پایدارساز سیستم قدرت تطبیقی بر مبنای شبکه­ ی تابع پایه­ ی شعاعی (RBF)

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

پایدارساز سیستم قدرت تطبیقی بر مبنای شبکه­ ی تابع پایه­ ی شعاعی (RBF)

چکیده

در این مقاله رویکردی جدیدی برای تنظیم (تون کردن) پارامترهای یک پایدارسازی سیستم قدرت (PSS) متعارف با استفاده از شبکه­ی تابع پایه­ی شعاعی (RBF) ارائه می­شود. شبکه­ی RBF با استفاده از یک الگوریتم یادگیری حداقل مربعات متعامد (OLS) آموزش داده می­شود. بررسی نشان می­دهند که تعداد مراکز RBFلازم به ضریب پراکندگی (b) و تعداد الگوهای آموزشی بستگی دارد. تحقیقات حاکی از آن هستند که می­توان با ارائه­ی تعداد نسبتا کمی از الگوهای آموزشی (که بصورت تصادفی ایجاد شده­اند و در کل حوزه­ی عملیاتی پخش شده­اند) یک شبکه­ی RBFحریص را بدست آورد. بر طبق بررسی­ها، عملکرد دینامیکی سیستم با PSS تطبیقی شبکه­ی RBF (RBFAPSS) عملا برابر با همانPSS تطبیقی مبتنی بر شبکه­ی عصبی مصنوعی (ANNAPSS) است. عملکرد دینامیکی سیستم با RBFAPSS در گستره­ی وسیعی از شرایط بارگذاری و راکتانس معادل Xeکاملا مستحکم هست.

..