۲-۲-۴ شبکه عصبی مصنوعی :[۲۲]
در مرجع [۱۶] کاربرد شبکه عصبی برای کنترل یک سیستم غیر خطی پیشنهاد شده است. همان طور که می دانیم با تغییر بار در طول زمان فرکانس نیز تغییر می کند. حال اگر این نوسانات را به سیستم عصبی دهیم می تواند با آموزشی که از شبکه در حال کار می بیند، مقدار شیر بخار را طوری تغییر دهد که حداقل انحراف فرکانس را از مقدار نامی داشته باشیم و طبق روال کنترل فرکانس، برای سیستم دو ناحیه ای نیز برای توان عبوری از خط انتقال سعی برآن است که در حالت ماندگار یه سمت صفر میل نماید. هر دو کنترلرها از الگوریتم ضرایب برگشتی[۲۳] استفاده کرده اند. یک ماتریس متغییر برای متغیرهای ۱-انحراف فرکانس ۲-توان خروجی توربین ۳- توان خروجی هیدرولیک تعریف کرده که به مقدار مانای ۱-صفر و۲-مقدار بار ۳-مقدار بار بر ضریب هیدرولیک می خواهیم دست یابیم .
شبکه عصبی یک سیستم پردازش اطلاعات است، در این سیستم عنصری به عنوان “سلول های پردازش عصبی ” نامیده می شود. سیگنالها با بهره گرفتن از لینکهای اتصال منتقل می شود. لینک های پردازش همراه وزن است، که به همراه چندین سیگنال ورودی برای هر شبکه عصبی معمولی ضرب در مقدار سیگنال ورودی می شود. شبکه های عصبی یک منطقه بسیار گسترده ای را پوشش می دهد. هر نورون دارای بیش از یک ورودی می باشد. نورون ها با ورودی ها در شکل ۲-۴ نشان داده شده است. ورودی های فردی P1، P2، ….روابط در هر وزن توسط عناصر مربوطه w که ماتریس وزن نورون است به همراه مقداری که به آن اریبی[۲۴]می گویند جمع شده برای سیگنال n که تحت تابع f برای مقاصد مختلف به کار می رود .
شبکه عصبی از مجموعه ای از شبکه هایی متصل به هم است که به طور موازی و بسیار گسترده متشکل از عناصر[۲۵] مصنوعی از نورون های مصنوعی هستند و با اتصالشان می توانند بر روی موضوعات سیستم اصلی عمل نمایند که این عمل مشابه سیستمهای عصبی بیولوژیکی می باشد. شبکه های عصبی به عنوان یک روش قدرتمند برای شناخت الگو، کنترل، توابع نگاشت و تعمیم دادن شناخته شده اند. [۲]
شکل ۲-۵-یک لایه شبکه عصبی
ویژگیهای اصلی شبکه عصبی عبارتند از :
سرعت بالای محاسبات به دلیل موازی بودن و تحمل خطای همزمان در آسیب به تعدادی از گرهها بر عملکرد کلی آن تاثیر چشمگیری ندارد. تعلیم و یادگیری شبکه بر اساس اطلاعاتی که از محیط میگیرد، صورت میپذیرد. جستجوی هدف عملکردی که در آن هدف بدست آمده اندازه گیری شده و برای سازماندهی سیستم بوسیله خودش استفاده می شود .
مزایای استفاده از فناوری شبکه عصبی مصنوعی :
سریع بودن
دارا بودن قابلیت یادگیری
تطبیق یافتن با داده ها
مقاوم بودن
مناسب برای مدل کردن توابع غیرخطی
کاربرد یک شبکه عصبی برای کنترل سیستم غیر خطی توضیح داده شده است. یک واحد تولید، توان مورد نیاز برای درخواست بار را تامین می کند و تغییر بار فرکانس را دچار انحراف کرده که یک شبکه عصبی را آموزش می دهد. برای کنترل تنظیم دریچه بخار که سریعا مقدار فرکانس را به مقدار نامی برساند. پاسخ گذرای فرکانس را برای حداقل شدن خطا بدست آورده است.از روش پس انتشار[۲۶] برای آموزش شبکه استفاده کرده که نتایج بهتری نسبت به PIمعمولی دارد.در مراجع دیگر کارکرد آن برای سیستم غیر خطی با روابط برای کنترل فرکانس شرح داده شده است.
