[論文レビュー] Neural Stabilization/Excitation Control of a High-Order Power System by Adaptive Feedback Linearization

Kingsley Fregene, D. Kennedy|ArXiv.org|Jul 11, 2000

Power System Optimization and Stability参考文献 13被引用数 5

ひとこと要約

本論文は、7次高次同期機/無限大母線電力系統を対象として、プラントのダイナミクスを同定する2つのニューラルネットワークを用いてリアルタイムのフィードバック線形化を可能にするニューラル適応フィードバック線形化励磁制御系を提案する。この制御系は、低次元モデルに基づく解析的制御系と比較して、より優れた電圧追従性、低い制御効率、およびパrameter変動や外部摂動に対して優れたロバスト性を達成する。

ABSTRACT

This paper discusses the systematic design of an adaptive feedback linearizing neurocontroller for a high-order model of the synchronous machine/infinite bus power system. The power system is first modelled as an input-output nonlinear discrete-time system approximated by two neural networks. The approach allows a simple linear pole-placement controller (which is itself not a neural network) to be designed. The control law is specified such that the controller adaptively calculates an appropriate feedback linearizing control law at each sampling instant by utilizing plant parameter estimates provided by the neural system model. The control system also adapts itself on-line. This avoids the requirement for exact knowledge of the power system dynamics and full state measurement as well as other difficulties associated with implementing analytical input-output feedback linearizing control for a complex power system model. Furthermore, a departure is made from the `ad hoc' manner in which many neural controllers have been designed for power systems; the approach used here has foundations in control theoretic concepts of adaptive feedback linearization and pole-placement control design. Simulation results demonstrate the performance of this controller for a representative example of a single-machine/infinite bus power system configuration under various operational conditions.

研究の動機と目的

• 高次電力システムにおける解析的フィードバック線形化の限界に対処する。具体的には、正確なモデル知識と全状態測定を必要とする点である。
• プラントパラメータの変動や未モデル化ダイナミクスが生じた場合に性能が著しく低下する従来の制御系の脆弱性を克服する。
• 正確なシステムモデルに依存せずに、オンラインでの適応とユーザー指定の閉ループダイナミクスを可能にする制御フレームワークを開発する。
• ニューラルネットワークを用いたシステム同定手法を用いて、電圧追従性、同期角振動の減衰、摂動抑制の性能向上を実証する。

提案手法

• 2つの多層ニューラルネットワークを用いて、7次電力システムを非線形離散時間入出力システムとしてモデル化する。
• 収束速度の向上と精度の向上を図るため、バッチモードで重みを学習・適応させるためにLevenberg-Marquardt最適化アルゴリズムを用いる。
• 各サンプリング瞬間に、学習済みのニューラルネットワークモデルを用いてプラントパラメータをオンラインで推定し、フィードバック線形化制御則を計算する。
• 推定されたパラメータに基づいて線形ポール配置制御器を設計し、ユーザー指定の閉ループダイナミクスを実現するとともに、安定なリファレンス追従性を確保する。
• デッドゾーンに基づく更新則を用いてオンラインで重みを適応させる。これにより、パラメータの変動や未モデル化ダイナミクスに対するロバスト性が向上する。
• 複雑な数学的マッピングをニューラルネットワークによる近似に置き換えることで、解析的フィードバック線形化の必要性を回避する。

実験結果

リサーチクエスチョン

• RQ1 最小限のモデル知識で、ニューラルネットワークを用いたシステム同定手法が、高次電力システムにおける解析的フィードバック線形化を効果的に置き換えることができるか？
• RQ2 パrameter変動や摂動下において、ニューラル適応制御系の性能は解析的フィードバック線形化制御系と比べてどのように異なるか？
• RQ3 オンラインでのニューラル重み適応は、応答速度の低下を伴わずに、どの程度制御系のロバスト性を向上させるか？
• RQ4 提案された制御系は、従来の解析的制御系と比較して、低い制御効率で正確な電圧追従性を達成できるか？
• RQ5 制御系は、異なる運転条件やシステム摂動下でも、同期角振動の減衰を維持できるか？

主な発見

• ニューラル制御系は、リファレンス電圧の段階変化に対して、ほぼゼロの定常追従誤差を達成し、解析的制御系と同等の性能を示した。
• ニューラル制御系は、特に過渡応答時において、解析的制御系と比較して著しく低い制御効率（数個のオーダー低減）を実現した。
• 追従制御中に、解析的制御系が未モデル化ダイナミクスの影響で顕著な高周波数成分を示すのに対し、ニューラル制御系は高周波数振動が少なく、より滑らかな応答を示した。
• 慣性パラメータHを50％低減（9.5から4.75に）した場合、ニューラル制御系は名目ケースと同等の安定した追従ダイナミクスを維持したが、解析的制御系はモデル不一致のため性能が劣化した。
• 機械的入力電力が33.4％低下した場合、両制御系とも端子電圧を名目値に回復させ、発電機の同期角振動の減衰を維持した。
• オンラインでの重み適応により、プラント出力誤差が数サンプリングインスタント以内に急速に低減した。これにより、適応が全体の制御応答速度を遅くしないことが確認された。