use of energy storage in Isolated Micro Grids, Power Systems Computation Conference (PSCC). 2014. Pp. 1-6.
22. Mohsen F.N., Amin M.S., Hashim H. Application of smart power grid in developing countries // IEEE 7th International Power Engineering and Optimization Conference (PEOCO), 2013. D0I:10.1109/PE0C0.2013.6564586.
23. Magdi S. Mahmoud, Fouad M. AL-Sunni Control and Optimization of Distributed Generation Systems. Cham: Springer International Publishing: Imprint: Springer. 2015. 578 p.
24. Martínez Ceseña E.A., Capuder T., Mancarella P. Flexible distributed multienergy generation system expansion planning under uncertainty // IEEE Transaction on Smart Grid. 2016. Vol. 7. Pp. 348-357.
25. Mrad F., Karaki S., Copti B. An adaptive fuzzy-synchronous machine stabilizer // IEEE Transactions on Systems, Man and Cybernetics, Part C: Applications and Reviews. Vol.30. № l. 2000. Pp. 131-137.
26. Smart Grid Concept for Unified National Electrical Network of Russia / Y.I. Morzhin, Y.G. Shakaryan, Y.N. Kucherov, N.I. Voropai, S.N. Vasiliev, I.B. Yadykin / CD. Preprints of proceedings of IEEE PES Innovative Smart Grid Technologies Europe 2011, Manchester Dec. 5-7 2011. Manchester, GB: IEEE. The University of Manchester, 2011. Panel session 5D. Pp.°1-5.
27. Torriti J. Demand Side Management for the European Supergrid: Occupancy variances of European single-person households // Energy Policy. 2012. Vol. 44. Pp. 199-206.
28. Voropai N.I., Etingov P.V. Two-Stage Adaptive Fuzzy PSS Application to Power Systems // Proc. of International Conference on Electrical Engineering ICEE'2001, July 22-26, Xi'an, China. Vol. 1. 2001. Pp.314-318.
UDK 004.8, 519.71, 681.5
INTELLIGENT TUNING OF DISTRIBUTED GENERATORS REGULATORS
Yury N. Bulatov
PhD, Associate professor, Bratsk State University 40, Makarenko St., 665709, Bratsk, e-mail: bulatovyura@yandex.ru
Andrey V. Kryukov Dr., Professor, Irkutsk State Transport University 15, Chernyshevsky St., 664074, Irkutsk, Russia, e-mail: and_kryukov@mail.ru;
Irkutsk national research technical university 83, Lermontov St. 83, 664074, Irkutsk, Russia, e-mail: and_kryukov@mail.ru
Abstract. The task of applying the intelligent control algorithms in electrical power systems becomes particularly relevant due to development of smart grids concept, which provides wide application of active devices for regulation of distributed generation modes and distributed generators (DG). It is possible to improve the stability of parallel operation of turbo and hydro generators of distributed generators by means of equipping them with automatic regulators of excitation (ARE) and rotational speed (ARRS). The article deals with system of adaptive control of coordinated tuning ARE and ARRS in various modes of operation of synchronous distributed generators by using the genetic algorithm and fuzzy logic. Besides, the applied technique takes advantage of modern technologies of digital signal processing: wavelet transform, discrete fast Fourier transform, window functions.
Based on simulation performed in MATLAB system it was possible to show the efficiency of application of proposed adaptive control unit for ARE and ARRS
regulation, which consists in reducing the transient time and overshooting the voltage and rotational speed of generator rotor as well as in providing the required stability factor.
Keywords: distributed generation in power supply systems of railways, automated speed and field regulators, coordinated tuning, fuzzy algorithm.
References
1. Belyaev A.N., Smolovik S.V. Proektirovanie adaptivnyh avtomaticheskih regulyatorov vozbuzhdeniya s pomoshch'yu nejronechetkogo modelirovaniya [Design of adaptive automatic excitation regulators using neuron-fuzzy modeling] // Electricity. № 3. Pp. 2-9. (in Russian)
2. Bulatov Yu.N., Kryukov A.V., Tran Duy Hung. Uluchshenie kachestva ehlektroehnergii netyagovyh potrebitelej putem primeneniya avtomaticheski upravlyaemyh ustanovok raspredelennoj generacii [Improvement of quality of the electric power of not traction users by application of automatically controllable installations of the distributed generation] // Systems. Methods. Technologies. 2014. № 4 (24). Pp. 73-79. (in Russian)
3. Bulatov Yu.N., Kryukov A.V., Tran Duy Hung. Soglasovannaya nastrojka regulyatorov ustanovok raspredelennoj generacii, rabotayushchih v sisteme ehlektrosnabzheniya zheleznoj dorogi [Matched setting of controllers of distributed generation plants operating in railway power supply system] // Systems. Methods. Technologies. 2015. № 1(25). Pp. 94-102. (in Russian)
4. Bulatov Yu.N., Kryukov A.V. Primenenie vejvlet-preobrazovaniya i geneticheskih algoritmov dlya nastrojki avtomaticheskih regulyatorov ustanovok raspredelennoj generacii [Application of the wavelet transform and genetic algorithms for setting of the automatic regulators of the distributed generators] // Scientific bulletin of the Novosibirsk state technical university. 2016. № 2 (volume 63). Pp. 7-22. (in Russian)
5. Bulatov Yu.N., Kryukov A.V. Primenenie geneticheskih algoritmov dlya nastrojki avtomaticheskih regulyatorov ustanovok raspredelennoj generacii [Application of genetic algorithms for setting adjustment controllers of distributed generation plants] // Information and Mathematical Technologies in Science and Management. 2016. № 2. Pp. 30-45. (in Russian)
6. Bulatov Yu.N., Kryukov A.V., Tran Duy Hung. Intellektual'nye regulyatory dlya ustanovok raspredelennoj generacii [Intelligent regulators for installations of the distributed generation] // Modern technologies. Systems analysis. Simulation. 2015. № 2(46). Pp. 83-95. (in Russian)
7. Bulatov Yu.N., Kryukov A.V., Tran Duy Hung. Nechetkie regulyatory dlya vetrogeneriruyushchih ustanovok [Fuzzy regulators for wind generators] // News of higher education institutions. Power problems. 2014. № 7-8. Pp. 60-69. (in Russian)
8. Bulatov Yu.N., Kryukov A.V., Tran Duy Hung. Setevye klastery v sistemah 'elektrosnabzheniya zheleznyh dorog [Network clusters in railway power supply systems]. Irkutsk. 2015. 205 p. (in Russian)
9. Bulatov Yu.N., Kryukov A.V., Alekseenko E.A. Modelirovanie avarijnyh rezhimov v sistemah ehlektrosnabzheniya s ustanovkami raspredelennoj generacii [Modeling emergency mode power supply system with the installation of distributed generation] // Informational and mathematical technologies in science and management. 2017. № 1 (5). Pp. 7-18. (in Russian)
10. Buyankin V.M. Analiz vliyaniya chisla sloev nejronnoj seti na ustojchivost' zamknutyh sistem nejroupravleniya ehlektroprivodom [Analysis of the influence of the number of layers of the neural network on the stability of closed systems of control by the electric drive] // Vestnik of MSTU. N.E. Bauman. Ser. "Mechanical engineering". 2010. № 3. Pp. 108-115. (in Russian)
11. Buyankin V.M. Sintez nejroadaptivnyh nejroregulyatorov s ispol'zovaniem nechetkih tekhnologij na baze nejroprognoziruyushchih nejroidentifikatorov dlya sistem upravleniya slozhnymi tekhnicheskimi ustanovkami [Synthesis of Neuroadaptive Neuroregulators Using Fuzzy Technologies Based on Neuroprogning Neuroidentifikators for Control Systems for Complex Technical Installations] // Appliances and Systems. Management, control, diagnostics. 2012. № 8. Pp. 33-44. (in Russian)
12. Zakaryukin V.P., Kryukov A.V., Cherepanov A.V. Intellektual'nye tehnologii upravleniya kachestvom 'elektro'energii [Intellectual technologies of quality management of the electric power]. Irkutsk. 2015. 218 p. (in Russian)
13. Ignatiev I.V., Bulatov Yu.N. Modeli i metody nastrojki sistem regulirovaniya vozbuzhdeniya generatorov na osnove 'eksperimental'nyh dannyh [Models and methods of setting generator excitation control systems on the basis of experimental data]. Bratsk. 2016. 278 p. (in Russian)
14. Kutsyi N.N., Lukyanov N.D. Primenenie geneticheskogo algoritma dlya optimizacii avtomaticheskih sistem s PID-regulyatorom [Application of a genetic algorithm for optimization of automatic systems with a PID controller] // Vestnik IrSTU. 2012. № 6 (65). Pp. 6-10. (in Russian)
15. Bulatov Yu.N., Kryukov A.V. "Optimization of automatic regulator settings of the distributed generation plants on the basis of genetic algorithm", 2nd International Conference on Industrial Engineering, Applications and Manufacturing (ICIEAM). IEEE Conference Publications. 2016. Pp. 1-6.
