文摘

本文试图建立一个线性化模型的自动发电控制(AGC)一个相互联系的两个区域再热式热电力系统在环境管制。比较遗传算法优化的PID控制器(GA-PID),粒子群优化的PID控制器(PSO-PID),并提出了基于两阶段算法优化模糊逻辑控制器(TSO-FLC)。提出了基于模糊控制器优化两个阶段:一是规则库优化和其他比例因子和增益系数优化。这显示最好的一步后动态响应负荷变化与不同情况下的双边合同在解除管制的环境。此外,建议TSO-FLC也是检查的性能系统参数的变化与不同类型的合同要求控制领域,相比GA-PID和PSO-PID之间。MATLAB / Simulink®是用于所有模拟。

1。介绍

电力系统一天获得的复杂性是由于压力向消费者提供高质量的电源。电能生产和消费同时必须维护需求与供应之间的平衡在这个复杂的场景。这种情况称为自动发电控制(AGC)。互联电力系统的频率以及联络线功率控制是一个挑战。重组后的电力系统分布和发电公司可以自由购买和出售在有竞争力的能源市场,需求和代平衡被视为辅助服务之一。独立系统运营商(ISO)控制各种辅助服务提供安全、可靠、经济的电力传输。分配公司(迪斯科舞厅)和一代公司(genco)相互协调在某些固定的合同在正常操作。在电力系统互联multiarea,迪斯科参与矩阵(DPM)有助于可视化genco之间的各种合同和迪斯科舞厅。

在互联电力系统,结线流动和频率控制和维护他们的预定值自动增益控制的两个主要的主要目标。的变化频率和联络线功率流在一起称为区域控制误差(ACE)是用作AGC控制输入操作。

研究人员已经详尽研究了自动增益控制的各个方面在管制场景中不同的测试条件和控制策略1- - - - - -4]。电力系统分类和建模的控制区域AGC参数的综合分析。文学讨论单一和multiarea模型和可用但没有管制方面,鉴于最近的有竞争力的能源市场,也需要与现有的建模复杂性,即非线性系统中有更好的理解和评论的系统作为一个整体5]。结果表明,调速器死区非线性往往会产生一个连续振荡的频率和联络线功率瞬态响应(6]。在解除管制的时期,电力系统必须经历许多技术挑战。在[7克里斯蒂和Bose几个可能的结构描述AGC在解除管制的场景,还解决了技术问题在电力系统操作后放松管制。两种不同的方法根据HVDC-link AGC和匝道控制器介绍了巴肯和格兰德(8挪威和瑞典)互联电力系统在管制环境。详细的仿真和优化进行了在哪里等。9放松管制后)对AGC系统。在他们的工作,迪斯科参与矩阵的概念也被证明为不同类型的合同和一个优化积分控制器,提出了基于轨迹灵敏度。

其他方法处理自动增益控制的各种控制策略。有古典和智能的方法来解决AGC但并发症与集成的可再生能源,增加控制解决方案也将是高度动态的。经典控制技术就难以实现在放松管制的电力系统环境中,因为他们的固定结构,很难确定满意的性能与不同操作点。随着智能控制系统,研究人员专注于技术融合古典和智能的方法。罗伊et al。10]研究了four-area复合的AGC在重组后的电力系统。混沌蚁群优化和实数编码遗传算法获得最优增益参数最优瞬态性能。Bhatt et al。11)提出了AGC在重组电力系统模型。迪斯科参与矩阵的概念是用来模拟双边合同的三个和四个领域。混合粒子群优化获得最佳增益参数用于最优瞬态性能。有几种基于最优控制技术,智能和健壮的方法提出了AGC系统近年来在解除管制的电力系统。

各种优化方法已被研究人员探索PID控制器(12- - - - - -15),但这些传统技术有许多局限性;因此,智能技术,如模糊逻辑、神经网络等已经得到普及。甚至模糊逻辑控制器的设计受到适当的选择输入和输出变量的隶属度函数和规则库,推动优化模糊控制器的参数。一般来说,这些方法参数由经验或试验和错误,这并不保证最优的设计方法。尽管已经进行了很多尝试最近文献中几种优化方法来优化模糊逻辑控制器(14,16,17),本文提出了一个比较不同的控制算法在相同的模型开发和实现。第一个控制技术使用PID控制器增益参数优化的遗传算法(GA-PID),第二个也用PID控制器增益参数优化的粒子群优化(PSO-PID),最后一个方法是优化模糊控制器在两个不同的阶段。首先,规则库进行了优化,后来扩展和增益因素优化的粒子群优化(TSO-FLC)。

仿真结果表明,该TSO-FLC大大减少低于和沉淀时间。模糊控制器的仿真结果也显示出更好的性能即使在±30%的系统参数的变化。

2。系统检查

两个区域系统模型是在连续操作模式和标称系统参数用于研究给出了在附录。原理框图如图1。每个区域都包含两个genco和两个迪斯科舞厅。genco之间的合同和迪斯科舞厅分布参与矩阵所示(DPM) [18,19]。DPM也称为合同参与因子矩阵(cpf_matrix)。它使合同的可视化。表明genco的数量的行数和列数表示的迪斯科舞厅。在这里,th条目对应的分数总负载能力萎缩了从(18]。

cpf_matrix是 系统输出,这取决于区域控制误差(ACE) 在哪里频率偏差是常数,频率偏移,领带线路功率的变化。

系数分布区域控制误差(ACE)几个genco称为ACE参与因素(apf)和一个集成电力系统apf_matrix所示,如图所示 添加的apf都等于1,控制区域内 区域1中的简约计划装载在迪斯科舞厅和在区域2和和代表矩阵。uncontracted本地负载在区域1中和而面积2和所示矩阵(11]

分布式电源的迪斯科, 在哪里合同可以通过cpf_matrix显示但uncontracted权力th迪斯科cpf_matrix范围。

总动力分布式矩阵所示是 类似于这个,生成的权力通过genco总面积1和在区域2和这些所示矩阵。

权力在区域1中生成的合同在区域2所示矩阵 uncontracted权力要求违反合同要求在区域1和区域2被称为和需要由当地genco权力只有在那个地区。需要从genco所示矩阵 在哪里和uncontracted需要权力从GENCO 1和GENCO区域1和2和uncontracted需要权力从GENCO 3和GENCO 4区2 在哪里指genco内控制区域。

和从计算方程 或者,以矩阵形式, 所以,总需要一代权力矩阵形式表示为 所需的总代个人genco可以从方程计算 所以,总要求权力从genco所示矩阵 预定的结线区域1和2之间的功率流框图如图所示2可以表示为

3所示。控制策略

本文探讨了两种不同的控制策略。第一个控制策略是传统proportional-integral-derivative (PID)控制,另一个是基于人工智能的模糊逻辑控制方法)。PID控制器是由两个不同的随机优化技术优化遗传算法和基于PSO后来PSO优化的方法,提出了在方法参数优化在两个不同的阶段。

3.1。PID控制器

PID控制器是选为控制器AGC和GA算法用于优化增益参数,也就是,,。被选中作为控制器输入和控制器的输出给定在吗

3.1.1。遗传算法

遗传算法(GA)是受遗传与进化的原则。它模仿生物种群的繁殖行为观察。GA雇佣了“适者生存”的原则在其搜索过程中选择和生成个人适应它们的环境。因此,在许多代,可取的特点将发展和保持在基因组组成的人口特征较弱的不受欢迎的特点。GA适合,已被广泛应用于解决复杂设计优化问题,因为它可以处理离散和连续变量和非线性目标和约束函数不需要梯度信息(13,15- - - - - -17]。AGC模型的目标函数为PID优化了(18),目标是最小化的峰值跌进和结算的时间频率和联络线偏差

在这里,,,选择10、500和50岁的分别。

3.1.2。粒子群优化

粒子群优化(PSO)是一种启发式搜索方法的生物种群的聚集或协作行为。算法,随机产生一组解决方案(初始群)传播的设计空间向最优解的迭代(移动)基于大量的设计空间的信息,也就是说,同化和共享群的所有成员。PSO的灵感来源于成群的鸟的能力,学校的鱼,和成群的动物适应环境,找到丰富的食物来源,并避免捕食者通过实现一个“信息共享”的方法,因此,开发一个进化的优势。收敛速度全球解决方案的能力使它有利的技术相比其他随机优化方法,如遗传算法和模拟退火(SA) [17- - - - - -19]。PID控制器增益控制区域优化遗传算法和PSO如表所示1。开发一个算法为优化系统研究PSO和遵循以下步骤。

下面给出了算法实现的算法步骤:(1)设置参数算法:(一)定义搜索空间的维度。(b)定义的边界搜索空间(最大和最小值的变量)。(c)定义最小和最大的粒子的速度值。(2)初始化人口:(一)初始化随机人口群内边界。(b)设置随机速度边界内的粒子群。(3)评估每个粒子的适应度位置按目标函数选择:(一)确定每个粒子最著名的位置。(b)识别最著名的群的位置。(c)更新粒子的速度和位置。(4)重复步骤达到最大迭代或满足收敛标准。

