Uvod

1

1 UVOD

Regulatori u klasinom sustavu za regulaciju napona sinkronih generatora izvedeni su u

mikrokontrolerima. Izvedene su klasine regulacijske strukture zasnovane na PID

regulatorima [6],[11].

U radu su prikazane osnove umjetnih neuronskih mrea, te njihova primjena u regulaciji

napona i priguenju niskofrekvencijskih oscilacija sinkronih generatora [2]. Opisano je

nekoliko ve realiziranih sustava za regulaciju napona sinkronih generatora zasnovanih na

neuronskim mreama[3],[4],[5],[29]. U ovom radu stavljeno je teite i na razvoj novog

sustava uzbude sinkronog generatora razvijenog na platformi procesora za digitalnu obradu

signala.

Zbog svojih karakteristika i mogunosti ugradnje u sustav regulacije napona generatora,

detaljno je prikazan neuronski regulator napona koji u sebi objedinjuje funkcije klasinog

regulatora napona i klasinog stabilizatora elektroenergetskog sustava [4]. Neuronska mrea

koja predstavlja regulator napona sinkronog generatora je unaprijedna perceptronska mrea

koja sadri dva sloja; est neurona u unutarnjem, skrivenom sloju, te jedan neuron u izlaznom

sloju. Podeavanje parametara neuronske mree odvija se on-line tijekom rada sinkronog

generatora pomou algoritma povratnog prostiranja (eng. BP algorithm) uz modificirani oblik

kriterijske funkcije. Neuronski regulator napona sinkronog generatora modeliran je u

programskom paketu Matlab Simulink.[8]

Za potrebe ovog rada izraen je novi sustav uzbude na platformi digitalnog procesora za

obradu signala tvrtke Texas Instruments TMS320F2812. Procesor je zasnovan na 32 bitnoj

C2000 jezgri. Nainjeno je prilagodno sklopovlje za prilagodbu signala prema tranzistorskom

pretvarau.

Ispitano je djelovanje sustava regulacije napona sinkronog generatora s ugraenim

neuronskim regulatorom uzbude, te je usporeeno s djelovanjem klasinog sustava za

regulaciju napona sinkronog generatora i s neizrazitim regulatorom napona realiziranom u

digitalnom sustavu upravljanja uzbudom.[7]

Nakon simulacije djelovanja neuronskog regulatora napona sinkronog generatora,

implementiran je regulacijski algoritam u procesor za obradu signala pomou razvojnog alata

Code Composer Studio tvrtke Texas Instruments. Cjelokupni regulacijski algoritam je

nainjen u programskom jeziku C.

Klasini sustav regulacije uzbude sinkronog generatora

2

2 KLASINI SUSTAV REGULACIJE UZBUDE SINKRONOG GENERATORA

Standardni sustav za regulaciju napona sinkronog generatora prikazan je na slici 2.1.

Slika 2.1 Sustav regulacije napona sinkronog generatora

Sustav prikazan na slici 2.1. sadri dvije povratne veze; povratnu vezu po naponu i unutarnju

povratnu veza po struji uzbude sinkronog generatora. Mjere se dva linijska napona i dvije

fazne struje generatora te struja uzbude generatora. Uzbuda se napaja iz operskog izvora.

Regulator napona po svojoj karakteristici je PI tipa dok je regulator struje uzbude P tipa. Izlaz

iz regulatora struje uzbude je referentna vrijednost pulsno-irinske modulacije d. Izlazi iz

regulatora su ogranieni.

Osim osnovnih regulacijskih karakteristika, potrebno je u sustav uzbude dodati i

zatite, te osigurati kompenzaciju napona po jalovoj snazi generatora. Uvodi se ogranienje

maksimalne struje uzbude i ogranienje maksimalne vrijednosti napona generatora.

