Nonlinear Predictive Control Using Particle Swarm Optimization: Applications to Power Systems

(2009) Nonlinear Predictive Control Using Particle Swarm Optimization: Applications to Power Systems. Masters thesis, King Fahd University of Petroleum and Minerals.

[img]
Preview
PDF (MS Thesis on PSO based Nonlinear Model Predictive Controller, Applications to Power Systems)
MSY_Thesis.pdf

Download (1MB) | Preview

Arabic Abstract

على الرغم من أن التحكم الكلاسيكي هو المحرك لأغلبية تطبيقات هندسة التحكم. إن من المعروف أنه نظرية التحكم الخطي ليست دائما الأفضل للتحامل مع الأنظمة الغير خطية العالية. هذا صحيح بالأخص للأنظمة متعددة المتغيرات مع التنوع للقيود. بسبب الزيادة المستمرة والحديثة في الأنظمة المعقدة وخواص المنتج، متطلبات الجودة للتحكم الأوتوماتيكي قد زادت بشكل كبير. في الوقت نفسه الطاقة المحوسبة المتواجدة قد ارتفعت بشكل رائع. تبعا لذلك ، نظريات التحكم المتزايدة للحوسبة قابلة للتطبيق لأنظمة معقدة بشكل سهل نسبيا. تقنيات (MPC) طورت للحصول على تحكم أفضل وقد طبقت بنجاح للتطبيقات الصناعية. ال(MPC) تتطلب الحلول للمشاكل المثلى مع القيود عند لحظة أخذ العينات. هذا التمثيل طبعة بواسطة تقنيات متعددة مثل البرمجة الخطية والبرمجة التربيعية والبرمجة الديناميكية والخوارزمية الجينية. في هذه الرسالة تطبيعية جديد بـ(MPC) قد طرح باستعمال خوارزمية التذبذب الأمثل. النظرية المطروحة تشكل ال(MPC) على أنها مشكلة تحسينية وال(PSO) تستعمل لتحسينها. هذا يعطي ميزه هائلة مثل القدرة على التكيف واحتمالية تعريف أي هدف للتحكم ويحسن القدرة على معالجة القيود. النظرية المطروحة طبقت في مجال هندسة الأنظمة التي قد لم تكشف بواسطة ال(MPC) وهي أنظمة الطاقة الكهربائية. قد اعتبرت كل من الأنظمة غير الخطية (SISO) و (MIMO). ثلاثة مشاكل لأنظمة الطاقة اعتبرت والتقنيات المطروحة قد طبقت لهم.

English Abstract

Although classical control is still the workhorse in the majority of control engineering applications, it is well recognized that this linear control method is not always the optimum way to deal with the typical highly nonlinear plants. This is especially true for multivariable systems with a variety of constraints. Due to recent and continual increment in the complexity of systems and tighter product specifications, the quality requirements from automatic control have increased greatly. At the same time, the available computing power has rose to fantastic levels. Consequently, computationally intensive control methods can be applied to complex systems comparatively easily. Model Predictive Control (MPC) techniques were developed to obtain tighter control and they were applied successfully to several industrial applications. MPC requires the solution of a constrained optimization problem at each sampling instant. This optimization is carried out by various techniques like linear programming (LP), quadratic programming (QP), dynamic programming (DP) and heuristics like Genetic Algorithms (GA). In this thesis, a new implementation of MPC is proposed using Particle Swarm Optimization (PSO) algorithm. The proposed method formulates the MPC as an optimization problem and PSO is used to optimize it. This gives numerous advantages like adaptability, possibility of varying control objectives, and enhanced capability of handling constraints. The proposed method is applied to an area of engineering systems that has been relatively unexplored by MPC, i.e. power systems. Both SISO and MIMO nonlinear systems are considered. Three practical Power System problems are considered and the proposed technique is applied to them.

Item Type: Thesis (Masters)
Uncontrolled Keywords: MPC, Model Predictive Control, Nonlinear Control, Particle Swarm Optimization, Prediction Horizon, Control of Power Systems, Load Frequency Control, Synchronous Machine on Infinite Bus, Fossil Fuel Power Unit, Boiler-Turbine System, Predictive Control of Power Systems
Subjects: Engineering
Systems
Research > Engineering
Electrical
Department: College of Engineering and Physics > Electrical Engineering
Committee Advisor: Al-Duwaish, Hussain N.
Committee Co-Advisor: Al-Hamouz, Zakariya M.
Committee Members: Bakhashwain, Jamil M. and Masoud, Ahmed A. and Al-Baiyat, Samir A.
Depositing User: Muhammad Yousef
Date Deposited: 06 Feb 2010 11:38
Last Modified: 31 Dec 2020 08:25
URI: http://eprints.kfupm.edu.sa/id/eprint/136218