16. Bernd M. Buchholz, Zbigniew A. Styczynski. Smart Grids - Fundamentals and Technologies in Electricity Networks // Springer-Verlag Berlin Heidelberg. 2014. 396 p.
17. Buchholz B.M., Styczynski Z. Smart Grids - Fundamentals and Technologies in Electricity Networks. Springer Heidelberg New York Dordrecht London. 2014. 396 p.
18. Chen Y., Ma Y., Yun W. Application of Improved Genetic Algorithm in PID Controller Parameters Optimization // Telkomnika. 2013. Vol. 11. № 3. Pp. 1524-1530. Available at: http://www.iaesjournal.com/online/index.php/TELKOMNIKA/article/viewFile/2301/pdf, accessed 31.03.2016.
19. Evgenije Adzic et al. Maximum Power Search in Wind Turbine Based on Fuzzy Logic Control / Evgenije Adzic, Zoran Ivanovic, Milan Adzic, Vladimir Katic // Acta Polytechnica Hungarica. Vol. 6. № 1. 2009. Pp. 131-149.
20. Jaen-Cuellar A.Y., Romero-Troncoso R.de J., Morales-Velazquez L., Osornio-Rios R.A. PID-Controller Tuning Optimization with Genetic Algorithms in Servo Systems // International Journal of Advanced Robotic Systems. 2013. Vol. 10. Pp. 324. DOI: 10.5772/56697
21. Lombardi P., Styczynski Z.A., Sokolnikova T., Suslov K. Use of energy storage in Isolated Micro Grids, Power Systems Computation Conference (PSCC). 2014. Pp. 1-6.
22. Mohsen F.N., Amin M.S., Hashim H. Application of smart power grid in developing countries // IEEE 7th International Power Engineering and Optimization Conference (PEOCO). 2013. D0I:10.1109/PE0C0.2013.6564586.
23. Magdi S. Mahmoud, Fouad M. AL-Sunni Control and Optimization of Distributed Generation Systems. Cham: Springer International Publishing : Imprint: Springer. 2015. 578 p.
24. Martínez Ceseña E. A., Capuder T., Mancarella P. Flexible distributed multienergy generation system expansion planning under uncertainty // IEEE Transaction on Smart Grid. 2016. Vol.°7. Pp. 348-357.
25. Mrad F., Karaki S., Copti B. An adaptive fuzzy-synchronous machine stabilizer // IEEE Transactions on Systems, Man and Cybernetics, Part C: Applications and Reviews. Vol. 30. № l. 2000. Pp. 131-137.
26. Smart Grid Concept for Unified National Electrical Network of Russia / Y.I. Morzhin, Y.G. Shakaryan, Y.N. Kucherov, N.I. Voropai, S.N. Vasiliev, I.B. Yadykin / CD. Preprints of proceedings of IEEE PES Innovative Smart Grid Technologies Europe 2011, Manchester Dec. 5-7 2011. Manchester, GB: IEEE. The University of Manchester. 2011. Panel session 5D. Pp. 1-5.
27. Torriti J. Demand Side Management for the European Supergrid: Occupancy variances of European single-person households // Energy Policy. 2012. Vol. 44. Pp. 199-206.
28. Voropai N.I., Etingov P.V. Two-Stage Adaptive Fuzzy PSS Application to Power Systems // Proc. of International Conference on Electrical Engineering ICEE'2001, July 22-26, Xi'an, China. Vol. 1. 2001. Pp. 314-318.
