Professional Documents
Culture Documents
Primjena Neuronskih Mreži Za Sekundarnu Regulaciju Napona I Jalove Snage
Primjena Neuronskih Mreži Za Sekundarnu Regulaciju Napona I Jalove Snage
••
(ASOPIS
HRVATSKE ELEKTROPRIVREDE energlJa
Godi~te 47 (1998) Zagreb Br.2
IZDAVACI- PUBLISHER
Hrvatska elektroprivreda
SADRZAJ
snja elektricne energije«, Mladen Jdie, dip!. ing. i Dasenko Zagreb. Ulica grada Vukovara 37
Baldasari, dipl. ing. - »Ekonomsko poslovanje i tarifna po- Telefoni 6125-641 i 6125-111/641, telefax 6170-438
litika« , dr. sc. Jure SimOl'ie, dipl. ecc., mr. sc. Mladen Man- Godisnje izlazi 6 brojeva. Godisnja pretplata za pojedince iznosi
die, dipl. ecc. i Marijan Magdie, dipl. ecc. - »Ekologija«, 300,00 kn. a za poduzeca i ustanove 480,00 kn (za studente 70,00 kn).
Cijena pojedinog broja u prodaji 50,00 kn.
dr. sC. NikoMalbasa, dipl. ing. - »Informatika«, Nikola Las-
Za inozemstvo $ 95 godisnje.
trie, dip!. ing. - Tehnicki urednik - Technical Editor: Bran-
tiro raeun kod ZAP, Zagreb - Hrvatska elektroprivreda (za »Energiju«) broj
ko MaliS - Lektor - Lingvistic Adviser: Simun Cagalj, prof.
30 I0 1-604-495
- Metroloska recenzija - Metrologic review: mr. sC. Mladen
Zeljko, dip!. ing. Tisak - Print: ZRINSKI d.d .. Cakovec
Naklada I()()() primjeraka
Redakcija zavlScna 1998 - 03 - 01
PRIMJENA NEURONSKIH MREZA ZA SEKUNDARNU
REGULACIJU NAPONA I JALOVE SNAGE
UDK 621.3.072.8:621.316.728
IZVORNI ZNAi\STVENI CLANAK
Opisanajc primjcna umjctnih ncuronskih mrci3 (UNM) za automatsku sckundamu rcgulaciju napona i jalovih snaga. Sckundami (U-Q)
regulator. jcdnc rcgulacijskc zone. jc rcaliziran primjcnjujuCi unaprijcdnu viscslojnu neuron sku strukturu (viscslojni pcrccptron). Regu-
lator sc sastoji od dvijc povczanc ncuronskc mrci:c (NN I i i'iN II). a svaka od njih sadrii dva skrivcna sloja s po 5 ncurona u prvom i 15
neuron:! u drugom skrivenom 510ju. Za rcgulacijska srcdstv:J. koristcnc su rcgulacijskc clcktrane i kondcnzatorskc baterijc. s Iczistcm na
maksimalnoj uporabi kondcnzatorskih batcrija. Rad rcgulatora je isrilan na primjeru modificirane IEEE test nueZc s 14 cvorista i
dobivcni su zado;"o!javajuci rczultati. a rcgu!ator jc odrZa\'ao napon pilol-cvorista unutar podrucja ± 1% od postavnc vrijcdnosti .
. Kljucne rijcci: napon, jaiov3 snaga, sekundarna (U-Q) regu-
lacija, pilot-evoriste, umjetne neuronske mreZc,
viScsJojni percept ron, algoritam pO\Tatnog ra-
sprostiranja_
133
L Kuzle - T. P!;l\'~ic - S. 1,8nj;\I,: l'Timj..-n;\ n,,-uf(ln~kih mrd..\ . Encrgija. god. 47 (1998) 2. 133-140 L'
Bias 01; se moze proinatrati kao dodatna sinapticka tezina ulazni skri'Vcni waUli
sa stalnom ulaznom vrijednoscu<p(·), odnosno kao pomak sloj sloj sloj
grafa prijenosne funkeije <p(') u desno za vrijednost 13 k , Vri- Slika 2. Model unaprijedne mreie (viSeslojni perceptron)
jednost bias-a moze biti stalna tijekom proracuna iIi se
moze mijenjati zajedno s vrijednostima ostalih sinaptic- ni slojevi) i broj neurona svakog skrivenog sIoja nije fik-
kih tezina. Prijenosna funkcija <p(.) odreduje izlaz neuro- san i odreduje se po potrebi. Na sliei 2 predQcenaje UNM
na. Da bi se u strukturu neurona uvela nelineamost, naj- razvijena koristenjem unaprijedne viseslojne strukture
ceste se koristi sigmoidna prijcnosna funkeija (2): (viSeslojni perceptron). .
