Design of Optimal ANN Controller Trained by Firefly Algorithm for Automatic Generation Control of Multi Area Power System

Farshi, Hatef and Valipour, Khalil and Shayeghi, Hossein (2016) Design of Optimal ANN Controller Trained by Firefly Algorithm for Automatic Generation Control of Multi Area Power System. Masters thesis, University of Mohaghegh Ardabili.

[img] Text (طراحی کنترل کننده بهینه شبکه عصبی مصنوعی با الگوریتم کرم شب تاب برای کنترل خودکار تولید سیستم قدرت چند ناحیه¬ای)
Hatef Farshi.pdf

Download (1MB)
Official URL: http://www.uma.ac.ir

Abstract

Automatic Generation Control (AGC) is one of the vital parts in power system design, automation, operation and stability. In this paper, Artificial Neural Network (ANN) controller is used in AGC problem of two-area and four-area interconnected power system. Each area of power system includes one hydro unit and one thermal unit. The hydro and thermal units are comprised with an electric governor and reheat turbine, respectively. Also, 20 percent Step Load Perturbation (SLP) has been considered in any individual area. Selecting the weight of neurons in each layer is one of the most important things in the design of ANN controller. There are many training algorithms in MATLAB Toolbox in which the most useful and efficient is the Levenberg-Marquardt back-propagation algorithm (Trainlm), but this method has limitations such as sensitivity to the number of neurons in the hidden layer, low speed and being inappropriate for large and complex networks. To solve these problems, a smart and metaheuristic algorithm called the Firefly Algorithm (FA) is used to train the neural network controller. The mentioned power systems with ANN-FA and ANN-Trainlm controllers are simulated in MATLAB/SIMULINK environment. Simulation results and graphs of frequency and tie-line power deviations are also shown. The results of the simulations show the superiority of ANN-FA controller is comparison with the ANN-Trainlm controller. Keywords: Artificial Neural Network , Automatic Generation Control, FireflyAlgorithm, Multi-Area Power System

Item Type: Thesis (Masters)
Persian Title: طراحی کنترل کننده بهینه شبکه عصبی مصنوعی با الگوریتم کرم شب تاب برای کنترل خودکار تولید سیستم قدرت چند ناحیه¬ای
Persian Abstract: کنترل خودکار تولید امری بسیار مهم در طراحی، عملکرد و پایداری سیستم های قدرت به شمار می رود. در این مقاله از کنترل کننده شبکه عصبی مصنوعی در سیستم های قدرت دو ناحیه ای و چهار ناحیه ای استفاده شده است. هر ناحیه از سیستم قدرت مذکور شامل یک واحد حرارتی به همراه بازگرمایش و یک واحد آبی دارای گاورنر الکتریکی می باشد. در هر ناحیه تغییر توانی به اندازه 20 درصد کل توان در نظر گرفته شده است. انتخاب وزن نورون های هر لایه از موارد بسیار مهم در طراحی کنترل کننده های شبکه عصبی مصنوعی (ANN) می باشد. در جعبه ابزار نرم افزار MATLAB الگوریتم های بسیاری جهت آموزش و انتخاب وزن وجود دارند که پر کاربرد ترین و موثر ترین آن ها الگوریتم پس انتشار Levenberg-Marquardt (Trainlm) می باشد اما این روش دارای محدودیت هایی از جمله نامناسب بودن برای شبکه های بزرگ و پیچیده، سرعت کم و حساس بودن به تعداد نورون در لایه مخفی می باشد. برای حل این مشکلات در این پایان نامه از الگوریتم هوشمندی به نام کرم شب تاب (FA) جهت آموزش شبکه عصبی استفاده کردیم. سیستم های قدرت مذکور با کنترل کننده های ANN-FA و ANN-Trainlm در محیط نرم افزار MATLAB شبیه سازی شده و نتایج و نمودار های انحرافات فرکانس و توان خطوط ارتباطی نواحی نشان داده شده است. نتایج حاصل از شبیه سازی ها نشان دهنده برتری کنترل کننده ANN-FA ارائه شده نسبت به ANN-Trainlm می باشد.
Supervisor:
SupervisorE-mail
Valipour, KhalilUNSPECIFIED
Advisor:
AdvisorE-mail
Shayeghi, HosseinUNSPECIFIED
Subjects: Faculty of Engineering > Department of Electrical & Computer Engineering
Divisions > Faculty of Engineering > Department of Electrical & Computer Engineering
Divisions: Subjects > Faculty of Engineering > Department of Electrical & Computer Engineering
Faculty of Engineering > Department of Electrical & Computer Engineering
Date Deposited: 25 Nov 2018 16:09
Last Modified: 25 Nov 2018 16:09
URI: http://repository.uma.ac.ir/id/eprint/2148

Actions (login required)

View Item View Item