| Summary: | Verspreide generasie of generators (VG) verwys na die opwekking van elektriese drywing op 'n
kleiner skaal (produksie wissel in grootte van 'n paar kW tot menige MW) deur 'n eenheid wat nie deel is van 'n sentrale voorsiener nie. Hierdie eenheid (of eenhede op 'n netwerk) is nader aan die las waaraan dit elektrisiteit voorsien. VG tegnologie kan in die behoeftes van 'n groot verskeidenheid van gebruikers voorsien, met toepassings in die residensiële (sonselle), kommersiële (brandstofselle) en industriële sektore (turbines).
Drywingskwaliteit en beheer speel 'n belangrike rol in hierdie VG netwerke. Drywingskwaliteit het 'n
groot bekommernis geword vir elektrisiteitsvoorsieners, vir hul kli13nte, en vir die vervaardigers van elektriese toerusting, a.g.v. die negatiewe impak wat drywingskwaliteitsteurnisse op stelselbetroubaarheid en-operasie het. Groot hoeveelhede data, vaagheid in die data, en die
oneindige hoeveelheid variasies van stelselkonfigurasies dra als by tot die kompleksiteit van
drywingskwaliteitanalise en diagnose. Hierdie kompleksiteit het die behoefte vir gesofistikeerde
hulpmiddels genoodsaak om stelselingenieurs te help. Kunsmatige intelligensie (KI) blyk die mees
geskikte hulpmiddel vir drywingskwaliteit toepassings te wees.
Die verhandeling voorsien aan die leser 'n oorsig oor VG en drywingskwaliteitprobleme in
kragnetwerke. 'n Gedeelte van 'n huidige kragnetwerk word gemodelleer en geëvalueer. Twee VGs
word op strategiese posisies aan die netwerk gekoppel met die doel om drywingskwaliteit parameters
te optimeer. Die Kunsmatige Neurale Netwerk (KNN) metode van KI word in hierdie navorsing gebruik
omdat dit ideaal gepas is vir patroonherkenning. Die KNN word gebruik vir die patroonherkenning van
die laste en selekteer dan die uitsette van die VGs. Die opleidingsdata vir die KNN word geskep
d.m.v. 'n kostefunksie. Die kostefunksie bepaal die optimale toestande van die VGs vir 'n spesifieke
insettoestand. Die kostefunksie gebruik die gemiddelde spanningsafwyking van die toelaatbare
gebied (Vavg), die gemiddelde spanningsafwyking van die ideaal (Videal), die koste van produksie (CT)
en die netwerk aktiewe verliese (PL) as parameters vir optimering. Na hierdie optimeringsproses word
die KNN opgelei met die willekeurig rangskikte opleidingsdata.
Die aanpasbare gedrag van die KNN beheerder word ondersoek en vergelyk met die geval waar daar
geen beheer toegepas word nie. Uit hierdie ondersoeke is daar gevind dat die KNN beheerder
sinvolle besluite kon neem, selfs vir laspatrone buite die opleidingsversameling. Die gedrag van die
KNN beheerder is egter baie afhanklik van die integriteit van die opleidingsdata. Verdere verfyning en
kontinue opdatering van die opleidingsversameling m.b.t. die operasionele gebiede van die laste word aanbeveel vir verdere navorsing. Die gevolgtrekking wat gemaak kan word uit hierdie navorsing is dat dit sinvol is om VGs met KNN beheer in 'n elektriese kragnetwerk te plaas om die drywingskwaliteit te optimeer. === Thesis (M.Ing. (Electrical and Electronic Engineering))--North-West University, Potchefstroom Campus, 2005.
|
|---|
