fa طراحی پایدارساز PSS3B بر اساس الگوریتم KH و Q-learning برای میراسازی نوسانات فرکانس پایین سیستم قدرت تک‌ماشینه قدرت Power پژوهشي Research <div style="text-align: justify;"><strong><span dir="RTL"><span style="color:black;"><span style="font-family:nazanin;"><span style="font-size:11.0pt;">هدف از این مقاله استفاده از روش یادگیری </span></span></span></span><span style="color:black;"><span style="font-family:times new roman,serif;"><span style="font-size:11.0pt;">&shy;</span></span></span><span dir="RTL"><span style="color:black;"><span style="font-family:nazanin;"><span style="font-size:11.0pt;">تقویتی به منظور تولید سیگنال مکمل برای بهبود عملکرد پایدارساز سیستم قدرت است. یادگیری تقویتی یکی از شاخه&shy;های مهم یادگیری &shy;ماشین در مبحث هوش مصنوعی بوده و روش کلی حل مسائل فرایند تصمیم&shy;گیری مارکو </span></span></span></span><span style="color:black;"><span style="font-family:times new roman,serif;"><span style="font-size:11.0pt;">(MDP)</span></span></span><span dir="RTL"><span style="color:black;"><span style="font-family:nazanin;"><span style="font-size:11.0pt;"> است. در این مقاله یک روش کنترلی مبتنی بر یادگیری تقویتی به نام</span></span></span></span><span style="color:black;"><span style="font-family:times new roman,serif;"><span style="font-size:11.0pt;">Q-learning </span></span></span><span dir="RTL"><span style="color:black;"><span style="font-family:nazanin;"><span style="font-size:11.0pt;">&nbsp;ارایه و به منظور بهبود عملکرد پایدار ساز سیستم قدرت سه باند</span></span></span></span><span style="color:black;"><span style="font-family:times new roman,serif;"><span style="font-size:11.0pt;"> (PSS3B) </span></span></span><span dir="RTL"><span style="color:black;"><span style="font-family:nazanin;"><span style="font-size:11.0pt;">در یک سیستم قدرت تک&shy;ماشینه مورد استفاده قرار گرفته است. بدین منظور ابتدا پارامترهای پایدار ساز سیستم قدرت سه باند تحت نقاط مختلف بهره برداری با بهینه&shy;سازی تابع هدف مبتنی بر مقادیر ویژه توسط الگوریتم بهینه سازی جدید </span></span></span></span><span style="color:black;"><span style="font-family:times new roman,serif;"><span style="font-size:11.0pt;">KH</span></span></span><span dir="RTL"><span style="color:black;"><span style="font-family:nazanin;"><span style="font-size:11.0pt;"> تنظیم شده و سپس توسط الگوریتم یادگیری تقویتی ارایه شده بر اساس روش </span></span></span></span><span style="color:black;"><span style="font-family:times new roman,serif;"><span style="font-size:11.0pt;">Q-learning </span></span></span><span dir="RTL"><span style="color:black;"><span style="font-family:nazanin;"><span style="font-size:11.0pt;">&nbsp;&nbsp;به صورت بلادرنگ کارایی آن بهبود می&shy;یابد. از ویژگی اساسی پایدارساز پیشنهادی مبتنی بر یادگیری تقویتی سادگی و عدم وابستگی آن</span></span></span></span> <span dir="RTL"><span style="color:black;"><span style="font-family:nazanin;"><span style="font-size:11.0pt;">به مدل سیستم و تغییرات نقاط کار بهره برداری است. برای ارزیابی کارایی پایدار ساز سیستم قدرت سه باند مبتنی بر یادگیری</span></span></span></span><span style="color:black;"><span style="font-family:times new roman,serif;"><span style="font-size:11.0pt;">&shy;</span></span></span><span dir="RTL"><span style="color:black;"><span style="font-family:nazanin;"><span style="font-size:11.0pt;"> تقویتی پیشنهادی نتایج آن با پایدار ساز سیستم قدرت معمولی و پایدار ساز سیستم قدرت سه باند طراحی شده با الگوریتم </span></span></span></span><span style="color:black;"><span style="font-family:times new roman,serif;"><span style="font-size:11.0pt;">KH</span></span></span><span dir="RTL"><span style="color:black;"><span style="font-family:nazanin;"><span style="font-size:11.0pt;"> تحت نقاط کار مختلف با هم مقایسه می شود. نتایج شبیه&shy;سازی بر اساس شاخص</span></span></span></span><span style="color:black;"><span style="font-family:times new roman,serif;"><span style="font-size:11.0pt;">&shy;</span></span></span><span dir="RTL"><span style="color:black;"><span style="font-family:nazanin;"><span style="font-size:11.0pt;">های عملکردی نشان می&shy;دهد 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.</span></span></span></span></strong></div> <div style="text-align: justify;">The main purpose of this paper is to develop a supplementary signal using reinforcement learning (RL) to improve the performance of power system stabilizer (PSS). RL is one of the most important issues in the field of artificial intelligence and is the popular method for solving Markov decision procedure (MDP). In this paper, a control method is developed based on Q-learning and used to improve the performance of a three band PSS (PSS3B) in a single machine infinite bus power system (SMIB). For this purpose, first the parameters of PSS3B are optimized using krill heard (KH) algorithm based on system eigenvalues. Then, using the proposed Q-learning method its performance will improve. The fundamental properties of the proposed Q-learning based control method are its simplicity and independency to system model and operational conditions. In order to evaluate the proposed control method, its dynamic response is compared to conventional PSS (CPSS) and PSS3B. According the simulation results, it is evident that, the developed adaptive controller is superb compared to the other methods in the view of settling time and damping low-frequency oscillations.</div> پایدار ساز سیستم قدرت سه باند, یادگیری تقویتی, Q-learning Three band power system stabilizer, Reinforcement learning, Q-learning 69 77 http://jiaeee.com/browse.php?a_code=A-10-1-240&slc_lang=fa&sid=1 A. Younesi عبداله عبداله یونسی عبداله یونسی a.younesi@ieee.org 10031947532846001811 10031947532846001811 Yes گروه مهندسی برق، دانشکده فنی و مهندسی- دانشگاه محقق اردبیلی- اردبیل- ایران H. Shayeghi حسین شایقی hshayeghi@gmail.com 10031947532846001812 10031947532846001812 No گروه مهندسی برق، دانشکده فنی و مهندسی- دانشگاه محقق اردبیلی- اردبیل- ایران A. Akbari عادل اکبری مجد hshayeghi@gmail.com 10031947532846001813 10031947532846001813 No گروه مهندسی برق، دانشکده فنی و مهندسی- دانشگاه محقق اردبیلی- اردبیل- ایران Y. Hashemi یاشار هاشمی yashar_hshm@yahoo.com 10031947532846001814 10031947532846001814 No گروه مهندسی برق، دانشکده فنی و مهندسی- دانشگاه محقق اردبیلی- اردبیل- ایران