Luận văn Nghiên cứu xây dựng hệ thống điều khiển tốc độ tuabin thủy điện liên kết vùng trên cơ sở logic mờ và mạng nơron nhân tạo

hời gian từ 10s đến 20s tốc độ tuabin 1 và độ mở cánh hướng cũng tăng dần. Khi được 20s ta đóng 50% tải 1LP vào lúc đó tốc độ tuabin sẽ giảm, công suất máy phát 1GenP và công suất trên đường dây 1tieP dao động rất mạnh, tuy nhiên do độ mở cánh hướng tăng sau thời gian khoảng 40s thì công suất và tốc độ dần ổn định tuy nhiên sai lệch tĩnh rất lớn xấp xỉ 20%. 45 Hình 2.13. (b) Vùng 2 Trên hình 2.13(b) vùng 2 ta thấy từ 0 -15s chưa có tín hiệu điều khiển cho điều tốc cho nên chưa xuất hiện dao động, tuy nhiên khoảng 15s sau ta kích thích tín hiệu điều khiển điều tốc từ 0 lên 1 lúc đó đầu ra của bộ điều tốc là van cánh hướng Xe bắt đầu mở dần, đồng thời công suất trục tuabin 1mP tăng dẫn dẫn đến công suất đầu ra máy phát 1GenP và 1tieP công suất trên đường dây cũng thay đổi liên tục, tiếp theo thời gian từ 15s đến 40s tốc độ tuabin 2 và độ mở cánh hướng cũng tăng dần. Khi được 40s ta đóng 50% tải 2LP vào lúc đó tốc độ tuabin sẽ giảm, công suất máy phát 2GenP và công suất trên đường dây 2tieP dao động rất mạnh, tuy nhiên độ mở cánh hướng tăng sau thời gian khoảng 60s thì công suất và tốc độ dần ổn định tuy nhiên sai lệch tĩnh rất lớn xấp xỉ 20%. 46 2.3. Mô hình hệ thống điều khiển tốc độ tuabin máy phát thủy điện liên kết hai vùng Trong [11] khi kết nối giữa các vùng phát điện với nhau sẽ sinh ra sự sai lệch vùng điều khiển, mong muốn là sai lệch vùng giảm về không để ổn định cho tần số và công suất khi tải thay đổi. Ta có công thức tính sai lệch vùng: 1 12 1 1ACE P B f    (2.18) 2 21 2 2ACE P B f    (2.19) Sơ đồ nguyên lý cấu trúc hệ thống điều khiển tốc độ tuabin máy phát điện liên kết hai vùng được thể hiện trên hình 2.14. Hình 2.14. Mô hình cấu trúc hệ thống điều khiển tuabin thủy điện liên kết hai vùng 47 Trong đó: - ACE1 : Sai lệch vùng 1 - ACE2 : Sai lệch vùng 2 - 1 , 2 : Sai lệch tốc độ vùng 1, 2 - 1 , 2 : Sai lệch góc điện áp vùng 1,2 - 1B : Góc lệch đường dây vùng 1 - 2B : Góc lệch đường dây vùng 2 - ' 1mP , '' 1mP : Công suất trục tuabin vùng 1 - ' 2mP , '' 2mP , : Công suất trục tuabin vùng 2 - R1, 2 : Hệ số điều chỉnh tần số của bộ điều tốc - 1LP , 2LP : Công suất tải thay đổi Các bộ điều khiển vùng 1 và vùng 2 được sử dụng trong sơ đồ trên là bộ điều khiển dạng tích phân 1 K s  và 2 K s  . Trong một nhà máy thủy điện có nhiều tổ máy, mỗi vùng phát điện cũng có nhiều nhà máy, để đơn giản hóa mà vẫn thể hiện được cấu trúc của hệ thống, ta có thể đưa ra sơ đồ khối của hệ thống điều khiển thủy điện liên kết 2 vùng dưới hình 2.15 với các bộ điều khiển tổng quát 1 và 2. 48 Hình 2.15. Sơ đồ khối hệ thống điều khiển thủy điện liên kết hai vùng Trong đó: - 1 2,F F  : Sai lệch tần số vùng 1, 2 - ref1P : Sai lệch công suất đầu ra bộ điều khiển 1 - ref 2P : Sai lệch công suất đầu ra bộ điều khiển 2 - 1eX : Sai lệch bộ điều tốc 1 - 2eX : Sai lệch bộ điều tốc 2 - 1B : Góc lệch đường dây vùng 1 - 2B : Góc lệch đường dây vùng 2 - mP : Công suất trục tuabin 49 - R1, 2 : Hệ số điều chỉnh tần số của bộ điều tốc - 1LP , 2LP : Công suất thay đổi tải Trong luận án, các ví dụ mô phỏng được thực hiện với giá trị các tham số hệ thống như sau [11], [16], [18]: 1 2 48.7( )g gT T s  ; w1 w2 1( )T T s  1 2 0.513r rT T  (s); 1 2 0.6M M  (s); 1 2 1D D  (pu); 1 2 2.4R R  (pu); 12 0.0707T  (pu) Mục tiêu của luận án là sẽ nghiên cứu đề xuất các phương án thiết kế các bộ điều khiển này trên cơ sở ứng dụng điều khiển mờ và mạng nơ ron nhằm nâng cao chất lượng hệ thống. 2.4. Kết luận chương 2 Trong chương này luận án đã tổng hợp mô hình toán học của các khối chức năng cơ bản của hệ thống điều khiển tuabin thủy điện đơn vùng và liên kết vùng. Khảo sát được các đặc tính làm việc của các khối chức năng của hệ thống thủy điện liên kết 2 vùng, đưa ra sơ đồ cấu trúc hệ thống điều khiển tốc độ tuabin thủy điện liên kết hai vùng. Trong những chương tiếp theo luận án sẽ đề xuất một số thuật toán điều khiển thông minh cho việc xây dựng và tổng hợp các bộ điều khiển thành phần của hệ thống để bảo đảm được mục tiêu điều khiển đã đề ra. Kết quả được công bố [CT4] trong danh mục công bố công trình khoa học của luận án. 50 CHƯƠNG 3 THIẾT KẾ BỘ ĐIỀU KHIỂN TỐC ĐỘ TUABIN THỦY ĐIỆN LIÊN KẾT VÙNG TRÊN CƠ SỞ LOGIC MỜ ĐỂ ỔN ĐỊNH TẦN SỐ TẢI Trong công nghiệp từ lâu bộ điều khiển PID đã được biết đến như một giải pháp điều khiển tối ưu, đa năng, chiếm đến trên 90% các ứng dụng. Tuy nhiên sự phát triển không ngừng của khoa học công nghệ làm xuất hiện các đối tượng điều khiển có độ phức tạp ngày càng tăng. Yêu cầu thực tiễn đặt ra là phải điều khiển các hệ thống động ngày càng phức tạp, trong điều kiện yếu tố bất định ngày càng gia tăng với yêu cầu chất lượng điều khiển ngày càng cao. Các yêu cầu trên không thể đáp ứng được trọn vẹn nếu dùng lý thuyết điều khiển thông thường sẵn có. Đây chính là động lực cho ra đời một lĩnh vực nghiên cứu mới đó là điều khiển thông minh. Điểm khác biệt điều khiển thông minh và điều khiển thông thường là khi thiết kế về nguyên tắc là không cần mô hình toán học của đối tượng điều khiển. Các kỹ thuật điều khiển thông minh được sử dụng phổ biến hiện nay là điều khiển mờ, mạng nơ ron, thuật toán di truyền, Chương 3 của luận án sẽ xem xét ứng dụng điều khiển logic mờ trong nâng cao chất lượng điều khiển hệ thống thủy điện liên kết vùng. 3.1. Bộ điều khiển mờ luật PID Hoạt động của một bộ điều khiển mờ phụ thuộc vào kinh nghiệm và phương pháp rút ra kết luận theo tư duy của con người sau đó được cài đặt vào máy tính trên cơ sở logic mờ [1], [40], [46], [54], [49], [81], [83]. Một bộ điều khiển mờ bao gồm 3 khối cơ bản: khối mờ hoá, thiết bị hợp thành và khối giải mờ. Ngoài ra còn có khối giao diện vào và giao diện ra. - Khối mờ hoá có chức năng chuyển mỗi giá trị rõ của biến ngôn ngữ đầu vào thành tập mờ đầu vào. - Thiết bị hợp thành có bản chất là triển khai luật hợp thành được xây dựng trên cơ sở luật điều khiển. 51 - Khối giải mờ có nhiệm vụ chuyển tập mờ đầu ra thành giá trị rõ (ứng với mỗi giá trị rõ đề điều khiển đối tượng). - Giao diện đầu vào thực hiện việc tổng hợp và chuyển đổi tin hiệu vào (từ tương tự sang số), ngoài ra còn có thể có thêm các khâu phụ trợ đê thực hiện bài toán động như tích phân, vi phân.... - Giao diện đầu ra thực hiện chuyển đổi tín hiệu ra (từ số sang tương tự) để điều khiển đối tượng. Nguyên tắc tổng hợp một bộ điều khiển mờ hoàn toàn dựa vào những phương pháp toán học trên cơ sở định nghĩa các biến ngôn ngữ vào/ra và sự lựa chọn những luật điều khiển. Cũng giống như điều khiển kinh điển, bộ điều khiển mờ được phân loại dựa trên các quan điểm khác nhau, chẳng hạn theo số lượng đầu vào và đầu ra ta phân ra bộ điều khiển mờ thành "Một vào - một ra" (SISO), "Nhiều vào - một ra" (MISO) hoặc "Nhiều vào - nhiều ra" (MIMO). Theo bản chất của tín hiệu đưa vào bộ điều khiển có thể phân ra bộ điều khiển mờ tĩnh và bộ điều khiển mờ động. Bộ điều khiển mờ tĩnh chỉ có khả năng xử lý các tín hiệu hiện thời, có quan hệ vào/ra y(x), với x là đầu vào và y là đầu ra, theo dạng một phương trình đại số (tuyến tính hoặc phi tuyến). Bộ điều khiển mờ tĩnh không xét tới các yếu tố "động" của đối tượng (vận tốc, gia tốc,). Các bộ điều khiển tĩnh điển hình là bộ khuếch đại P, bộ điều khiển rơle hai vị trí, ba vị trí,... Bộ điều khiển mờ động là bộ điều khiển mờ mà đầu vào có xét tới các trạng thái động của đối tượng như vận tốc, gia tốc, đạo hàm của gia tốc,... Ví dụ đối với hệ điều khiển theo sai lệch thì đầu vào của bộ điều khiển mờ ngoài tín hiệu sai lệch theo thời gian còn có các đạo hàm của sai lệch giúp cho bộ điều khiển phản ứng kịp thời với các biến động đột xuất của đối tượng. Các bộ điều 52 Luật hợp thành E T y(t) X(t) IE T DE T Thiết bị hợp thành và giải mờ U(t) Đối tượng Thiết bị đo khiển mờ động hay được dùng hiện nay là bộ điều khiển mờ theo luật tỉ lệ tích phân (PI), tỉ lệ vi phân (PD) và tỉ lệ vi tích phân (PID). * Bộ điều khiển mờ theo luật PID Trên hình 3.1 mô tả cấu trúc bộ điều khiển mờ được thiết kế theo thuật toán chỉnh định PID có 3 đầu vào gồm sai lệch E giữa tín hiệu chủ đạo và tín hiệu ra, đạo hàm DE của sai lệch và tích phân IE của sai lệch. Đầu ra của bộ điều khiển mờ chính là các tín hiệu điều khiển u(t). Hình 3.1. Bộ điều khiển mờ theo luật PID dùng thuật toán chỉnh định PID mờ Trong thực tế có thể sử dụng riêng hai trường hợp bộ điều khiển mờ theo luật PI và PD [1]. * Bộ điều khiển mờ theo luật PD Bộ điều khiển mờ loại này (mô tả trong hình 3.2) sử dụng đầu vào là sai lệch tín hiệu và đạo hàm của nó. Đầu ra vẫn là tín hiệu điều khiển được đưa trực tiếp đến đối tượng điều khiển. Ưu điểm của bộ điều khiển logic mờ loại này là tác động của hệ thống nhanh, có thể dập tắt được sai lệch giữa tín hiệu thực đầu ra và tín hiệu đặt trước. Hình 3.2. Hệ thống điều khiển mờ theo luật PD 53 * Bộ điều khiển mờ theo luật PI Trong [1], [94] bộ điều khiển mờ loại PI, như mô tả như hình 3.3 bao gồm hai đầu vào là sai lệch tín hiệu và tích phân của nó. Đầu ra tín hiệu điều khiển