1 2.2. Algoritam povratnog prostiranja
'1'(x) ~ - - - ' ' - - - (2)
I +cxp(-a'x)
Najcesce koristeni algorilam za ucenje UNMje algoritam
Sigmoidna funkcijaje strogo rastuca, diferencijabilna, ne-
povratnog prostiranja (eng. back pr9pagation). Znacajka
prekidna funkcija, koja ima asimptote, a parametar a odre-
muje dvostruki prolaz kroz mrezu: proia::: unaprijed (eng. p
duje nagib prijenosne funkcije.
forward pass) ipovrallli prolar (eng .. backward pass). Uce- v
Pri koristenju umjetnih neuronskih mreza pokusava se ma-
nje se izvodi na taj natin da se nueza opskrbi parom ula- s
tematickim modelom sto bolje kopirati bioloska struktura
znih podataka i zeljenog (iIi zeIjenih) odziva. Na temelju h
zivcanog sustava te tako razvijeni model primijeniti za
ulaznih podataka rnreza proraeunava konacne odzive t,
rjesavanje razlicitih problema koji se klasicnim postupci-
y. (j;.] ,... ,c); gdje je e-broj neurona izlaznog sloja; koji se r
rna ne rnogu rijesiti zadovoljavajucom brzinom i tocnost1.
zhtim usporeduje sa zeljenim odzivima. Razlika svakog 2
Glavne znacajke UNM su:
para proraeunati odziv-zeljeni odziv daje signal greske e_, }
13~
o L Kuzk - T. I'la .. ~ic - S. Tdlljak: l"rjrn.i~na lh'\Jr{ln~kih mn~71t . Encrgija. god. 47 (1993) 2. 133-140
~
''1, 0.5 2.3. Lcvcnberg.Marquardtova metoda
~
'9' -0.5
ardtove optimizacijske met ode (18.19J znatno poboljsava
algoritam i ujedno rjesava problem konvergencije algorit-
~ mao Levenberg - Marquardtova metoda predstavlja aprok-
simaciju Newton - Gaussove mctodc. S obzirom daje ciIj
pronati rjesenje x' za kojeje kvadratna funkcijaF(x) mi-
-4 nimizirana, u svakom se koraku dx u nekoj tocki p procje-
njuju Hessian-ova mat rica H i gradijent g:
dx = x- p = - H-I g (6)
Sinapticka Hessian-ova matrica H predstavlja matricu drugih parci-
teiina w jalnih derivacija funkcije F:
H=V'F (7)
a g je gradijcnt funkcije F:
Slika 3. Trodimenzionalna povrsina grcske viSeslojne neuronske g=VF (8)
mrezc
Levenberg - Marquardtovo pravilo namijestanja glasi:
pak ponavlja. Nakan sto je mreza opskrbljena svim paro-
virna ulaz - zeljeni odziv koji su na raspolaganju (ispitni dx= -IH+fll),'g = -lIT I + fll),' IT e (9)
skup), ostvarena je jedna epoha unutar procesa llcenja. Epo- gdje je J Jacobi-eva matrica derivacija svake greske pre-
he se ponavljaju sve dok se ne postigne zadovoljavajuca rna svakoj sinaptickoj tezini, e je vektor greske, J je jedi-
tocnost proracuna, nakon cega je unutamja struktura neu- nicna matrica, a fl Levenberg - Marquardtov (LM) para-
ronske mreze taka podeS-ena da joj omogucuje rjesavanje metar. Ako je LM parametar velik (u --> =), izraz (9) ce
zadanog problema. aproksimirati u metodu najstrmijeg pada, a ako je LM pa-
Algoritam povratnog prostiranja, Cije se izvodenje temelji rametar mali (~ = 0) izraz (9) ce postat! Gauss-Newtono-
na obrascu ucenja pod nactzorom, najnesigumiji je, i teo- vajednadzba. Pri tome ce se vlastita vrijednost matrice H
rijski najmanje doraden upravo na polju konvergencije. povecavati U ovisnosti 0 ~L
Ovaj aIgoritam ovisi 0 gradijentu povrSine greske u visedi- S obzirom da je Gauss-Newtonova metoda br7..3 i puno
menzionalnom prostoru ciji su parametri vrijednosti si- tocnija blizu minimuma greske, eilj Levenberg - Marqu-
naptickih tezina i biasa neuronske mreze (stika 3).Algori- ardtove metode je sto brz.e prijeti u Gauss-Newtonovu mc-
tam je po prirodi stohasticki i ima svojstvo vrlo spore ko- todu. Nakoo svakog uspjesnog koraka dx (smanjivanje
nvergencije. Osim spore konvergencije, znacajanje i pro- greske), LM parametar se smanjuje, a nakon svakog neu-
blem koji se odnosi na postojanje lokalnih minimuma duz spjesnog koraka povecava.
povrSine greske. Ako pogonska tocka algoritma dode u
lokalni minimum povrsine greske, moze se desiti da se
proracun zaustavi iako postoji drugi skup vrijednosti si- 3. IZVEDBASEKVNDARNOG V-Q REGVLATORA
naptickih tezina za koji je l;SR manja, tj. iako postoji glo-
balni minimum funkcije. Postignuto je stanje nezeljeno, Pri realizaciji sekundarnog U-Q regulatora postivane su
.pogotovo ako je lokalni minimum znatno iznad gIobal- sljedece postavke:
nog. Ovaj se problem nastoji izbjeCi uvodenjem momen- 1. regulacijska sredstva kojima upravlja zonski regulator
tuma, tj. proracunom krivulje greske sa sarno jednim mi- napona i jalove snage su regulacijske elektrane i kon-
nimumom iii nekim drugim izmjenama samog algoritma denzatorske baterije
[17J. lake se ne moze sa sigurnoscu tvrditi da ce algori- 2. regulacija se u maksimalnoj mjeri koristi kondenzator-
tam povratnog prostiranja konvergirati za svaki problem skim baterijama, uz ogranicenje sklopnih djelovanja ba-
kod kojeg se primijeni, mogu se definirati kriteriji zau- terija na cetiri puta dnevno, zbog vijeka trajanja bateri-
stavljanja algoritma. ja
Smatra se daje algoritam povratnog prostiranja konvergi- 3_ udjeJi regulacijskih elektrana u regulaciji (q) su pro-
rao kada je Euklidova norma vektora gradijenta dostigla mjenjivi, a udjcli kondenzatorskih batcrija (qru) su fik-
dovoljno malu vrijednost, tj. kada je apsolutna vrijednost sni i ovise 0 kapacitetu pojedine baterije.
135
l. Kul.lc . T. Plav~ic . S. Tci:njak: Prillljcna ncuronskih Illrd.;! . Encrgija. god . .f7 (199S) 2. 133~I.fO I.
Na ovim se postavkama temelji priprema podataka potreb- pona i jalove snage za jednu regulacijsku zonu predaeena sr
nih za ucenje neuronske mreze, da bi se ostvario zeljeni je na slici 4 [2]. Na temelju mjerenja napona VP u karak- k'
nacin sekundame regulacije EES-a, tj. jedne regulacijske teristicnom cvoristu mreze (pilot cvoriste) Ciji napon re- z'
zone. Jednom istrenirana i provjerena neuronska mreza opi- prezentira naponsko stanje Citave zone, i podataka 0 uk- b
suje samo onaj sustav ciji su podaci korisleni u procesu Ijucenosti kondenzatorskih bate:rija u zoni p, udjelu regu- u,
ucenja. Za bila koji drugi sustav potrebno je, ponovo cje- lacijskih elektrana u sekundamoj regulaciji qr' kao i refe- re
lavito analizirati moguca pogonska stanja tog sustava kao ren-tnoj vrijednosti napona pilot cvorista VI'rd' zonski regu- C
i pozeljne nacine regulacije, te zatim pripremiti podatke lator racuna regulacijski signal za regulacijske elektrane v
potrebne za ucenje neuronske mreze. Priprema podataka NG , odnosno za kondenzatorske baterije NC. Signal NO g
za ucenje mreze je ujedno i najveci problem pri koristenju jedinstven je za sve regulacijske elektrane u zoni, a signal R
neuronskih mreza. Osim prikupljanja podataka, potrebna Nc za sve kondenzatorske baterije u zoni. Reguiacijski sig- o
je i njihova obrada te priprema kako bi ih UNM bila spo- nali salju se do svakog regulacijskog sredstva u zoni gdje
sobna nauCiti. Tek nakon toga slijedi izbor optimaine unu- se u primamom regulatorujalove soage oa osnovi podata- j,
tamje strukture neuronske mreze. ka 0 referentnoj vrijednosti proizvodnje jalove snage, tre- n
Primijenjena shema automatske sekundame regulacije na- !lutnoj proizvodnji jalove snage QTR i umnoska rcgulacij-
--I skog signala s udjelom odredenog regulacijskog sredstva
i ,t\o,
I u regulaciji qr' fonnira signal (u koji se uz signal 0 postav-
tt>wa:.i
136 I
,itbJ
'0 I. KUl:k . T. I>lav~ic - S. Tc~njak: Primjcna ncuron~kih mrd~1 . Ellcrgij:l..god. 47 (1998) 2. 133·[40
137
L Kuzle ~ T. Pla\'~it . S. Te~njak: Primjena neuronskih mreza . Energija. 1;00.47 (199R}2. 133·140
rista uslijed ispada odredenih vodova, kori,~tenje koefici- Na taj se naCin dobio jedan ulazno-izlazni par podataka r
jenata osjetljivosti, itd. potreban za ucenjc druge ncuro:1ske mreze (UNM II): . c
Ova je faza izvodena postupno (slika 7), a jedan korak, 5. sve vrijednosti mijenjane tijekom prelhodno opisanog
odnosno proracu(l jednog para ulaz-izlaz, za abje mreze. promcun':l (optcrcecnje sabimiea, proizvodnjajalove sna-
sastojao se iz sljedeceg: ge regulacijskih elektrana i kondcnzatorskih baterija) vra-
I. promijenjeilO je opterecenje odredenog evora i zatimje eene su n3. pocetne. Povratak na tocku I.
izracunato novonastalo stanje u mrezi Podaci su prikupljani za tri moguca odnosa regulaeijskih
2. u skladu s promjenol11 napona pilot cvorista izvedenaje elcktrana s obzirom na udio u rcgulaciji: (0.6, 0.4), (0.5,
promjena proizvodnje jalove snage regulacijskih elek- 0.5) i (0.4. 0.6), a za svaki je odnos proracunato 15 parova
trana i zatim ponovo utvrdeno stanje mreze. Ovaje toc- ulazno-izlaznih podataka. Svaki od 15 parova obuhvaca
ka ponavljana sve dok se napon pilot evorista nije pri- promjenu napona pilot ("orista u rasponu od 0 do -5%, a
blizio svojoj referentnoj vrijednosti u granieama (0.1 %. vrijednosti unutar tog raspona koje nisu bile ukljucenc u
3. na osnovi podataka 0 potrebnoj proizvodnji jalove sna- ucenje UNM, koristene su pri ispitivanju ispravnosti dje-
ge regulaeijskih elektrana i proizvoljno odabranih udje- lovanja sekundamog regulatora.
Ja elektrana u regulaeiji, pristupilo seproracunu regula- Trcta faza ukljuCivalaje odabiroptimalne unutraSnje struk-
cijskog signala NG prema izrazu {2]: ture za svaku od neuronskih mrcza (UNM I i UNM II) i
ucenje mreza podaeima pripremljcnim u drugoj fazi.
I1Q; =QOi -Qtri +NG 'qri (10) VeliCina neuronske mrezc. odnosno slozenost njene struk-
ture, ima vclik utjeeaj na konacnu sposobnost pooptava-
odnosno nja mreze. tj. sposobnost rje.savanja zadanog problema. Pri
" _ Q,,; + t,Q; - Qo; (II) koristenju algoritma po"ratnog prostiranja broj skrivenih
"G - slojeva i braj skrivenih neurona irna posebno velik utjeeaj
C/r; na konacne sposobnosti rnreze. Neuronske mreze s preve-
gdje je:
likim brojem skrivenih neurona u odnosu na veliCinu ispit-
l:1Q i - potrebno poveeanje proizvodnje jalove snage i-te nog skupa nastoje memorirati podatke za ucenje sto vodi
elektrane ka losem poopCavanju, iako ce mreza relativno brzomini-
Q Oi - referentna vrijednost proizvadnje jalove snage i- mizirati srednju kvadratnu gresku proracuna. Male UNM
te elektrane nastoje podesiti svoje tezine kako bi sto bolje oponasaJe
Qlr; - proizvodnjajalove snage i-te elektrane prije dje- nepoznatu funkciju ulaz-izlaz, ali ako su premale u odno-
lovanja regulacije su na veliCinu ispitnog skupa ne mogu nauciti zadani pro-
q,.i - udjele i-te elektrane u regulaciji. blem, odnosno nisu sposobne minimizirati srednju kva-
Nakon poeetnog izracunavanja regulacijskog signala, ko- dratnu gresku. Zadatak se, stoga, svodi na odabir mreze
ji nije bio jednak za obje elektrane s obzirom na razlici- koja ce biti dovoljno velika da nauCi zadani problem, a
te udjele i vrijednosti referentne, trenutne i potrebne pro- dovoljno mala da dobro poopcava.
izvodnje jalove snage svake od elektrana, pristupilo se
kombiniranju proizvodnje jalove snage obiju elektrana
kako bi se pronasla ona kombinacija vrijednosti u broj- 5. REZULTATl
niku izraza (11) koja ee uz postavljene udjele elektrana
Odabir optimalne neuronske strukture zapocet je s najjed-
dati jedinstven.i regulaeijski signal za obje elektrane, pa-
nostavnijom rnrezom, a broj skrivenih neurona je zatim
zeei pri tome da napon pilot evorista ostane u zeljenim
postupno poveeavan uz istodobno praeenje sposobnosti po-
granieama.
opcavanja mreze test-podaeima. ZadovoljavajuCi rezulta-
Time je dobiven jedan ulazno-izlazni par podataka po- ti za obje mreze (greska je manja od 4% od vrijednosti
trebnih za ucenje prve neuronske mreZe (UNM I)
regulacijskih signala dobivenih proracunom tokova sna-
4. proizvodnjajalove snage elektrana zatim se vracala na gal dobiveni su uporabom troslojne strukture (sl. 8), s 15
poeetnu vrijednost (prije djelovanja regulacije), a pri- neUf(!>na u prvom skrivenom sloju i 5 neurona u drugom
stupilo se podizanju proizvodnje kondenzatorskih bate- skrivenom sloju. Za prijenosnu funkciju neurona skrive-
rija sve dok napon pilot cvorista nije ponovo dosao unu- nih slojeva koristena je sigmoidna funkcija, a za neurone
tar zeljenih granica. Prema (II) proracunat je jedinstve- izlaznog sIoja lineama funkcija. Kod prve mreze postig-
ni regulacijski signal za sve tri kondenzatorske baterije nuta je srednja kvadratna greska od 1% (50 do 500 epo·
Nc s tim daje pretpostavljeno da su udjeli svih konden- hal, a kod druge mreze 0.1 % (54 epohe). Rezultati ostva-
zatorskih baterija jednaki (~b;=0.33) te da su njihove reni s UNM I predoceni su na sHei 9 (prosjecno odstupa- "
postavne i trenutne vrijednosti snage proizvodnje (Qm."i' nje prikazanih krivulja je 3.7%), a rezultati ostvareni s
Q",,) jednake nuli. UNM II na slici !O (prosjecno odstupanje krivuljaje 1.7%).
Ponovo je prema (11) izracunat signal NG, s ciljem da Navedena odstupanja nisu konacna, i duziffi ucenjem mreze
se iznos proizvodnje jalove snage elektrana, koji je po- iIi poboljsavanjem skupa ispitnih podataka (prosirenje sku-
veean djelovanjem regulaeije u prethodnom koraku, pa iIi koristenje reprezentativnijih podataka) mogu se do-
umanji za iznos kondenzatorskim baterijama proizve- vesti unutar granica od ± 1%.
derie jalove snagc. Na taj sc naCin osigurava odredena
pricuvajalove snage u sustavu. Iznos potrebne proizvod-
nje jalove snage elektrana nije se posebno rac~nao vee 6. ZAKLj{jCAK
sc koristila vrijednost iz prethodnog proracuna tokova
snaga (proracun s poveeanom proizvodnjom kondenza- Razradena je metodologija za automatsku sckundarnu re-
torskih baterija). gulaciju n3pona i jalove sn;.\ge koristenjem neuronskih
13~
I. Kuz!c -1: P!a\"~it . S. ·Ic~n.iak: Primj.:na n,:ur0llskih mrd.a . Encrgija. god. 47 (199R) 2.133-140
Illreza. Razvijen je sekundarni zonski regulator uporabom . regulacije koristcnjem regulacijskih elektrana i/ili konden-
dvaju neuronskih mreza cime se oSIvarila mogucnost U-Q zatorskih baterija. Regulator je ispitan na primjeru modi-
ficirane IEEE test mreze s 14 cvorista, kojaje predstavlja-.
la jednu regulacijsku zonu. Dobiveni su zadovoljavajuci
rezultati, a rcgulacijski signali NG i Nc odstupali su od vri-
jednosti regulacijskih signala dobivenih proracunom to-
kova snaga, NGO i Nco. unutar ±4%. Ova odstupanja nema-
jU'znacajnijcg utjecaja na ispravnost rada regulatora jer i
regulacijski signaii N G' Nc i Nc;o' Nco vracaju napon pilot
cvorista unutar postavljenih ograniccnja od ± J %.
Nedostatak opisane metodologijeje nemogucnost primje-
ne razvijenog sekundamog regulatora na neki drugi EES
iii dio sustava, jer jednom provjerena i istrenirana neuron-
ska mreza svojstvena je sarno za onaj elektroenergetski
sustav Ciji su podaci koristeni u procesu ucenja.
Za. bilo koji drugi EES potrebno je cijeli opisani postupak
IUNM IIUNM izvesti cd pocetka. Pri tome ce novi regulator najcesce imati
Slika 8. Prikaz ostvarcnc UNM strukturc pn'c i druge neuronske drugaciju neuronsku strukturu, od ovdje razvijenog, jer
mreze odabir oplirnalne UNM strukture ovisi c ,·;-:-:egu podataka
koji se koriste za llcenje; tj. 0 velicini i slozenosti' EES-a
o za koji se razvija regulator.
~c...Q.005
Pri procjeni rriogucnosti primjene neuronskih mreza za
rjesavanje nekog problema treba bili svjestan prednosti,
£!"" -0.01 ali i nedostataka UNM u odnosu na ostale metode, a po-
·iLo.0.5 sebno je znacajno ocijeniti prikladnost primjene neuron-
~
LITERATURA
:jJ.05!:-,-,-:c-:-'=-:c:---:~--:,-:--~:-..c...c,~c..:...~ _
.0 0.3 0.4 0.5 [IJ S. TESNJAK: "(U-Q) regulacija u EES-u", FER-ZVNE, Za-
. Regulacijski signal No
rJgz Itmjdlf~ Ilru",IU'~ mt&
vodska skripta, 1991.
&; p"'rQ~UIIQ t~to"" ...,,'" [2J S. TESNJAK,I. KUZLE, N. PUUIC: "Prijedlog rjcsenja au-
tomatske sekundarne regulacije napona i jalove snage u EES-
Slika 9. Ovisnost regulacijskog signala Nc 0 promjcni napona pilot u Hrvatske", Drugo savjetovanje Hrvatskog komiteta CIGRE,
c\'orista II Vp Primosten 14.-18. svibnja 1995., Ref. 39.07
[3J J.P. PAUL, J.Y. LEOST, J.M. TESSERON: "Survey of.he Se-
o condary Voltage Comrol in France: Present Realization and
Investigations", IEEE Transactions on Power Systems, Vol. 2.
No.2, May 1987, pp. 505-511
[4J G. BLANCHON, N. GIRARD, Y. LOGEAY, F. MESLlER:
"New Developments in Planning of Reactive Power Compen-
! ·0:015 sation Devices, IEEE Transactions on Power Systems. Vol. 2,
.:§ -0.02
No. 3, August 1987. pp. 764-771
."- [5J J.P. PIRET, J.P ANTONIE. M. STUBBE, N. JANSSENS,J.M .
el
c
·0.025 DELINCE: "The Study of a Centralised Voltage Control Met-
o hod Applicable to the Belgian System .~, CIGR ... , Paris, Sessi-
~ -0.03 on- J992, Ref. 39-20 I
.,e
d
.§ ·0.035
-0.04
[6J V.ARCIDIACONO. S. CORSI. R. CHINNICI, U. BAZZI, M.
MOCENIGO, G. MORESCHINI: "The Regional Voltage Re-
gulator for E;NEL's Dispachers·'. CIGR ...• Paris, Session-1996,
'" -0.045 Ref. 39-304
[7] V.S.S. VANKAYALA. N.D. RAO: "Anificial Neural Networ-
-OD5~--:,-:---:c:---:~-~-~:---:~-~ ks and Their Applications to Power Systems - A Bibliographi-
o 0.1 0.2 0.3 0.4 0.5 0.6 0.7
Regulacijski signal Nc cal Survey", Electric PO\\'er Systems Research, Vol. 28 , 1993,
i;Ja! "mjrnr~ n<u,en,A~ mrd~
pp.67-79
i: p",,,,luno teke"" ,,,e,,, [8J D. SRINIVASAN. A.C. L1EW, C.S. CHANG: "A Neural Ne.-
work Short-Tenn LOJd Forecaster", Electric Power Systems
Slika 10. Ovisnost rcgulacijskog signala Nc 0 promjcni napona pilot Research. Vol. 28 . 1994. pr. 227-234
c\'oris{a t:.. V [9] A.A. GIRGIS. S. VARADAN: "Unit Commitment Using Lo-
"
139
1. Kul.lc - T. I'la\"~i(' - S. Tdnjak: Primjcna !1curonskih mrc.b . Encrgija. god. 47 (I99R) 2. t33-140
ad Forecnsting Based on Artificial Neural Networks", Electric NEURAL NETWORK APPUCATION FOR THE SECONDARY CONTROL OF VOLT-
AGE AND REACTIVE POWER
Power Systcm Research, Vol. 32,1995, pp. 213-217
[10] D. NIEBUR, A.J. GERMOND: "Power System Static Secu- The application of Artificial Neural Network (ANN) tor the automatic secondary con-
rity Assassment Using the Kohoncn Neural Network Classifi- trol of voltage and reactive power is described. Secondary var control 01 a single
control zone is reatized by the use 01 multi·layer neural structure (multi-layer
er", IEEETransaetions on Power Systems, Vol. 7. No.2, 1992, percept ron). The regulator is composed 01 two connected neural networks (NN I and
pp.865-871 NN H). each 01 them with two hidden layers of 5 neurals in the first and 15 in the
[11 J Y. ZHANG. O.P. MALIK. GS. HOPE. G.P. CHEN: "Applica- second layer. As control devices. control power plants and capacity batteries have
tion of an Inverse Input/Output Mapped ANN as a Power Sy- been used, most frequently the capacity batteries. Regulator operation has been
tested using modificated IEEE test network having 14 nodes and the results ob-
stem Stabilizer", IEEE Transactions on Energy Conversion, tained are satisfactory. The regulator kepi the VOltage of Ihe pilot node within ± 1% of
Vol. 9. No.3. 1994. pp. 433-439 the referent value.
l12] H. MORI, Y. TAMARU. S_ TSUZUKI: ""An Artificial Neural-
Net Based Technique for Power System Dynamic Stability with DIE ANWENDUNG VON NEURONEN - NETZEN AN DtE SEKUNDARREGELUNG
OER SPANNUNG UNO DER BUNOLEtSTUNG
Kohoncn Network IEEE Transactions on Power Systems, Vol.
7. No.2. 1992.pp.856-864 Beschrieben ist dieAnwendung der Methode kuns!licher Neuronennetze (UNM1) an
die aulomatlsche Sekundarregelung von Spannung und Blindleistung. Oer sekundare
[I3J D. SALATINO. R. SBRIZZAI. M. TROVATO. M. LaSCA- (U-01) Regier einer Regulationslone ist mittets einer mehrschichtigen Neuronens-
LA: "Online Voltage Stability Assessment of Load Centers by truktur .wstandegebrach\ worden (mehrschichtiges Perceptron). oer Regier besteht
Using Neural Networks", Electric Power System Research, Yol. aus zwei untereinander verbundenen Neuronennetzen (NN J und NN til). wovon jades
32.1995.pp.165-173 in lwei Schichten je 5 Neuronen in der erSlen und 15 Neuronen in der zweiten $chicht
verborgen beinhal!et. Ats Regelungsmittel sind Regutalionskraftwerke und Kondensa-
[I4J M. KEZUNOVIC. L RIKALO. DJ. SOBAJlC: "High-Speed
loren-BaUerien genu III worden. wobei der Schwerpunkt an der iiberwiegenden Nut·
Fault Detection and Classification wilh Neural Networks". zung von Kondensatoren-Batlerien lag. Die Wirkung von Reglem ist am Beispiel eines
Electric Power System Research, Vol. 34, 1995. pp. 109-116 angepassten tEEE2) Versuchs·Netzes mit 14 Knolenpunkten geprlift worden. wobe;
[15] c.T. SU, c.T. LIN; "Application of a Neural Network and He- der Regier die Spannung des Leilknotenpunktes innerhalb der Abweichungen von ~1
% des Steltwertes festhielt; also mit lufriedenslellenden Ergebnissen.
uristic Model for Voltage-Reactive Power Control", Elcctric
PowcrSystem Rescarch, Vol. 34,1995. pp. 143-148
o'
') MJo.."'~ "' 1.1""""", 2) '<>s'M_ E"",,>CaI """ """-""",",,.cal E~nee<..
[16J S. MILANIC, 1. SKRJANC. R. KARBA: "Survey of Some Nas!ov pisaca:
Neural Network Applications in Control Problems", Elektro-
tchniski Vesmik, Vol. 62, No. 3-4, 1995. pp. 171-181, mr. sc.lgor Kuzle, dipl. ing.
[17} S. HAYKIN: "Neural Networks-A Comprehensive Foundati- prof. dr. sc. Sejid Tesnjak, dip!. ing.
on", IEEE PRESS. 1994. Fakultet elektrotehnike i racunarstva
Za\"od za ,'isoki napon i energetiku
[18] WH. PRESS. B.P. FLANNERY, SA TEUKOLSKY. WT.
Unska 3, 10000 Zagreb, Hr\'3tska
VETTERLING: "Numerical Recipes - The Art of Scientific
Computing", Cambridgc University Press, 1989. Tomislav Pla,·sic, dipL ing.
[! 9] T.R. CUTHBERT: "Optimization Using Personal Computers- llrodarski institut
with Applicalions to Electrical Networks", John Wiley & Sons, A\"enija Vece:sJa\"a Holje\"ca 20
1987. 10000 Zagreb, Hn-atska
[20] "IEEE 14-bus Test System", lEE Proceedings - Generation, Urednistvo primito rukopis:
Transmission and Distribution. Vol. 143. No.5, 1996, str. 390 1997-11-21
I
I
140
.1
~l