Adaptive Neural Network-based PSS Designs for Modern Power Systems

Abstract

Når andelen av fornybar energi i et kraftsystem øker, endres systemets egenskaper på en merkbar måte. Fornybare energikilder som solcelleanlegg og vindturbiner skaper mer hyppige forstyrrelser, men bidrar ikke til å stabilisere nettet. Det betyr at ytelsen til klassiske kraftverk med roterende masser er svært viktig i kraftsystemer med en høy andel fornybare energikilder. Til tross for dette har det historisk sett blitt lagt lite innsats i innstillingene av disse generatorene. De er normalt innstilt med typiske verdier fra faglitteratur og testes enkelt for positiv demping av svingninger. I klassiske kraftsystemer var dette en tilfredsstillende fremgangsmåte, men siden moderne systemer kjøres nærmere operasjonsgrensene og opplever mer regelmessige forstyrrelser, blir optimering av det eksisterende utstyret essensielt.

Magnetiseringssystemet er synkrongeneratorens viktigste styringssystem, og har stor innvirkning på maskinens stabilitet. Styringssystemet består hovedsakelig av en spenningsregulator (AVR) og dempetilsats (PSS). Et godt innstilt styringssystem kan gi fordeler slik som forbedret demping av svingninger, enklere koordinering av vern og høyere transient stabilitet i første svingning. Innstillingen av systemet har tradisjonelt blitt gjort med generatoren frakoblet nettet, noe som kan forårsake store kostnader for eieren av kraftverket og gjør korrigering av innstillingene på et senere tidspunkt uaktuelt.

Målet med denne avhandlingen er å utforske måter nevrale nettverk (NN) kan benyttes for å gjøre PSS-designet mer tilpasningsdyktig og fleksibelt. To fremgangsmåter er presentert. Den første er et system for automatisk innstilling av det konvensjonelle PSS-designet (CPSS), basert på en NN-innstiller. Nettverket er trent på optimerte parametere fra "particle swarm optimisation"-teknikken (PSO). PSO finner de optimale parameterne fra en forenklet lineær modell av synkronmaskinen. Den andre fremgangsmåten er å benytte en NN-basert regulator som en PSS der faseresponsen gis som en kontrollvariabel. Regulatoren er navngitt "sine shifting neural network" (SSNN). Denne regulatoren er unik i den forstand at det kreves ingen elektrisk maskinteori for å designe den. Til slutt ble begge disse fremgangsmåtene sammenlignet med en statisk PSS og ved bruk av ingen PSS. Sammenligningene er gjort ved hjelp av en mer nøyaktig maskinmodell i tids-domenet. Forstyrrelsen som er simulert er et steg i den eksterne nettreaktansen. Alle simuleringer er utført i MATLAB/Simulink.

Simuleringene viste at SSNN-regulatoren ga overlegen dempeevne sammenlignet med de andre fremgangsmåtene. Den var i stand til å redusere stabiliseringstiden til under 1 sekund, mens de andre metodene endte på 2-4 sekunder. Opprettelsen og implementeringen av den automatiske NN-innstilleren for CPSS-designet var vellykket, men simuleringene viste at den ikke ga konsekvent bedre demping enn den statiske CPSS-en.

Resultatet i denne avhandlingen viser at å benytte nevrale nettverk i designet av PSS-en har et stort potensial for å øke dempeevnen, samt å gjøre den mer tilpasningsdyktig og fleksibel. Et nevralt nettverk et er kraftig verktøy som kan bidra positivt i overgangen til fornybar kraftproduksjon for å sikre påliteligheten som er forventet av kraftsystemet.

As global power systems transition to a larger share of renewable energy, changes in their operating characteristics become increasingly prominent. Sources such as photovoltaic panels and wind turbines trigger more frequent instability events and do not contribute in stabilising the system. Thus, the performance of classical bulk power generation facilities become increasingly important for robust operation of power systems with high renewable penetration. Historically, little effort is put into the tuning of these generating units, as they commonly are set with typical values from literature and briefly tested for positive damping. This was an adequate methodology in the classical power system, but as modern power systems are run much closer to their stability limits, optimising the equipment becomes essential.

The excitation system is the main actuator of the synchronous generator and has a large impact on its stability performance. It consists of the exciter, automatic voltage regulator (AVR) and power system stabiliser (PSS). A well-tuned excitation system provides benefits such as improved oscillation damping, relay coordination and first-swing transient stability. However, traditional tuning occurs with the generator out of operation, which results in huge financial losses to the owner and makes subsequent re-tuning unlikely.

The objective of this thesis is to explore approaches to make the PSS design more adaptive and versatile by applying neural networks (NN). Two approaches are presented. Firstly, an NN-based auto-tuning system for the conventional PSS (CPSS) design is proposed, where the NN is trained using optimised data from the particle swarm optimisation (PSO) technique. The PSO obtains optimal CPSS parameters from a simplified linear model of the synchronous machine. Secondly, a NN controller to act as the PSS is proposed, where its phase response is a control variable. The controller is named the sine shifting neural network (SSNN). The SSNN controller is unique in that it does not rely on any electrical machine theory in its creation. Finally, the two approaches are compared to a static CPSS and a no PSS approach by time-domain simulations using a more accurate flux-linkage model of the synchronous machine. The disturbances performed in the simulations are steps in the external network reactance. All simulations are performed in the MATLAB/Simulink environment.

The time-domain simulations of the rotor speed deviation show that the SSNN provides superior oscillation damping compared to the other approaches. It was able to reduce the settling time to well under 1 second for all tests, where the other approaches were in the 2-4 s range. The creation and implementation of the CPSS auto-tuning system were successful, yet it did not give a consistent improvement in damping compared to the static CPSS.

The work in this thesis shows that applying neural networks to the PSS design has great potential in improving its performance and to make it adaptive and versatile. The neural network is a powerful tool that can aid in the global energy transition to maintain the robustness that is expected of the power system.