۲-۲-۵کنترل منطق فازی[۲۷]
منطق فازی یک فرایند تفکر یا یک روش حل مسئله در کنترل مهندسی سیستمها میباشد که برای کنترل سیستم در زمانی که ورودی مبهم یا مدل های ریاضی از تمام پروسه وجود ندارد، استفاده می شود. منطق فازی می تواند تعداد معقول ورودی پردازش انجام دهد، اما پیچیدگی سیستم، تعداد ورودی و خروجی را افزایش می دهد. کنترل منطق فازی شامل سه مرحله اصلی، یعنی فازی ساز، موتور استنتاج قوانین و غیر فازی سازی است. [۱۷] [۱۸]
شکل۲-۶-نمای پایه یک شبکه فازی
فازی سازی :
فازی سازکه مقدار ورودی پروسه را به مقدارمورد نیاز به فازی تبدیل می کند.
غیر فازی سازی تبدیل مقدار فازی به مقدار واضح برای استفاده در سیستم است.
روش های بسیاری برای ساخت غیر فازی سازی وجود دارد، خروجی از جدول تابع عضویت می تواند روش ماکزیمم، مینیمم باشد. [۲]
منطق فازی
گام مهم در طراحی یک کنترل کننده منطق فازی تعیین پایه دانش فازی است که متشکل از پایه قوانین، مجموعه ای از تعاریف، و عوامل تغییر مقیاس شدن است. در این مرجع از روشی برای تولید قوانین به صورت اتوماتیک برای کنترل یک پروسه غیر خطی استفاده شده. مقدارضرایب توسط یک الگوریتم جستجوی مانند گرادیان[۲۸] شده توسط تابع هدف عملکرد به دست آمده است. منطق فازی با بهره گرفتن از میرایی پاسخ پله تنظیم مقیاس عوامل فازی شدن را نمایش می دهد. [۱۹]
در مرجع [۲۰]یک سیستم قدرت تک ناحیه ای از کنترل کننده PI همراه با فازی برای کنترل فرکانس استفاده کرده است که برای رسیدن به پاسخ مناسب دو معیار مهم (رسیدن به حالت پایدار و فراجهش) برای هر سیستم دارد که در اینجا عملکرد مناسب برای آن بدست آورده شده است.از میان روش های مورد بحث برای معیار خطا می توان به موارد زیر اشاره کرد که یک روش یادگیری اتوماتیک با الگوریتم ژنتیک برای بدست آوردن قوانین فازی است.
| (۲-۴) |
| (۲-۵) |
هرچه یک کنترل خودکار تولید بهتر عمل کند، مقادیر دو معیار فوق کمتر خواهد شد. در مرجع [۲۱] یک روش فازی با ضرایب PI برای کنترل فرکانس با توابع عضویت نسبتا زیاد طراحی شده که البته برای خط انتقال یک تابع هدف نوشته شده است که مقدار آن هرچه کمتر شود از روی ماتریس حالت کل سیستم ضرایب را برای مدل فازی بدست می آورد؛ با وجود آن که سیستمی اعم از بار و یا تولید کننده توان اضافه شود، ماتریس حالت تغییر می کند که برای طراحی کنترلر باید ماتریس نوشته و ضرایب را از روی آن بدست آوریم.
مرجع [۲۲] شامل سیستم قدرت گسترده ای است که وسایل الکتروموتوری زیاد به همراه سیستم فتوولتاییک به آن متصل شده و از کنترلر فازی برای کاهش انحراف فرکانس بهره برده است. سیستم فازی دارای سه ورودی که میانگین تابش و انحراف فرکانس و تغییر تابش برای دو بلوک فازی که در شکل ۲-۶ نشان داده شده.
شکل ۲-۷- سیستم تولید قدرت منطق فازی پایه مرکزی [۲۲]
از تعداد کل واحد تولید فتوولتاییک در یک بازه زمانی میانگین گرفته و با تغییر فرکانس در بلوک ۱ فازی برای تولید ضرایب کنترلی ، که در جدول طرح پیشنهادی برای قوانین فازی داریم:
جدول ۲-۱-قوانین فازی برای بلوک اول [۲۲]
که در آن NB : مقدار منفی بزرگ و NS: مقدار منفی کم و PS :مقدار مثبت کم و PB : مقدار مثبت زیاد و ZO : مقدار نزدیک صفر
