پروژه متلب سیستم ۳۹ باسه براساس روش PSS (تثبیت کننده پایداری سیستم) بر مبنای کنترل پیش بین (MPC)
شبیه سازی سیستم ۳۹ باسه براساس روش PSS (تثبیت کننده پایداری سیستم) بر مبنای کنترل پیش بین (MPC) با متلب | MATLAB
مقدمه
کنترل پیش بین مدل (Model Predictive Control یا MPC) نوعی کنترل پیشرفته فرایند است که از دهه ۱۹۸۰ در صنایع فرایند، صنایع شیمیایی و پالایشگاههای نفت به کار میرود. اخیراً از این کنترل کننده در مدلهای بالانس سیستمهای قدرت نیز استفاده شده است. در این کنترل کنندهها از مدلهای دینامیکی فرایند، که عمدتاً از مدلهای تجربی، که با شناسایی سیستم به دست میآیند، استفاده میشود. مهمترین مزیت MPC بهینهسازی تابع هزینه با درنظر گرفتن مقادیر آینده، میباشد. این کار با بهینه سازی یک افق زمانی محدود اما اجرای آن تنها زمان نمونهبرداری جاری انجام میگیرد. کنترل کننده MPC، توانایی پیش بینی رخدادهای آینده و اتخاذ اعمال کنترلی متناسب با آن را دارد. مدلهای به کاررفته در MPC معمولا” مدلهایی برای نشان دادن رفتار یک سیستم دینامیکی پیچیده هستند. الگوریتم کنترل پیش بین پیچیدگی سیستم را افزایش میدهد و برای کنترل سیستمهای ساده که اغلب با کنترل کنندههای PID به خوبی کنترل میشوند استفاده از این کنترل کننده توصیه نمیشود. از مشخصههای دینامیکی رایجی که معمولاً برای کنترل کنندههای PID مشکل ایجاد میکنند، میتوان به تآخیرهای زمانی طولانی و دینامیکهای مرتبه بالا اشاره کرد.
تغییرات متغییرهای وابسته که نتیجه تغییرات متغییرهای نابسته هستند، با استفاده از مدلهای MPC پیش بینی میشوند. در یک فرایند شیمیایی متغییرهای نابستهای که میتوان با کنترلر تغییر داد اغلب یا نقاط تنظیم (set point) کنترل کنندههای PID رگولاتوری (فشار، فلو، دما…) هستند یا عنصر کنترلی نهایی (ولو، دمپر…). متغییرهای نابستهای که نمیتوان با کنترل کننده تنظیم کرد به عنوان اغتشاش به کار میروند. متغییرهای وابسته در این فرایندها دیگر اندازه گیریهایی هستند که یا اهداف کنترلی را نشان میدهند یا محدودیتهای کنترلی.
کنترل کننده MPC با استفاده از اندازه گیریهای فعلی از سیستم تحت کنترل، حالت دینامیکی فعلی فرایند، مدلهای MPC و اهداف و محدودیتهای متغییر فرایند، تغییرات آتی متغییرهای وابسته را محاسبه میکند. این تغییرات به گونهای محاسبه میشوند که متغییرهای وابسته نزدیک به هدف بمانند و محدودیتها روی متغییرهای نابسته و وابسته رعایت شود. معمولاً MPC تنها اولین تغییر در هر متغییر نابسته را برای اجرا میفرستد و محاسبه را برای تغییر بعدی تکرار میکند.
با وجود آنکه بسیاری از فرایندهای واقعی خطی نیستند اغلب می توان آنها را در بازه کوچکی خطی در نظر گرفت. روشهای MPC خطی در بیشتر کاربردها با مکانیسم فیدبک به کار می روند که خطاهای پیش بینی ناشی از عدم تطبیق بین مدل و فرایند را جبران می کند. در کنترل کننده های پیش بین که تنها از مدلهای خطی تشکیل می شوند اصل برهم نهی (جمع آثار) جبر خطی امکان می دهد اثر تغییرات متغییرهای نابسته چندگانه برای پیش بینی پاسخ متغییر وابسته با هم جمع شوند. با این کار مسئله کنترلی به یک سری محاسبات جبری ماتریسی مستقیم ساده می شود که سریع و مقاوم هستند.
هنگامي كه مدلهاي خطي به اندازه كافي براي نشان دادن غيرخطي بودن واقعي مدل دقيق نيستند از روشهاي گوناگوني مي توان استفاده كرد. در برخي موارد مي توان از تغيير متغييرهاي فرايند پيش و/يا پس از مدل خطي براي كاهش غير خطي بودن استفاده كرد. فرايند را مي توان با MPC غير خطي كه مستقيما” از مدل غير خطي استفاده مي كند كنترل كرد. مدل غير خطي مي تواند به شكل يك برازش منحني تجربي (مانند شبكه هاي عصبي مصنوعي) يا يك مدل ديناميكي دقيق بر مبناي توازن بنيادي جرم و انرژي باشد. مدل غير خطي را مي توا ن براي به دست آوردن فيلتر كالمن و يا استفاه از آن در MPC خطي، خطي سازي كرد.
Design of stabilizing signals by using model predictive control
This paper investigates the ability of Model Predictive Control (MPC) in coordinate design of two Power System Stabilizers (PSSs) and a supplementary controller for Static Var Compensators (SVC) to damp the power system inter-area oscillation. For this the parameters of the PSSs and the supplementary controller are determined simultaneously by a method in MPC, known as Generalized Predictive Control (GPC). The numerical results are presented on a 2 area 4-machin system to illustrate the feasibility of GPC algorithm. To show the effectiveness of the designed controllers, a three phase fault is applied at a bus. The simulation study shows that the designed controller by GPC performs well.
لطفاً براي ارسال دیدگاه، ابتدا وارد حساب كاربري خود بشويد