Klasini sustav regulacije uzbude sinkronog generatora

3

U sustav uzbude sinkronog generatora uvodi se takoer i kompenzacija napona po jalovoj

snazi. Kompenzacija napona po jalovoj snazi ukljuuje se kada je generator spojen na

elektroenergetski sustav i ona osigurava potrebnu naponsku karakteristiku generatora. To se

realizira tako da se signalu napona generatora dodaje signal proporcionalan jalovoj snazi

( Slika 2.2 )

Kquu ggkomp += ( 2.1 ) U sustav regulacije uzbude sinkronog generatora mogue je ukljuiti i regulator jalove snage

koji je nadreen regulatoru napona. Izlaz iz regulatora jalove snage predstavlja referentnu

vrijednost regulatoru napona generatora (Slika 2.2.). Regulator jalove snage ima PI

karakteristiku.

Slika 2.2. Regulator jalove snage i kompenzacija napona po jalovoj snazi Suvremeni sustavi uzbude sinkronih generatora opremaju se sa stabilizatorom oscilacija radne

snage. Zadatak stabilizatora oscilacija radne snage je da tijekom prijelaznog procesa,

djelovanjem na uzbudu, prigui pojavu oscilacija radne snage. Stabilizator mora postii faznu

kompenzaciju izmeu ulaza u sustav uzbude i elektromagnetskog momenta u interesantnom

spektru frekvencija njihanja ( 0.1-3 Hz ). Uobiajeni signali koji se koriste kao ulazni signali

stabilizatora su radna snaga generatora, brzina vrtnje ili frekvencija generatora. Stabilizator

elektroenergetskog sustava sastoji se od bloka fazne kompenzacije, niskopropusnog filtra i

pojaanja ( Slika 2.3.).

Slika 2.3. Blokovska struktura stabilizatora oscilacija

Umjetne neuronske mree

4

3 UMJETNE NEURONSKE MREE

3.1 Osnovni modeli umjetnih neurona

Veina dosad razvijenih modela umjetnih neurona i neuronskih mrea samo svojom

strukturom podsjea na bioloke neurone ( Dodatak A), bez pretenzije da budu njihovi stvarni

modeli [2].

Na slici 3.1. prikazan je perceptron, umjetni neuron koji predstavlja jednostavan statiki

model biolokog neurona. Iz slike 3.1. moemo identificirati tri osnovna elementa modela

neurona:

skup sinapsi od kojih svaku karakterizira njezina teinska vrijednost, prag osjetljivosti ili sumacijska toka, aktivacijska funkcija za ogranienje amplitude izlaznog signala iz neurona.

Princip rada neurona moe se objasniti na slijedei nain:

Svaki ulazni signal xi mnoi se s teinskim koeficijentom wi . Tako oteani ulazni signali se

zbrajaju i njihov se zbroj usporeuje s pragom osjetljivosti neurona wn+1 . Ako je zbroj

oteanih signala vei od praga osjetljivosti, nelinearna aktivacijska funkcija ga preslikava u izlazni signal neurona y(t). Izlazni signal najee je ogranien u podruju [-1,1]. Iako je

veliki broj raznih aktivacijskih funkcija, funkcije logsig i tansig prihvaene su kao standardne

aktivacijske funkcije.

Slika 3.1. Shematski prikaz perceptrona

Matematiki opisan neuron bi se sveo na sljedee jednadbe:

=

=p

jjkjk xwu

1, ( 3.1 )

)( kkk uy = . ( 3.2 ) Prag osjetljivosti dolazi do izraaja u afinoj transformaciji izlaza ku . Ovisno o iznosu praga

osjetljivosti vidimo (Slika 3.2.) da poloaj grafa koji prikazuje ovisnost kv od ku ovisi o

iznosu praga osjetljivosti.

kkk uv = ( 3.3 )

Umjetne neuronske mree

5

Osim prikazanog statikog modela neurona na slici 3.1., postoji i dinamiki model

neurona koji u obzir uzima dinamika svojstva biolokih neurona. Takav dinamiki model

dobije se ako se statikom neuronu doda na ulaz povratni signal(i) s izlaza neurona.

Slika 3.2. Izlazni signal iz neurona u ovisnosti o pragu okidanja

3.2 Tipovi aktivacijskih funkcija

Aktivacijska funkcija definira izlaz neurona u ovisnosti o na njenom ulazu. Mogu se identificirati tri osnovna modela aktivacijskih funkcija:

Treshold funkcija s matematikim opisom: