A New PSS Tuning Technique using ICA and PSO Methods with the Fourier Transform

توضیحات

ABSTRACT

In power system, the application of the power system stabilizer (PSS) has been proved to lead to the stability of power system. It is necessary to determine the appropriate PSS parameters. In this paper, a new cost function is presented for the tuning of PSS parameters. Optimization of PSS parameters has been done by Particle Swarm Optimization and Imperialist Competitive Algorithm. The power plant system that is simulated in this paper is one machine to infinite bus system. The responses are compared with CPSS. The responses PSO-PSS and ICA-PSO are also compared with each other and the efficiency of the new objective function (SMVS-DFT) will be proved.

INTRODUCTION

Transient and dynamic stabilities are the most important issues in the reliable and efficient operation of power systems. The generators are equipped with the Power System Stabilizers (PSSs), as supplementary control  devices, to provide the extra damping and the good dynamic performance. Conventional power system stabilizers (CPSS) are designed using the theory of phase compensation in the frequency domain and are introduced as a lead-lag phase compensator. Parameters of PSS are determined based on a linearized model  of the power system. The power system behaves highly nonlinearly, with configurations and parameters that change with time; so theCPSS design based on a linearized model cannot guarantee its performance in a practical operating environment. If parameters of PSS are tuned by speed deviation in each generator when a disturbance occurs at a bus or line, the power system will have a good performance. Hence, several PSS design techniques are reported in literature, a few are listed in the references . The mentioned local  optimization techniques providing the optimum PSS parameters need a target function. Some optimization techniques that are designed using theory of phase compensation in the frequency domain tune parameters of PSSs in response to an existing mode or some modes of oscillations in the system, but techniques like  Genetic Algorithms (GAs) , Tabu search Algorithm], Simulated Annealing , Particle Swarm Optimization (PSO) algorithm  and Bacterial Foraging Algorithm (BFA)  provide damping for all modes of oscillation in the system.

چکیده

در سیستم قدرت، استفاده از تثبیت کننده سیستم قدرت (PSS) اثبات شده است که منجر به ثبات سیستم قدرت می شود. لازم است پارامترهای مناسب PSS را تعیین کنید. در این مقاله یک تابع هزینه جدید برای تنظیم پارامترهای PSS ارائه شده است. بهینه سازی پارامترهای PSS با بهینه سازی ذرات ذرات و الگوریتم رقابتی امپریالیست انجام شده است. سیستم نیروگاه که در این مقاله شبیه سازی شده است، یک دستگاه به سیستم اتوبوس بی نهایت است. پاسخ ها با CPSS مقایسه می شوند. پاسخ PSO-PSS و ICA-PSO نیز با یکدیگر مقایسه می شود و کارایی تابع هدف جدید (SMVS-DFT) ثابت خواهد شد.

مقدمه

پایداری گذرا و دینامیکی مهمترین مسائل در عملیات قابل اعتماد و کارآمد سیستم های قدرت می باشد. ژنراتورها با تثبیت کننده های سیستم قدرت (PSSs)، به عنوان دستگاه های کنترل اضافی مجهز، برای ارائه تغییرات اضافی و عملکرد پویا خوب است. تثبیت کننده های سیستم قدرت متعارف (CPSS) با استفاده از تئوری غلظت فاز در حوزه فرکانس طراحی شده اند و به عنوان یک جبران کننده فاز پایه-مهار معرفی می شوند. پارامترهای PSS بر اساس یک مدل خطی شده از سیستم قدرت تعیین می شود. سیستم قدرت بسیار غیر خطی رفتار می کند، با تنظیمات و پارامترهایی که با زمان تغییر می کنند؛ بنابراین طراحی CPSS بر اساس یک مدل خطی شده نمی تواند عملکرد آن را در یک محیط عملی عملی تضمین کند. اگر پارامترهای PSS با انحراف سرعت در هر ژنراتور هنگامی که یک اختلال در یک اتوبوس یا خط اتفاق می افتد تنظیم می شود، سیستم قدرت عملکرد خوبی خواهد داشت. از این رو، چندین تکنیک طراحی PSS در ادبیات گزارش شده است، بعضی از آنها در منابع ذکر شده اند. تکنیک های بهینه سازی محلی که پارامترهای مطلوب PSS را ارائه می دهند نیاز به یک تابع هدف دارند. برخی از تکنیک های بهینه سازی که با استفاده از تئوری جبران فاز در پارامترهای پارامترهای پارامترهای فرکانس PSS ها در پاسخ به یک حالت موجود یا برخی از حالت های نوسان در سیستم طراحی شده اند، اما تکنیک هایی مانند الگوریتم ژنتیک (GAs)، الگوریتم جستجوی Tabu]، Simulated Annealing الگوریتم بهینه سازی ذرات ذرات (PSO) و الگوریتم نگهداری باکتری ها (BFA)، باعث میرایی برای همه حالت های نوسان در سیستم می شوند.

Year: 2010

Publisher : Eighteenth International Energy Conference of Iran

By :  Zahra Rafiee , Soheil Ganjefar , Abas Fattahi

File Information: English Language/ 6 Page / size: 923 KB

Download

سال :1389

ناشر : هجدهمین کنفرانس بین المللی برق ایران

کاری از : زهرا رفیعی، سهیل گنجفار، اباس فتاحی

اطلاعات فایل : زبان انگلیسی / 6صفحه / حجم : KB 923

لینک دانلود