cũng được đưa đến đối tượng điều khiển. Loại bộ điều khiển này có ưu điểm là triệt tiêu được sai lệch tĩnh rất tốt nhưng thời gian xác lập thường kéo dài hơn so với bộ điều khiển mờ kiểu PD. Hình 3.3. Hệ thống điều khiển theo luật PI 3.2. Các giải thuật tối ưu hóa tham số bộ điều khiển Bộ điều khiển mờ đã nêu có các tham số cần hiệu chỉnh để chất lượng hệ thống đạt được như mong muốn. Đây là quá trình rất phức tạp vì số tham số lớn, tác động không độc lập đến quá trình điều khiển hệ thống. Vì vậy cần xem xét ứng dụng các thuật toán tự động tìm kiếm tối ưu. Trong khuôn khổ luận án xem xét ứng dụng 03 giải thuật tối ưu hóa dựa trên cơ chế sinh học tự nhiên, đó là thuật toán tối ưu hóa bày đàn PSO, thuật toán di truyền GA và thuật toán tiến hóa vi phân DE. 3.2.1. Thuật toán tối ưu hóa bầy đàn PSO Thuật toán PSO là một trong những công cụ tối ưu hóa hiệu quả nhất được áp dụng cho nhiều bài toán điều khiển khác nhau [78], [82], [92], [93], [95], [96], (xem phụ lục I). Một lưu đồ thuật toán cho PSO được vẽ trên hình 3.4. Thuật toán ban đầu được giả định rằng có m và một bầy bao gồm n cá thể. Chúng được đặc trưng bởi hai véctơ ngẫu nhiên, cụ thể là véctơ vị trí và véctơ vận tốc. Tất cả các cá thể của một bầy phải được điều khiển để di chuyển đến vị 54 trí tối ưu cục bộ được đánh giá bởi một chức năng huấn luyện. Ngoài ra, ở mỗi lần lặp, vị trí lân cận tốt nhất này phải được so sánh với vị trí tối ưu toàn bộ sẽ thu được từ các khu vực lân cận trước đó. Sau đó, các vectơ tối ưu mới của các vị trí toàn phương và cục bộ sẽ được xác định và lưu lại cho bước tiếp theo. Thuật toán PSO được tiếp tục bằng cách cập nhật hai vectơ vị trí và vận tốc của bầy hiện tại trong hình 3.4. , , ,( 1) ( ) ( 1)i d i d i dx it x it v it    (3.1) , , ( )( 1)i d i d itv it v  (3.2) 1 , ,* (0,1)* ( ) ( )i d i dC Rnd pb it x it    (3.3) 2 ,* (0,1)* ( ) ( )d i dC Rnd gb it x it    (3.4) - i chỉ số đàn dùng để nhận dạng đàn thứ i trong bầy - d: kích thước vector đặc trưng cho vector vận tốc và vị trí của đàn - it = k: chỉ số vòng lặp thứ k - Rnd = α: số dương ngẫu nhiên trong khoảng (0, 1) - Pbi: vị trí tối ưu cục bộ thứ i - Gbi: vị trí tối ưu toàn cục thứ i Trong đó c1 và c2 là hai gia tốc đặc trưng bởi các hằng số dương, α1 và α2 biểu thị hai số dương ngẫu nhiên bị chặn trên và ω là trọng số quán tính. Khi hai vectơ trên được cập nhật, chúng có thể đáp ứng các ràng buộc của vấn đề tìm kiếm. Các ràng buộc sau phải được thỏa mãn: Trong đó và ,i jX lần lượt là các phần tử thứ j của các vectơ giới hạn dưới, vị trí và giới hạn trên. Cần lưu ý rằng các tiêu chí dừng, thường được xác định là giá trị tối đa của các lần lặp hoặc các giá trị mong muốn của các hàm, nên được kiểm tra tại bất kỳ lần lặp nào của cơ chế PSO. Quá trình tối ưu hóa sẽ kết thúc nếu một trong những tiêu chí được đáp ứng. 55 Hình 3.4. Lưu đồ thuật toán điển hình cho giải thuật tối ưu PSO 56 3.2.2. Thuật toán di truyền GA GA là thuật toán tổng quát có khả năng giải quyết thành công các bài toán ở nhiều lĩnh vực, đặc biệt là những bài toán khó giải quyết bằng các phương pháp khác [1], [91], [97], [100]. Một bài toán được giải bằng GA được mô tả trong hình 3.5. GA không đảm bảo rằng sẽ tìm được lời giải tối ưu toàn cục cho bài toán, nhưng thông thường GA có thể tìm được lời giải “đủ tốt” trong thời gian “chấp nhận được”. Khi tồn tại một phương pháp cụ thể để giải bài toán thì phương pháp đó thường tốt hơn GA cả về tốc độ tìm lời giải và độ chính xác của kết quả. Vì vậy, phạm vi ứng dụng chính của GA là các bài toán khó không tồn tại phương pháp giải khác hoặc phương pháp giải khác chưa hiệu quả. Hình 3.5. Giải bài toán dùng GA Những năm gần đây các ứng dụng của GA tăng mạnh trong nhiều lĩnh vực như: kỹ thuật (thiết kế động cơ, thiết kế máy bay) tối ưu hóa, hoạch định 57 hoạt động robot, hệ thống phân loại, hệ thống học, nhận dạng mẫu, huấn luyện mạng thần kinh, chỉnh định hệ mờ Lưu đồ thuật toán về cơ bản gồm các bước trên hình 3.6. Hình 3.6. Lưu đồ giải thuật di truyền Để áp dụng GA giải bài toán tối ưu trước hết phải mã hóa (encode) lời giải của bài toán thành chuỗi nhiễm sắc thể NST. Tùy theo phương pháp mã hóa mà chuỗi NST có thể là chuỗi số nhị phân, chuỗi số thập phân, chuối số 58 tự nhiên hay chuỗi số thực. Mỗi NST đại diện cho một cá thể trong quần thể. Để đánh giá các cá thể phải định nghĩa một hàm thích hợp (fitness function) thường là hàm cần tìm cực trị hoặc một biến đối tương đương của hàm cần tìm cực trị. Thế hệ đầu tiên gồm nhiều cá thể (lời giải) được khởi động ngẫu nhiên. Qua quá trình chọn lọc tự nhiên những cá thể thích nghi nhất với môi trường sống (có độ thích nghi cao) mới tồn tại và có cơ hội sinh sản để tạo ra thế hệ con có xu hướng thích nghi với môi trường sống tốt hơn thế hệ bố mẹ. Cá thể nào có độ thích nghi càng cao thì càng có nhiều cơ hội để tồn tại và bắt cặp với một cá thể khác để sinh ra thế hệ con. Nhờ quá trình lai ghép mà các đặc tính tốt của thế hệ trước được truyền lại cho thế hệ sau. Đôi khi do lỗi trong quá trình di truyền trong tự nhiên xảy ra hiện tượng đột biến với các xác suất rất thấp. Hiện tượng đột biến có thể tạo ra những cá thể có độ thích nghi kém nhưng cũng có thể tạo ra những cá thể có độ thích nghi rất tốt, vượt trội hơn hẳn so với các cá thể còn lại trong quần thể. Chọn lọc tự nhiên sẽ loại bỏ những cá thể kém thích nghi, kết quả là qua quá trình tiến hóa được lặp lại từ thế hệ này sang thế hệ khác, thế hệ sau có xu hướng thích nghi với môi trường sống tốt hơn thế hệ trước, điều đó có nghĩa là lời giải của bài toán tiến dần đến lời giải tối ưu. 3.2.3. Thuật toán tiến hóa vi phân DE Trong [4] thuật toán tiến hóa vi phân gồm 5 quá trình: Khởi tạo quần thể, đột biến, lai ghép, chọn lọc, và kiểm tra điều kiện dừng [56], [98]. Giả thiết bài toán phải giải là tìm giá trị nhỏ nhất của hàm mục tiêu f(X), với X là véc-tơ trong không gian có chiều là D. (1) Khởi tạo quần thể: Trong giai đoạn này, tiến hóa vi phân bắt đầu bằng việc khởi tạo ngẫu nhiên N véc-tơ 'i gX trong không gian D chiều. Ở đây, 'i gX đóng vai trò là cá thể thứ i trong quần thể có N cá thể, tại thế hệ thứ g. (2) Đột biến: Trong giai đoạn này, mỗi véc-tơ ở thế hệ hiện tại được gọi 59 là một véc-tơ mẹ. Đối với mỗi véc-tơ mẹ, một véc-tơ đột biến ' ,i gV được sinh ra theo phương trình sau: 'i gX = '1r gX + F( '2r gX - '2r gX ) (3.5) Trong đó: r1, r2, và r3 là 3 số nguyên được tạo ngẫu nhiên nằm trong khoảng [1; N]; 3 số nguyên này được tạo sao cho chúng không trùng với thứ tự i của véc-tơ mẹ. F là biên độ đột biến. (3) Lai ghép: Mục đích của quá trình này là làm đa dạng hóa quần thể hiện tại bằng cách trao đổi các thành phần của véc-tơ mẹ và véc-tơ đột biến. Đầu ra của quá trình lai ghép là véc-tơ con Ui,g mà thành phần thứ j của nó, ký hiệu là ', ,j i gU . . ,j i gU = { , ,j i gV , if rand ≤ Cr or j = rnb(i) , ,j i gX , if rand > Cr or j ≠ rnb(i) (3.6) Trong đó, rand j là một số thực được tạo ngẫu nhiên thuộc [0;1]. Cr là xác suất lai ghép. rnb(i) là một phần tử được chọn ngẫu nhiên thuộc tập α = [1, 2, , N]. (4) Chọn lọc: véc-tơ con Ui,g và véc-tơ mẹ Xi, g được so sánh với nhau. Nếu véc-tơ con có thể làm giảm giá trị của hàm mục tiêu so với véc-tơ mẹ, nó sẽ thay thế véc-tơ mẹ. Quá trình chọn lọc được diễn tả bằng toán học như sau: , ,j i gX ={ ,i gU , if f ( ,i gU ) ≤ f( ,i gX ) ,i gX , if F ( ,i gU ) > 𝑓( ,i gX ) (3.7) (5) Kiểm tra điều kiện dừng: số thế hệ tiến hóa tối đa (Gmax) được chọn làm điều kiện dừng. Quá trình tối ưu hóa sẽ kết thúc khi số thế hệ hiện thời (g) vượt quá giá trị của Gmax. Nếu điều kiện dừng chưa thỏa mãn, quá trình tối ưu hóa sẽ tiếp tục diễn ra. 60 Nếu vị trí của một cá thể không nằm trong vùng khả thi cách sau đây được áp dụng để điều chỉnh vị trí của cá thể Nếu X(k) > maxX thì () X(k) = maxX − ε (3.8) Nếu X(k) < minX thì min X(k) = minX + ε (3.9) với ε là một số ngẫu nhiên nhỏ. ε = ( maxX - minX ) x Rand (0,0.01). Để xử lý các ràng buộc, hàm mục tiêu mới ( )nf x có thể được định nghĩa một như sau: ( )nf x = 0( )f x +∑ 𝑃𝑖(𝑥) 𝑚 𝑖=1 (3.10) với m là số lượng các ràng buộc. ( )iP x là hàm phạt của bài toán. Với ràng buộc có dạng gi (x) ≤ 0, hàm phạt ( )iP x được cho như sau: ( )iP x = ai.max(0, gi (x) với ai là ký hiệu của hệ số phạt Vi,g = Xr, g + F(Xr2,g - Xr2,g) (3.11) 3.3. Thiết kế bộ điều khiển tốc độ tuabin thủy điện liên kết 2 vùng để ổn định tần số khi tải thay đổi Trong [38], [43], [48], [50], [53], [54], [55], [69], [70]. Sơ đồ chức năng của mạng lưới thủy điện liên kết 2 vùng trên cơ sở logic mờ để ổn định tần số khi tải thay đổi, như hình 3.7. Hình 3.7. Sơ đồ chức năng của mạng lưới thủy điện liên kết hai khu vực Điều tốc Turbine Máy phát PL1 Điều tốc Turbine Máy phát PL2 ACE1(t) ACE2(t) f1 f2 Điều khiển vùng 1 Điều khiển vùng 2 FLC 1 FLC 2 Tính toán Ptie12 61 Trên thực tế, mỗi khu vực điều khiển được xác định là một nhà máy thủy điện được kết nối với nhau bằng một đường dây. Cùng với việc ổn định điện áp, điều khiển tần số tải (LFC) cũng là một trong những vấn đề điều khiển quan trọng nhất cần được tính đến. Về nguyên tắc, chiến lược LFC chủ yếu là duy trì tần số hệ thống và công suất trao đổi trên đường dây ở các giá trị mong muốn. Trong hình 3.7. Sơ đồ trình bày nguyên lý làm việc của hệ thống điều khiển LFC cho mạng lưới thủy điện liên kết hai khu vực. Khi tải thay đổi ở từng khu vực, (tốc độ) tần số hệ thống và khu vực dòng điện đường dây cũng bị lệch khỏi giá trị danh định. Trong [11], [99] sự thay đổi công suất đường dây có thể được tính từ độ lệch tần số như sau: (3.12) Trong đó T12 là hệ số đồng bộ hóa của đường dây liên kết. Tín hiệu điều khiển được đưa đến từng FLC trong [11]: (3.13) Bài toán đặt ra là thiết kế các bộ điều khiển FLC 1 và FLC 2 để loại bỏ các dao động của cả độ lệch tần số (tốc độ) và thay đổi công suất đường dây. Hai bộ điều khiển mờ này có cấu trúc như nhau, được thiết kế lần lượt với hai phương án PI và PD. 3.3.1. Thiết kế bộ điều khiển FLC1 và FLC2 loại PI Từ hình 2.15, hình 3.7 ta thiết kế bộ điều khiển 1 và bộ điều khiển 2 trên cơ sở logic mờ, bộ FLC loại PI là một trong những chiến lược điều khiển logic mờ phổ biến nhất có thể đạt được chất lượng điều khiển tốt. Bộ điều khiển logic mờ loại PI được thiết để thay thế bộ điều khiển FLC1, FLC2 ở vị trí bộ điều khiển trong hình 3.7. Đầu ra của bộ điều khiển đã cho u (t) có liên quan đến tín hiệu điều khiển của nhà máy điều khiển theo hệ số tỷ lệ Gu. Trong hầu hết các trường hợp, mỗi bộ điều khiển logic mờ là ánh xạ phi tuyến  ,1 12 1 2 0 ( ) 2 . ( ) ( ) t tieP t T f f d        ,( ) ( ) . ( ), 1,2k tie k k kACE t P t B f t k     62 tĩnh đầu vào/đầu ra, do đó nguyên tắc của kiến trúc logic mờ như vậy có thể được chỉ định như sau [1], [20]: (3.14) Trong đó ge, gce và gu là giá trị bên trong cho suy luận logic mờ. Trong khi đó, Ge, Gce và Gu là những giá trị bên ngoài, có thể được điều chỉnh để thiết kế một FLC như vậy. Trong miền Laplace, phương trình (3.10) có thể được biểu thị như sau: (3.15) (3.16) Hai yếu tố ' ',p iK K tương ứng với hệ số tỷ lệ và tích phân của bộ điều chỉnh PI truyền thống. Tương tự như bộ điều chỉnh PI, hai yếu tố này ảnh hưởng mạnh đến hiệu suất điều khiển của hệ thống điều khiển và do đó, chúng cần được điều chỉnh thành công khi thiết kế FLC loại PI hiệu quả. Hình 3.8. Kiến trúc bộ điều khiển logic mờ loại PI điển hình cho bộ điều khiển   0 0 ( ) ( ) . . . ( ) . . ( ) t t n u u e e ce ceu t u d G g G g e G g ce d        ' ( ) ' ( )ip K U s K E s s        ' ' . . . . p u u e e i u u ce ce K G g G g K G g G g     Bộ điều khiển logic mờ Điều khiển nhà máy Cảm biến và truyền Luật mờ Hiểu biết chuyên gia mờ hóa Giải mờ r(t) e(t) u(t) y(t) ym(t) Điểm đặt _ U(t) ( )e t d dt un(t) u(t) Gu Ge Gce ce(t) CE(t) E(t) Bộ điều khiển logic mờ loại PI 63 Bảng 3.1. Bảng luật mờ đề xuất cho bộ điều khiển mờ kiểu PI E(t) DE(t) NB NM NS ZE PS PM PB NB PB PB PB PM PM PS ZE NM PB PM PM PM PS ZE NS NS PB PM PS PS ZE NS NM ZE PM PM PS ZE NS NM NM PS PM PS ZE NS NS NM NB PM PS ZE NS NM NM NM NB PB ZE NS NM NM NB NB NB Trong luận án, các hàm thuộc loại Gaussian được sử dụng cho cả hai đầu vào và một đầu ra của bộ điều khiển FLC loại PI đã đề xuất. Bảy cấp độ logic tương ứng với bảy hàm thuộc, bao gồm NB (Âm lớn), NM (âm trung bình), NS (âm nhỏ), ZE (không), PS (dương nhỏ), PM (dương trung bình), PB (dương lớn), được sử dụng cho từng hàm thuộc Gaussian của hai đầu vào và đầu ra của bộ điều khiển logic mờ loại PI được đề xuất. Trong luận án này, đề xuất sử dụng bảng luật mờ cho kiến trúc bộ điều khiển mờ kiểu PI trong bảng 3.1. Về mặt lý thuyết với 7 hàm thuộc cho hai đầu vào và một đầu ra, ta sẽ có tối đa 49 quy tắc mờ cho bộ điều khiển mờ đang xét. Các quy tắc mờ đều có thể được diễn đạt tổng quát theo qui tắc “nếu thì”: nếu đầu vào đầu tiên e(t) là e và đầu vào thứ hai de(t) là thì đầu ra là u(t). Ví dụ: quy tắc đầu tiên trong bảng 3.1 có nghĩa là: Nếu e(t) là NB và de(t) là NB thì đầu ra u(t) là PB. Theo lý thuyết quy tắc thành phần của mô hình FLC, mọi quy tắc có thể được sử dụng để thực hiện một hành 64 động điều khiển có ý nghĩa tương ứng với một điều kiện cụ thể của các biến. Một quy tắc thành phần như vậy, được sử dụng cho suy luận logic mờ để tạo tín hiệu điều khiển đầu ra, cần phải được chọn đủ đúng để có được chất lượng điều khiển mong muốn. Trong luận án này, cơ chế giải mờ MAX-MIN được áp dụng cho kiến trúc mờ kiểu PI đã đề xuất. 3.3.2. Thiết kế bộ điều khiển FLC1 và FLC2 loại PD Trong hình 3.7 việc thiết kế bộ điều khiển mờ FLC1, FLC2 có thể được thiết kế bằng các bộ điều khiển loại PD. Các hàm thuộc và bảng luật mờ giống như bộ điều khiển loại PI như bảng 3.1. Khi kết hợp với thuật toán tìm kiếm tối ưu PSO, các tham số đầu vào/ra của bộ điều khiển mờ và sơ đồ cấu trúc hệ thống có dạng như trên hình 3.9, trong đó các tham số như ke, kce, ku được cập nhật tự động. Hình 3.9. Cấu trúc bộ điều khiển logic mờ kiểu PD kết hợp giải thuật tối ưu PSO 65 3.3.3. Tối ưu hóa các tham số bộ điều khiển mờ Với mỗi bộ điều khiển mờ FLC 1, FLC2 có cấu trúc PD hoặc PI đều có 03 tham số cần tối ưu hóa gồm hai tham số tỷ lệ ở đầu vào và 1 tham số đầu ra: eG , ceG và uG . Các tham số này được cập nhật để tạo ra ba yếu tố tỷ lệ mới như sau: (3.17) Các thuật toán tìm kiếm tối ưu theo cơ chế sinh học tự nhiên đã đề cập ở mục 3.2 sẽ lần lượt được áp dụng, thử nghiệm để xác định 03 tham số cho hai bộ điều khiển mờ ke, kce và ku của mỗi bộ điều khiển mờ FLC. Sơ đồ mô tả sự tích hợp của FLC các loại PI, PD với thuật toán tối ưu PSO được thể hiện trên các hình 3.9 và 3.10. Hình 3.10. Cấu trúc bộ điều khiển logic mờ kiểu PI kết hợp giải thuật tối ưu PSO ' ' ' . . . e e e ce ce ce u u u G G k G G k G G k       u(t) e(t) F u z z if ic a ti o n T ín h iệ u đ iề u k h iể n Plant Thuật toán PSO  Đánh giá hàm mục tiêu _ Bộ điều khiển logic mờ loại PI G iả i m ờ   Setpoint E(t) U(t) ce(t) du dt ke kce ku y(t) r(t) Gce Ge uN(t) UN(t) Gu ( )CE t Luật mờ Hiểu biết Chuyên gia  66 Các thuật toán tối ưu khác như GA và DE được tích hợp tương tự như PSO. Việc thiết kế bộ điều khiển mờ và áp dụng thuật toán tối ưu với mục đích tìm kiếm thuật toá