271441.Magistarski Rad Bulic
Transcript of 271441.Magistarski Rad Bulic
-
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: