SETTING TCSC DAN SVC MENGGUNAKAN LEAST SQUARE SUPPORT VECTOR REGRESSION (LS-SVR) UNTUK MENJAGA KESTABILAN TEGANGAN AKIBAT KONTINGENSI
Bahrowi Adi Wijaya 2211105013 Dosen Pembimbing: Prof. Dr. Ir. Adi Soeprijanto, MT. Dr. Rony Seto Wibowo, ST., MT.
Latar Belakang Peningkatan beban dan semakin luasnya jaringan Kontingensi Saluran
Pengaruh terhadap kestabilan tegangan Akurasi dan Kecepatan Respon Controller
Kontrol Koreksi
- FACTS Devices
Tanpa biaya respon
- Load Shedding - Re-scheduling Generation
Dengan biaya respon Dengan biaya respon
Permasalahan Penerapan metode Least Square Support Vector Regression (LSSVR) sebagai controller nilai setting TCSC dan SVC untuk menjaga kestabilan tegangan saat kondisi sistem normal maupun saat terjadi kontingensi
Tujuan Menerapkan metode Least Square Support Vector Regression (LS-SVR) sebagai controller dalam menentukan nilai setting TCSC dan SVC untuk menjaga kestabilan tegangan akibat kontingensi
Kestabilan Tegangan Kestabilan tegangan merupakan kemampuan sistem tenaga listrik untuk mempertahankan kondisi seimbang (steady state) pada semua titik bus sistem pada kondisi operasi normal maupun saat terjadi gangguan. Ketidakstabilan tegangan dapat disebabkan karena meningkatnya beban Meningkatnya daya aktif dan reaktif Voltage Collapse dapat terjadi akibat gangguan kecil maupun gangguan besar penambahan beban, kontingensi
Klasifikasi Kestabilan Tegangan
Kurva P-V (Saat terjadi Kontingensi)
Kurva P-V (Setelah Kontrol Koreksi)
FACTS Devices Flexible AC Transmission Systems (FACTS Devices) merupakan peralatan yang dipasang pada saluran transmisi berbasis elektronika daya sebagai pengatur transfer aliran daya maupun level tegangan sistem. FACTS devices banyak digunakan pada berbagai aplikasi terutama dalam permasalahan kompensasi daya reaktif, peningkatkan kapasitas saluran, kestabilan, maupun pengaturan tegangan pada bus.
Thyristor Controlled Series Capacitor (TCSC) Line i
Contoh pemodelan TCSC pada saluran transmisi (Leonard L. Grigsby)
Line j
Peralatan FACTS yang dipasang secara seri pada saluran transmisi
Static Var Compensator (SVC) Contoh pemodelan SVC (Leonard L. Grigsby)
SVC merupakan peralatan FACTS yang dipasang secara paralel pada bus saluran
(a) TCR dengan fixed capacitor, (b) TCR dengan switch capacitor, (c) thyristor sebagai swicth capacitor
Black Box Diagram Input
Black Box
Level Beban Status Saluran 1 Status Saluran 2 . . .
Status Saluran (n)
Output
TCSC
Controller Least Square Support Vector Regression (LS-SVR)
SVC
Least Square Support Vector Regression
(LS-SVR)
Y
-Sejumlah data untuk proses prediksi akan menjadi sangat sulit dipecahkan jika data bersifat non linear. Data
X
-Dalam sebuah permasalahan regresi, sebuah toleransi margin (epsilon) LS-SVR akan dibutuhkan jika hasil prediksi melebihi dari batas parameter regulasi LSSVR (γ). Prediksi
- Ketepatan hasil prediksi dapat diminimalkan dengan parameter kernel (K(xi,xj) =
Pengelompokan Data
Controller nilai setting TCSC-SVC menggunakan LS-SVR Mulai
Input data: data sistem, Load margin, kontingensi, max setting TCSC-SVC
Input data training
Set parameter γ, σ, fungsi kernel High fitur space (RBF Kernel)
Set level pembebanan (100%,99%,...70%)
Aliran daya menggunakan Optimal Power Flow (OPF)
Input data testing
Parameter training (γ, σ, dan RBF Kernel)
Proses training
Tidak Ketepatan pemodelan Tidak dan MSE Optimal
Ya Ya Simpan nilai setting TCSC-SVC
Mulai
Simpan hasil dan parameter training Tampilkan hasil training LS-SVR
Selesai
High fitur space (RBF Kernel)
Tampilkan hasil testing LS-SVR
Selesai
Sistem IEEE 14 Bus
Hasil dan Analisa Parameter Regulasi LS-SVR
γ = 10
γ = 1000
γ = 1000
Parameter RBF Kernel
MSE Training
MAPETraining
Waktu Training (detik)
σ = 10
0.00885749
0.00140595
0.07800050
σ=1
0.00254429
0.00040386
0.34320220
σ=0
0.00704093
0.00111761
0.07800050
σ = 0.1
0.00042722
0.00006781
0.07800050
σ = 0.01
0.00037543
0.00005959
0.07800050
σ = 10
0.00670062
0.00106359
0.06240040
σ=1
0.00174889
0.00027760
0.06240040
σ=0
0.00174889
0.00027760
0.07800050
σ = 0.1
0.00017550
0.00002786
0.63960410
σ = 0.01
0.00000424
0.00000067
0.59280380
σ = 10
0.00499541
0.00079292
0.37440240
σ=1
0.00134130
0.00021290
0.21840140
σ=0
0.00373178
0.00059235
0.07800050
σ = 0.1
0.00009701
0.00001540
0.34320220
σ = 0.01
0.00000004
0.00000001
0.07800050
Korelasi Koefisien (R) γ = 10, σ = 10 (R = 0.98906)
γ = 10, σ = 0.01 (R = 0.99963)
γ = 100, σ = 0.0 (R = 1)
γ = 1000, σ = 0.01 (R = 1)
Hasil Training dan Testing LS-SVR pada Kondisi Normal
(γ = 1000, σ = 0.01)
Training
Testing
LS-SVR vs ELM dibandingkan Data Aktual TCSC 1 testing pada kondisi normal 0.056 0.055
TCSC (p.u)
0.054 0.053 0.052 0.051 0.05 0.049
LSSVR
ELM
Aktual
0.048 99
97
95
93
91
89
87
85
83
Beban (%)
81
79
77
75
73
71
LS-SVR vs ELM dibandingkan Data Aktual
Beban (MW)
Kontingensi Saluran
Injeksi SVC (MVAr)
19.9964 0.0550 0.0766
0.1938
20
20.0343
20
20
0.0550
0.077
0.1891
20
19.9757 0.0551 0.0772
0.1879
20
20.0042
0.1892
20
20
0.0553
0.077
0.1892
20
20.0002 0.0553 0.0769
0.1899
20
19.9494
0.077
0.1892
20
20
0.0550
0.077
0.1892
20
19.9964 0.0539 0.0769
0.1696
20
20.0056
0.0552
0.077
0.1892
20
20
0.0551
0.077
0.1891
20
19.9749 0.0555 0.0770
0.1946
20
19.9904
239.020
0.0555
0.077
0.1892
20
20
0.0553
0.077
0.1892
20
20.0084 0.0553 0.0770
0.1865
20
20.0181
218.892
0.0534
0.077
0.1892
20
18.160 0.0535
0.077
0.1892
20
18.2701 0.0533 0.0770
0.1873
20
18.1880
0.0530
0.077
0.1892
20
17.534 0.0530
0.077
0.1892
20
17.6124 0.0532 0.0771
0.1899
20
17.5886
208.828
0.0524
0.077
0.1892
20
16.900 0.0525
0.077
0.1891
20
16.9470 0.0526 0.0770
0.1909
20
16.9650
218.892
0.0528
0.077
0.1892
20
17.780 0.0529
0.077
0.1892
20
17.8870 0.0526 0.0770
0.1869
20
17.8275
0.0524
0.077
0.1892
20
17.171 0.0524
0.077
0.1892
20
17.2487 0.0525 0.0770
0.1922
20
17.2415
208.828
0.0519
0.077
0.1892
20
16.553 0.0519
0.077
0.1891
20
16.6002 0.0520 0.0770
0.1909
20
16.6122
193.732
0.0417
0.077
0.1892
20
14.005 0.0391
0.077
0.1760
20
14.0549 0.0380 0.0771
0.1531
20
14.1254
11 0.0360
0.077
0.1892
20
13.536 0.0355
0.077
0.1909
20
13.4555 0.0364 0.0770
0.1993
20
13.6694
183.668
0.0362
0.077
0.1892
20
13.043 0.0364
0.077
0.1888
20
12.9657 0.0363 0.0769
0.1959
20
13.2053
193.732
0.0131
0.077
0.1892
20
15.263 0.0137
0.077
0.1891
20
15.2178 0.0106 0.0770
0.1881
20
15.3440
13 0.0129
0.077
0.1892
20
14.601 0.0129
0.077
0.1892
20
14.5188 0.0132 0.0770
0.1889
20
14.7407
0.0132
0.077
0.1892
20
14.101 0.0134
0.077
0.1892
20
14.0199 0.0146 0.0770
0.1902
20
14.1959
213.860
188.700
188.700 183.668
2
3
6
6
4
4
0.0551
0.077
0.1892
0.0554
0.077
0.0550
Bus 12
20
213.860
20
Bus 10
0.1892
5
0.1892
Line 9-14
0.077
1
0.077
Line 6-12
0.0548
244.052
0.0549
Injeksi SVC (MVAr)
20
249.084
Line 9-14
Kapasitansi TCSC (p.u)
Bus 10
239.020
Line 7-9
Injeksi SVC (MVAr)
Line 9-14
Kondisi Normal
Line 6-12
Kapasitansi TCSC (p.u)
Nilai Output ELM
Line 7-9
244.052
Ke bus
Kapasitansi TCSC (p.u)
Nilai Output LS-SVR
Line 6-12
249.084
Dari bus
Data Aktual
Bus 10 Bus 12
Bus 12
Line 7-9
Error LS-SVR dengan ELM Beban (MW)
Kontingensi Saluran Dari bus
249.084
244.052 218.892 213.860 218.892 213.860 193.732 188.700 193.732 188.700
Ke bus Kondisi Normal
244.052 249.084
Error Testing (%) LS-SVR
1
5
2
4
3
4
6
6
11
13
TCSC
Error Testing (%) ELM SVC
TCSC
SVC
Line 6-12
Line 7-9
Line 9-14
Bus 10
Bus 12
Line 6-12
Line 7-9
Line 9-14
Bus 10
Bus 12
0.130
0.011
0.075
0
0.179
8.037
0.254
7.962
0
0.071
0.153
0.014
0.100
0
0.237
2.187
0.104
2.163
0
0.064
0.096
0.011
0.075
0
0.179
0.325
0.498
3.349
0
0.148
0.124
0.014
0.100
0
0.241
0.086
0.154
0.577
0
0.102
0.215
0.011
0.075
0
0.523
0.172
0.054
1.148
0
0.175
0.182
0.011
0.079
0
0.383
0.195
0.066
0.869
0
0.274
0.227
0.011
0.075
0
0.530
0.249
0.073
0.578
0
0.308
0.187
0.011
0.079
0
0.400
0.623
0.004
0.012
0
0.390
5.778
0.012
7.067
0
0.422
8.165
0.061
17.931
0.001
0.948
1.050
0.011
0.854
0
0.496
2.208
0.034
6.654
0.001
1.089
5.864
0.012
0.081
0
0.279
13.889
0.036
0.053
0.001
0.622
2.229
0.011
0.079
0
0.514
5.745
0.053
0.091
0.001
1.035
Kesimpulan Dari hasil simulasi yang dilakukan, didapatkan: • Metode LS-SVR dapat digunakan sebagai controller nilai setting TCSC dan SVC untuk menjaga kestabilan tegangan akibat kontingensi. • Controller LS-SVR memiliki nilai akurasi lebih tinggi dibandingkan ELM. • Nilai MSE dan MAPE training dengan menggunakan metode LS-SVR adalah 4.2955e-08 dan 10e-8 sedangkan untuk testing adalah 0.00010343 dan 1.641768e-05.
Sekian dan Terima Kasih
Penentuan Lokasi Penempatan FACTS
Pemilihan lokasi penempatan FACTS berdasarkan referensi: “R. S. Wibowo, N. Yorino, M. Eghbal, Y. Zoka, and Y. Sasaki, “Facts Devices Allocation with Control Coordination Considering Congestion Relief and Voltage Stability”, IEEE Trans. Power Syst., vol. 26, no. 4, pp 2302-2310, Nov. 2011.
Off Line Data Optimal Power Flow
Simpan Data
Off Line
Sistem
Controller
TCSC
SVC
Waktu Training dan Testing Parameter Regulasi LS-SVR
γ = 10
γ = 1000
γ = 1000
Parameter RBF Kernel
MSE Training
MAPETraining
Waktu Training (detik)
σ = 10
0.00885749
0.00140595
0.07800050
σ=1
0.00254429
0.00040386
0.34320220
σ=0
0.00704093
0.00111761
0.07800050
σ = 0.1
0.00042722
0.00006781
0.07800050
σ = 0.01
0.00037543
0.00005959
0.07800050
σ = 10
0.00670062
0.00106359
0.06240040
σ=1
0.00174889
0.00027760
0.06240040
σ=0
0.00174889
0.00027760
0.07800050
σ = 0.1
0.00017550
0.00002786
0.63960410
σ = 0.01
0.00000424
0.00000067
0.59280380
σ = 10
0.00499541
0.00079292
0.37440240
σ=1
0.00134130
0.00021290
0.21840140
σ=0
0.00373178
0.00059235
0.07800050
σ = 0.1
0.00009701
0.00001540
0.34320220
σ = 0.01
0.00000004
0.00000001
0.07800050
Hasil Pengujian pada Sistem IEEE 30 Bus Beban (MW)
280.566 269.23 280.566 269.23 223.886 212.55 269.23 257.894 263.562 252.226
Data Target
Kontingensi Saluran dari Bus
ke Bus
Kondisi Normal
9
9
10
10
10
11
20
21
Output LS-SVR Injeksi SVC (MVAr)
Kapasitansi TCSC (p.u)
Kapasitansi TCSC (p.u)
Injeksi SVC (MVAr)
Line 10-22
Line 15-23
Line 23-24
Bus 30
Line 10-22
Line 15-23
Line 23-24
Bus 30
0.0581
0
0
0.1059
0.0630716
1.60E-05
8.11E-07
0.1081823
0.0362
0
0
0.0988
0.0421922
1.46E-05
7.39E-07
0.1002908
0.0556
0
0
0.1096
0.0600744
1.60E-05
8.11E-07
0.1107803
0.0333
0
0
0.1103
0.038695
1.46E-05
7.39E-07
0.1112814
0.002
0
0
0.0791
0.0021259
1.46E-05
7.40E-07
0.0803076
0.0018
0
0
0.0744
0.0018271
1.46E-05
7.38E-07
0.0756115
0.1187
0.0134
0
0.1082
0.1167297
0.0019152
7.39E-07
0.1090834
0.1253
0.0625
0
0.1052
0.1237239
0.0028187
7.37E-07
0.1058861
0.0421
0
0
0.097
0.0483871
1.46E-05
7.38E-07
0.0998909
0.0116
0
0
0.091
0.0200107
1.46E-05
7.38E-07
0.0923975
Data Sistem IEEE 14 Bus Data Beban Maksimum Dan Minimum No. Bus 4 5 9 10 11 12 13 14 Nomor Bus 1 2 3 4 5 6 7 8 9 10 11 12 13 14
Tipe Bus 3 2 2 1 1 2 1 2 1 1 1 1 1 1
Qlmax (MVAr) 200 200 200 200 200 200 200 200 Vm (pu) 1.06 1.045 1.01 1.019 1.02 1.07 1.062 1.09 1.056 1.051 1.057 1.055 1.05 1.036
Qlmin Plmax Plmin (MVAr) (MW) (MW) -200 80 60 -200 80 60 -200 5 5 -200 20 10 -200 15 7.5 -200 20 10 -200 12 6 -200 12 6 Data Bus Va KV Max Vm Min Vm (deg) base (pu) (pu) 0 6.6 1.1 0.95 -4.98 6.6 1.1 0.95 -12.72 6.6 1.1 0.95 -10.33 6.6 1.1 0.95 -8.78 6.6 1.1 0.95 -14.22 20 1.1 0.95 -13.37 20 1.1 0.95 -13.36 20 1.1 0.95 -14.94 20 1.1 0.95 -15.1 20 1.1 0.95 -14.79 20 1.1 0.95 -15.07 20 1.1 0.95 -15.16 20 1.1 0.95 -16.04 20 1.1 0.95
Data Pembangkitan Maksimum dan Minimum No. Bus 1 2 3 6 8
Qmax (MVAr) 40 50 40 24 24
Qmin (MVAr) -40 -40 -40 -6 -6
Pmax (MW) 100 500 500 100 0
Pmin (MW)
5 40 40 5 0
Data Saluran Bus Awal 1 1 2 2 2 3 4 5 4
Bus Akhir 2 5 3 4 5 4 5 6 7
Resistansi (pu) 0.01938 0.05403 0.04699 0.05811 0.05695 0.06701 0.01335 0 0
Induktansi (pu) 0.05917 0.22304 0.19797 0.17632 0.17388 0.17103 0.04211 0.25202 0.20912
Kapasitansi (pu) 0.0528 0.0492 0.0438 0.0374 0.034 0.0346 0.0128 0 0
Sistem IEEE 30 Bus Pemasangan TCSC dan SVC
G
G 30
G
Generator
C
Synchronous Condenser
29 27
Jenis FACTS 28
26
25
24
TCSC TCSC TCSC SVC
23 15
18
14
19
G
16 13
1
22
21 20
17
12
C
10
C
4 3
8
11
6
9
C 7
2
G C
5
Saluran dari ke 10 22 15 23 23 24 -
Bus 30
Least Square Support Vector Regression
(LS-SVR)
- Data Training: dengan x sebagai input dan y sebagai output
Non Linear Faktor Pinalti
- Fungsi optimasi dalam LS-SVR : batasan yang ditentukan adalah: di mana,
Linear
Least Square Support Vector Regression
(LS-SVR)
- Fungsi Lagrange : dengan Syarat yang harus dipenuhi dalam menyelesaikan Fungsi Lagrange di atas adalah:
Solusi dari persamaan linear di atas:
Least Square Support Vector Regression
(LS-SVR)
Fungsi output diperoleh sebagai berikut:
Extreme Learning Machines (ELM)
Mean Square Error dan Mean Absolute Persentage Error
Koefisien Korelasi
Optimal Power Flow (OPF) Optimal Power Flow (OPF) digunakan untuk mendapatkan nilai re-setting peralatan FACTS serta kontrol koreksi, yaitu load Shedding dan re-scheduling pembang-kitan. Nilai tersebut digunakan sebagai data target dalam analisa prediksi nilai setting TCSC-SVC. Pada makalah ini digunakan beberapa batasan yang digunakan antara lain: 1. Fungsi Objektif OPF
Optimal Power Flow (OPF)
Pemilihan Kontingensi No. 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21
Contingency Line From To 6 13 6 11 1 5 3 4 2 4 2 5 6 12 4 7 7 8 1 2 9 14 9 10 5 6 4 9 7 9 13 14 4 5 12 13 2 3 10 11 Normal State
Social Welfare -14943.97 -14969.62 -15122.28 -15127.70 -15133.67 -15140.46 -15166.05 -15168.47 -15172.11 -15173.95 -15174.28 -15174.84 -15175.59 -15176.15 -15176.25 -15177.40 -15177.61 -15177.75 -15179.04 -15179.15 -15179.12
Load Shedding 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00
Generation Re-scheduling 867.11 815.95 22.67 20.55 18.16 15.44 5.27 4.30 2.85 2.11 1.98 1.75 1.45 1.23 1.19 0.73 0.65 0.59 0.08 0.03 0.00
Pemilihan Kontingensi Dipilih Dipilih Dipilih Dipilih Dipilih X X X X X X X X X X X X X X X Dipilih
Hasil Training (Pengujian Kesatu) •Pengujian Kesatu: Fungsi Kernel yang digunakan Konstanta Regulasi (γ) Parameter Kernel (σ) Parameter RBF Kernel
σ = 10 σ=1 σ=0 σ = 0.1 σ = 0.01
: Radial Base Function (RBF) Kernel : 10 : diterapkan nilai 10; 1; 0; 0.1; 0.01
MSE Training
MAPE Training
0.00885749 0.00254429 0.00704093 0.00042722 0.00037543
0.00140595 0.00040386 0.00111761 0.00006781 0.00005959
Computational Training Time (second)
0.07800050 0.34320220 0.07800050 0.07800050 0.07800050
Hasil Training (Pengujian Kedua) •Pengujian Kedua: Fungsi Kernel yang digunakan Konstanta Regulasi (γ) Parameter Kernel (σ) Parameter RBF Kernel
σ = 10 σ=1 σ=0 σ = 0.1 σ = 0.01
: Radial Base Function (RBF) Kernel : 100 : diterapkan nilai 10; 1; 0; 0.1; 0.01
MSE Training
MAPE Training
0.00670062 0.00174889 0.00174889 0.00017550 0.00000424
0.00106359 0.00027760 0.00027760 0.00002786 0.00000067
Computational Training Time (second)
0.06240040 0.06240040 0.07800050 0.63960410 0.59280380
Hasil Training (Pengujian Ketiga) •Pengujian Ketiga: Fungsi Kernel yang digunakan Konstanta Regulasi (γ) Parameter Kernel (σ) Parameter RBF Kernel
σ = 10 σ=1 σ=0 σ = 0.1 σ = 0.01
: Radial Base Function (RBF) Kernel : 1000 : diterapkan nilai 10; 1; 0; 0.1; 0.01
MSE Training
MAPE Training
0.00499541 0.00134130 0.00373178 0.00009701 0.00000004
0.00079292 0.00021290 0.00059235 0.00001540 0.00000001
Computational Training Time (second)
0.37440240 0.21840140 0.07800050 0.34320220 0.07800050
LS-SVR vs ELM dibandingkan Data Aktual Untuk Sistem IEEE 14 Bus
Metode ELM LS-SVR
MSE Testing MAPE Testing Testing Time 0.00079182 0.0001256863 0.0312002 0.00010343 1.64176845e-05 0.0468003 Untuk Sistem IEEE 30 Bus
Methode MSE Testing MAPE Testing Testing Time LS-SVR 0.005375366 0.001199858 0.0624004
Kontingensi
Kontingensi
Jatuh Tegangan (Voltage Collapse) Beberapa Penyebab Jatuh Tegangan :
V
Peralatan Pengendali Tegangan :
TCSC Sudut penyalaan berkisar antara 00 hingga 900 berdasarkan pada kurva ekivalen dari TCSC. Derajat kompensasi TCSC yang diijinkan adalah 20% induktif dan 70% kapasitif Xtotal = Xsaluran + XTCSC XTCSC = rTCSC x Xsaluran
dengan : Xsaluran = reaktansi saluran transmisi rTCSC = rating kompensasi TCSC
SVC Nilai dari SVC adalah : BSVCmin ≥ BSVC ≥ BSVCmax Injeksi daya aktif maupun reaktif: QSVC = -Vi2*BSVC Rating SVC antara -200 Mvar sampai dengan 200 Mvar.
Penentuan Kurva P-V
Peristiwa Black Out
Daftar Pustaka [1] Adi Soeprijanto, “Desain Kontroller untuk Kestabilan Dinamik Sistem Tenaga Listrik”, ITS Press, Surabaya, 2012. [2] R. S. Wibowo, N. Yorino, M. Eghbal, Y. Zoka, and Y. Sasaki, “Facts Devices Allocation with Control Coordination Considering Congestion Relief and Voltage Stability”, IEEE Trans. Power Syst., vol. 26, no. 4, pp 2302-2310, Nov. 2011. [3] Khoirul Anam, Ontoseno Penangsang, R.S. Wibowo, “Setting TCSC dan SVC Menggunakan Extreme Learning Machine (ELM) untuk Menjaga Kestabilan Tegangan Akibat Kontingensi”, Jurnal Teknik POMITS, vol. 1, No.1, 2012. [4] R. S. Wibowo, A. Priyadi, Adi S., “Facts Devices Allocation for Preventive/Corrective Control Against Voltage Collapse Under Deregulated Power System”, IEEE Region 10 Conf., pp: 918–922, Tencon: Bali, 2011. [5] Leonard L. Grigsby, “Power System Stability and Control”, CRC Press, USA, 2007. [6] P. Kundur, “Power System Stability and Control”, McGraw-Hill, USA, 1994. [7] K. R. Padiyar, “Power System Dynamics Stability and Control”, BS Publications, 2008. [8] Carson W. Taylor, “Power System Voltage Stability”, McGraw-Hill, Singapore, 1994. [9] Jan Machowski, Janusz W.B., James R.B, “Power System Dinamics Stability and Control”, Aptara, Great Bretain, 2008. [10] E.G. Nepomuceno, O.M. Neto, “A Heuristic Approach to Robust Control Design for Power Systems with Several FACTS Devices”, Elsevier. Electrical Power and Energy Systems vol. 25, 13-20, 2003. [11] G. Glanzman, G. Andersson, “Using FACTS Devices to Resolve Congestions in Transmission Grids”, ETH Zurich, CIGRE 05 [12] Ji Liang Cai, Chuang Ming Tong, Wei Jun Zhong, “Reconstruction of Dielectric Cylinder by Multi-output Least Square Support Vector Machine”, IEEE conference, Radio Science and Wireless Technology, 2011. [13] Kemal Ucak, Gulay Oke, “Adaptive PID Controller Based on Online LSSVR with Kernel Tuning”, INISTA, IEEE Simposium, 2011. [14] Shou Xu, Xin An, Xiaodong, Lin Li, “Multi-output Least Square Support Vector Regression Machines”, ELSEVIER, Pattern Recognition, 2013.