Loading...
تنظیم ضرایب PID برای جبران ساز توان راکتیو در سیمولینک MATLAB
در این بخش پروژه شبیه سازی تنظیم ضرایب PID برای جبران ساز استاتیکی توان راکتیو (SVC) یا با الگوریتم ژنتیک (GA) در سیمولینک MATLAB را آماده کرده ایم که در ادامه توضیحاتی از معرفی پروژه ارائه شده و فیلم و تصاویر خروجی پروژه در محیط متلب قرار داده شده است.
معرفی پروژه
مجموعه Static VAR compensator – SVC یکی از جدید ترین روش های نوین و زیر مجموعه ای از ادوات فکتس (FACTS) برای جبران سازی توان راکتیو و یا به صورت کلی اصلاح ضریب توان می باشد. شبیه سازی سیستم قدرت مربوطه شامل جبران سازهای استاتیکی توان راکتیو (SVC) به شکل زیر ارائه شده است. در این شبیه سازی کنترل کننده به شکل یک کنترل کننده PI طراحی شده است.
شکل سیستم جبران ساز استاتیکی توان راکتیو در محیط Simulink
در این کنترل کننده ضرایب K_p و K_i باید توسط طراح تعیین شوند که بدین منظور روش های مختلفی می تواند مورد استفاده قرار گیرد. در روش های کلاسیک معمولا تعیین این ضرایب به کمک تحلیل یک سیستم تقریبی شناسایی شده و به کمک دانش فرد خبره و آزمون خطا انجام شده است. یکی از روش های تعیین ضرایب در کنترل کننده های PI در سیستم های پیچیده، استفاده از روش های بهینه سازی عددی و الگوریتم های فراتکاملی می باشد. در این پروژه از الگوریتم ژنتیک بدین منظور استفاده شده است. تابع معیار (Fitness) برای بهینه سازی می تواند شامل پارامترهای متنوعی از عملکرد سیستم بوده و اهداف متفاوتی را در برگیرد. در اینجا از THD ولتاژ و جریان به عنوان تابع معیار استفاده می شود.
الگوریتم مذکور در نهایت با حداقل سازی معیار تعریف شده، به یافتن دو ضریب مشخص K_p و K_i منجر می گردد. در شکل زیر تابع معیار برای بهینه سازی در محیط سیمولینک مشاهده می گردد که m فایل آن نیز تهیه شده است.
شکل تابع معیار (Fitness) برای بهینه سازی در محیط Simulink
الگوریتم ژنتیک دارای پارامترهایی به صورت زیر است که شامل تعداد متغیر های بهینه سازی، حد بالا و حد پایین ضرایب، تعداد جمعیت و تعداد تکرار می باشد.
هدف بهینه سازی تابع معیار می باشد که عبارت است از حداقل سازی مجموع متوسط THD ولتاژ و جریان در طول بازه مناسبی از شبیه سازی. در مجموعه کد شبیه سازی به جز فایل سیمولینک که شامل شبیه سازی سیستم قدرت می باشد، فایل GA.m حاوی الگوریتم اصلی بوده که شامل فرایند تعیین جمعیت اولیه، Mutation و Crossover برای رسیدن به مقدار بهینه می باشد. تابع هزینه در این الگوریتم همانطور که ذکر شد در یک فایل سیمولینک تعریف شده و در هر تکرار این فایل با مقادیر جدید K_p و K_i اجرا می شود. این عملیات تا رسیدن به مقدار مینیمم و همگرا شدن الگوریتم ادامه می یابد. شکل زیر تغییرات تابع معیار را نشان می دهد. همانطور که از شکل نتیجه می گیریم تابع معیار در تکرار های اولیه به مقدار حداقل همگرا شده است. زمان همگرایی می تواند با توجه به پارامترهای الگوریتم متفاوت باشد.
شکل تغییرات تابع معیار در 30 تکرار الگوریتم ژنتیک
تصاویری از خروجی
هیچ نظری ثبت نشده است