Younesi A, Shayeghi H, Akbari A, Hashemi Y. Design of PSS3B stabilizer using KH Algorithm and Q-Learning for damping Low-frequency Oscillations in SMIB. Journal of Iranian Association of Electrical and Electronics Engineers 2017; 14 (3) :69-77
URL:
http://jiaeee.com/article-1-450-fa.html
عبداله یونسی عبداله عبداله یونسی، شایقی حسین، اکبری مجد عادل، هاشمی یاشار. طراحی پایدارساز PSS3B بر اساس الگوریتم KH و Q-learning برای میراسازی نوسانات فرکانس پایین سیستم قدرت تکماشینه. نشریه مهندسی برق و الکترونیک ایران. 1396; 14 (3) :69-77
URL: http://jiaeee.com/article-1-450-fa.html
گروه مهندسی برق، دانشکده فنی و مهندسی- دانشگاه محقق اردبیلی- اردبیل- ایران
چکیده: (3938 مشاهده)
هدف از این مقاله استفاده از روش یادگیری تقویتی به منظور تولید سیگنال مکمل برای بهبود عملکرد پایدارساز سیستم قدرت است. یادگیری تقویتی یکی از شاخههای مهم یادگیری ماشین در مبحث هوش مصنوعی بوده و روش کلی حل مسائل فرایند تصمیمگیری مارکو (MDP) است. در این مقاله یک روش کنترلی مبتنی بر یادگیری تقویتی به نامQ-learning ارایه و به منظور بهبود عملکرد پایدار ساز سیستم قدرت سه باند (PSS3B) در یک سیستم قدرت تکماشینه مورد استفاده قرار گرفته است. بدین منظور ابتدا پارامترهای پایدار ساز سیستم قدرت سه باند تحت نقاط مختلف بهره برداری با بهینهسازی تابع هدف مبتنی بر مقادیر ویژه توسط الگوریتم بهینه سازی جدید KH تنظیم شده و سپس توسط الگوریتم یادگیری تقویتی ارایه شده بر اساس روش Q-learning به صورت بلادرنگ کارایی آن بهبود مییابد. از ویژگی اساسی پایدارساز پیشنهادی مبتنی بر یادگیری تقویتی سادگی و عدم وابستگی آن به مدل سیستم و تغییرات نقاط کار بهره برداری است. برای ارزیابی کارایی پایدار ساز سیستم قدرت سه باند مبتنی بر یادگیری تقویتی پیشنهادی نتایج آن با پایدار ساز سیستم قدرت معمولی و پایدار ساز سیستم قدرت سه باند طراحی شده با الگوریتم KH تحت نقاط کار مختلف با هم مقایسه می شود. نتایج شبیهسازی بر اساس شاخصهای عملکردی نشان میدهد که پایدار ساز سیستم قدرت پیشنهاد شده در این مقاله عملکرد بهتری نسبت به دو روش دیگر از لحاظ کاهش زمان نشست و میرا نمودن نوسانات فرکانس پایین دارد.
نوع مقاله:
پژوهشي |
موضوع مقاله:
قدرت دریافت: 1396/9/6 | پذیرش: 1396/9/6 | انتشار: 1396/9/6