3.2。PSO优化的模糊逻辑控制器

电力系统运行和控制已经从早期发生巨大变化的复杂性增加了多种的由于压力向消费者提供高质量的和不间断电源。这些原因提高了电力系统工程师在操作和使用智能控制策略,模糊逻辑控制在别人已经得到普及,因为它基于真理的“度”的计算方法而不是通常的“真或假。“因此,它被广泛用于工程问题。模糊集理论和模糊逻辑建立非线性映射的规则。模糊逻辑控制器建模包括三个步骤的模糊化、模糊控制规则的确定,和去模糊化20.]。模糊逻辑系统和更简单的方法来实现控制算法的不确定和不确定模型在工程和西装最AGC的问题21,22]。

之间的比较提出TSO-FLC和GA-PID PSO-PID控制器是基于两个动态性能指标的量化,即峰值低于和沉降时间。

对于多输入和变量(味噌)型模糊控制器如图3。和分别是比例和积分收益。两个输入,和衍生品的,也就是说,美联储的模糊控制器。是由模糊性的模糊逻辑过程和。Mamdani模糊推理机制和重心法对去模糊化后用于各自的流程。脆值和吗是一个系统的控制信号 隶属度函数(MF)指定的程度属于一组给定输入。方法利用七个隶属度函数,非常消极的(VN)、媒介负面(MN),小的负面(SN),零(Z),小正(SP),中积极(MP),和非常积极的(VP)。隶属函数集方法的输入和输出变量,如图所示4。优化规则库提出了这两个领域TSO-FLC表所示2和3。

每个输入和输出的隶属函数分布在线性分布范围从−1 + 1。在两阶段方法PSO优化的目标函数在(18)。

规则库的优化。在这一步中,除了中心法则,所有其他规则需要优化。只有一个规则,当两个输入零配置然后输出也是零。在系统研究中,49岁的规则,48个规则是需要优化。最好的健身价值之间的曲线对迭代规则库优化如图5。

比例因子和得到优化。在第二个步骤中,最优值两个缩放因子(和)和两个增益参数(和需要优化的方法。图形最好的健身价值对迭代图表示6。表4显示了TSO-FLC优化缩放和增益参数。

4所示。测试用例和模拟

有三个不同的测试用例的放松管制的电力系统最优性能的考虑的理由提出TSO-FLC控制器比常规GA-PID和PSO-PID控制器。这些测试用例是基于事务,联营交易模式和基于双边事务,联营交易模式和违反合同。从每个迪斯科cpf_matrix和负载功率变化在每一个测试用例所描述在表5。除了这一切genco允许同样参与AGC的每个区域;因此,ACE参与因素0.5被认为是模拟的目的。

产生的总功率所需的个人GENCO由所有合同和uncontracted负载。每个GENCO股票uncontracted负载的控制区域根据其ACE参与因素。附录中给出系统参数的值(表6)用于比较研究。频率偏差的地区和联络线偏差后每个负载分配负载变化(表5)在每一个测试用例,,如数据所示7,8,9,分别。两个性能指标(沉降时间和峰值低于)被选为理由控制器的动态响应性能。+ 30%,−30%效果参数值的变化,,(参数值表7还将检查在附录)。低于峰值和沉淀时间区域和联络线偏差也决定和−30% + 30%系统参数的变化在每个测试用例,,如图10,11,12,13,14,15。GA-PID和PSO-PID控制器的动态性能的比较,提出TSO-FLC控制器显示提出TSO-FLC给出更好的结果而言,较小的沉降时间和峰值低于。使用Matlab / Simulink仿真的目的。

为了检查控制器的性能,低于峰值和沉淀时间区域和联络线偏差确定的测试用例,,使用标准的系统参数值。除了这个的影响+ 30%,−30%改变参数值,,(参数值表7)也检查了,所以进一步性能指数为+ 30%,−30%改变系统参数确定数据所示为不同的测试用例10,11,12,13,14,15。在此基础上比较,可以得出结论,提出TSO-FLC给出更好的结果而言,较小的沉降时间和峰值低于相比GA-PID和PSO-PID控制器。

5。结论

本文提出了自动增益控制方法的优化策略。这种优化策略是基于规则库优化和比例因子和增益系数的优化方法。算法作为优化技术。的性能提出了控制器与常规PID控制器相比也由两种优化方法优化遗传算法和PSO在不同测试用例根据合同在解除管制的电力系统的要求。提出了控制器的动态性能是观察两个性能指标的基础上,也就是说,沉降时间和峰值低于。仿真结果表明,提出的TSO-FLC控制器提供了一个更好的性能相比GA-PID和PSO-PID控制器。TSO-FLC也是合理的健壮性+ 30%,−30%的系统参数变化不同的合同要求,再次观察到TSO-FLC是适合在一个相互联系的电力系统自动发电控制(AGC)的控制器。

附录

调速器:热回热器:热汽轮机:电力系统:。

见表6和7。

相互竞争的利益

作者宣称没有利益冲突。