La fonctionnalité de recherche est en construction.
La fonctionnalité de recherche est en construction.

The original paper is in English. Non-English content has been machine-translated and may contain typographical errors or mistranslations. ex. Some numerals are expressed as "XNUMX".
Copyrights notice

The original paper is in English. Non-English content has been machine-translated and may contain typographical errors or mistranslations. Copyrights notice

Transient Stability Enhancement of Power Systems by Lyapunov- Based Recurrent Neural Networks UPFC Controllers Amélioration de la stabilité transitoire des systèmes électriques grâce aux contrôleurs UPFC de réseaux neuronaux récurrents basés sur Lyapunov

Chia-Chi CHU, Hung-Chi TSAI, Wei-Neng CHANG

  • Vues en texte intégral

    0

  • Citer

Résumé:

Un contrôleur unifié de flux de puissance (UPFC) de réseaux neuronaux récurrents basé sur Lyapunov est développé pour améliorer la stabilité transitoire des systèmes électriques. Tout d’abord, un modèle dynamique UPFC simple, composé d’une susceptance shunt contrôlable du côté shunt et d’un transformateur complexe idéal du côté série, est utilisé pour analyser les caractéristiques dynamiques de l’UPFC. Dans un deuxième temps, nous étudions la configuration de contrôle de l'UPFC avec deux blocs majeurs : le contrôle primaire et le contrôle supplémentaire. Le contrôle primaire est mis en œuvre par des techniques PI standard lorsque le système électrique fonctionne dans des conditions normales. Le contrôle supplémentaire ne sera efficace que lorsque le système électrique est soumis à des perturbations importantes. Nous proposons un nouveau contrôleur UPFC basé sur Lyapunov du système classique de bus infini à machine unique pour l'amélioration de l'amortissement. Afin d'envisager des modèles de générateurs détaillés plus complexes, nous proposons également un contrôleur de réseau neuronal récurrent adaptatif basé sur Lyapunov pour gérer de telles incertitudes de modèle. Ce contrôleur peut être traité comme une approximation du réseau neuronal des actions de contrôle de Lyapunov. De plus, ce contrôleur offre également une capacité d'apprentissage en ligne pour ajuster les poids correspondants avec l'algorithme de rétro-propagation intégré dans la couche cachée. Le schéma de contrôle proposé a été testé sur deux systèmes électriques simples. Les résultats de simulation démontrent que la stratégie de contrôle proposée est très efficace pour supprimer les oscillations de puissance, même dans des conditions de système sévères.

Publication
IEICE TRANSACTIONS on Fundamentals Vol.E91-A No.9 pp.2497-2506
Date de publication
2008/09/01
Publicisé
ISSN en ligne
1745-1337
DOI
10.1093/ietfec/e91-a.9.2497
Type de manuscrit
Special Section PAPER (Special Section on Nonlinear Theory and its Applications)
Catégories
Contrôle et optimisation

Auteurs

Mots-clés

Table des matières