(ANN) Adaptive PSS

پس از پرداخت، لينك دانلود فايل براي شما نشان داده مي شود

پرداخت و دانلود

Radial Basis Function (RBF) Network Adaptive Power System Stabilizer

Abstract—This paper presents a new approach for real-time
tuning the parameters of a conventional power system stabilizer
(PSS) using a radial basis function (RBF) network. The RBF network
is trained using an orthogonal least squares (OLS) learning
algorithm. Investigations reveal that the required number of RBF
centers depends on spread factor, and the number of training
patterns. Studies show that a parsimonious RBF network can be
obtained by presenting a relatively smaller number of training patterns,
generated randomly and spreadover the entire operating domain.
Investigations reveal that the dynamic performance of the
system with an RBF network adaptive PSS (RBFAPSS) is virtually
identical to that of an artificial neural network based adaptive PSS
(ANNAPSS). The dynamic performance of the system with RBFAPSS
is quite robust over a wide range of loading conditions and
equivalent reactance

پايدارساز سيستم قدرت تطبيقي بر مبناي شبكه­ ي تابع پايه­ ي شعاعي (RBF)

چكيده

در اين مقاله رويكردي جديدي براي تنظيم (تون كردن) پارامترهاي يك پايدارسازي سيستم قدرت (PSS) متعارف با استفاده از شبكه­ي تابع پايه­ي شعاعي (RBF) ارائه مي­شود. شبكه­ي RBF با استفاده از يك الگوريتم يادگيري حداقل مربعات متعامد (OLS) آموزش داده مي­شود. بررسي نشان مي­دهند كه تعداد مراكز RBFلازم به ضريب پراكندگي (b) و تعداد الگوهاي آموزشي بستگي دارد. تحقيقات حاكي از آن هستند كه مي­توان با ارائه­ي تعداد نسبتا كمي از الگوهاي آموزشي (كه بصورت تصادفي ايجاد شده­اند و در كل حوزه­ي عملياتي پخش شده­اند) يك شبكه­ي RBFحريص را بدست آورد. بر طبق بررسي­ها، عملكرد ديناميكي سيستم با PSS تطبيقي شبكه­ي RBF (RBFAPSS) عملا برابر با همانPSS تطبيقي مبتني بر شبكه­ي عصبي مصنوعي (ANNAPSS) است. عملكرد ديناميكي سيستم با RBFAPSS در گستره­ي وسيعي از شرايط بارگذاري و راكتانس معادل Xeكاملا مستحكم هست.

..

پس از پرداخت، لينك دانلود فايل براي شما نشان داده مي شود

پرداخت و دانلود