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
Kontrol Koreksi
Kontingensi Saluran
-
FACTS Devices
- Load Shedding
- Re-scheduling Generation
Tanpa biaya respon
Dengan biaya respon
Dengan biaya respon
Akurasi dan
Kecepatan Respon
Controller
Permasalahan
Penerapan metode Least Square Support Vector Regression
(LS-SVR) sebagai controller nilai setting TCSC dan SVC untuk menjaga
kestabilan tegangan saat kondisi sistem normal maupun saat terjadi
kontingensi
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
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 j Line i
Contoh pemodelan TCSC pada saluran transmisi
(Leonard L. Grigsby)
Static Var Compensator (SVC)
(a) TCR dengan fixed capacitor, (b) TCR dengan
switch capacitor, (c) thyristor sebagai swicth
capacitor
SVC merupakan peralatan
FACTS yang dipasang secara
paralel pada bus saluran
Contoh pemodelan SVC
(Leonard L. Grigsby)
Black Box Diagram
TCSC
SVC
Level Beban
Status Saluran 1
Status Saluran 2
. . .Status Saluran (n)
Controller
Least Square Support Vector Regression
(LS-SVR)
Least Square Support Vector Regression
(LS-SVR)
X
Y
Data
Prediksi
Pengelompokan Data
-Sejumlah data untuk proses prediksi akan menjadi
sangat sulit dipecahkan jika data bersifat non linear.
-Dalam sebuah permasalahan regresi, sebuah toleransi
margin (epsilon) LS-SVR akan dibutuhkan jika hasil
prediksi melebihi dari batas parameter regulasi
LS-SVR (γ).
- Ketepatan hasil prediksi dapat diminimalkan dengan
parameter kernel (K(x
i,x
j) =
Controller
nilai setting TCSC-SVC menggunakan LS-SVR
Simpan hasil dan parameter training Selesai Tampilkan hasil training LS-SVR Mulai Input data:
data sistem, Load
margin, kontingensi, max setting TCSC-SVC
Set level pembebanan (100%,99%,...70%)
Aliran daya menggunakan
Optimal Power Flow (OPF)
Simpan nilai setting TCSC-SVC
Input data
training Set parameter γ, σ,
fungsi kernel
High fitur space
(RBF Kernel) Proses training Ketepatan pemodelan
dan MSE Optimal
Tidak Ya Mulai Input data testing Parameter training (γ, σ, dan RBF Kernel)
High fitur space
(RBF Kernel) Selesai Tampilkan hasil testing LS-SVR Ya Tidak
Hasil dan Analisa
ParameterRegulasi LS-SVR
Parameter
RBF Kernel MSE Training MAPETraining
Waktu Training (detik) γ = 10 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 γ = 1000 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
γ = 1000
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 0.07800050Korelasi Koefisien (R)
γ = 10, σ = 10
(R = 0.98906)
γ = 10, σ = 0.01
(R = 0.99963)
γ = 100, σ = 0.0
Hasil Training dan Testing LS-SVR pada
Kondisi Normal
(
γ = 1000, σ = 0.01)
0.048
0.049
0.05
0.051
0.052
0.053
0.054
0.055
0.056
99 97 95 93 91 89 87 85 83 81 79 77 75 73 71
T
C
SC
(p.
u)
Beban (%)
TCSC 1 testing pada kondisi normal
LSSVR
ELM
Aktual
LS-SVR vs ELM dibandingkan Data Aktual
Beban (MW)
Kontingensi Saluran
Data Aktual Nilai Output LS-SVR Nilai Output ELM
Kapasitansi TCSC (p.u) Injeksi SVC
(MVAr) Kapasitansi TCSC (p.u)
Injeksi SVC
(MVAr) Kapasitansi TCSC (p.u)
Injeksi SVC (MVAr) Dari bus Ke bus 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 Line 6-12 Line 7-9 Line 9-14 Bus 10 Bus 12 249.084 Kondisi Normal 0.0549 0.077 0.1892 20 20 0.0548 0.077 0.1892 20 19.9964 0.0550 0.0766 0.1938 20 20.0343 244.052 0.0551 0.077 0.1892 20 20 0.0550 0.077 0.1891 20 19.9757 0.0551 0.0772 0.1879 20 20.0042 239.020 0.0554 0.077 0.1892 20 20 0.0553 0.077 0.1892 20 20.0002 0.0553 0.0769 0.1899 20 19.9494 249.084 1 5 0.0550 0.077 0.1892 20 20 0.0550 0.077 0.1892 20 19.9964 0.0539 0.0769 0.1696 20 20.0056 244.052 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 2 4 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 213.860 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 3 4 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 213.860 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 6 11 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 188.700 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 6 13 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 188.700 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 183.668 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
Error LS-SVR dengan ELM
Beban (MW)
Kontingensi Saluran Error Testing (%) LS-SVR Error Testing (%) ELM
TCSC SVC TCSC SVC
Dari
bus Ke bus 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 12 249.084 Kondisi Normal 0.130 0.011 0.075 0 0.179 8.037 0.254 7.962 0 0.071 244.052 0.153 0.014 0.100 0 0.237 2.187 0.104 2.163 0 0.064 249.084 1 5 0.096 0.011 0.075 0 0.179 0.325 0.498 3.349 0 0.148 244.052 0.124 0.014 0.100 0 0.241 0.086 0.154 0.577 0 0.102 218.892 2 4 0.215 0.011 0.075 0 0.523 0.172 0.054 1.148 0 0.175 213.860 0.182 0.011 0.079 0 0.383 0.195 0.066 0.869 0 0.274 218.892 3 4 0.227 0.011 0.075 0 0.530 0.249 0.073 0.578 0 0.308 213.860 0.187 0.011 0.079 0 0.400 0.623 0.004 0.012 0 0.390 193.732 6 11 5.778 0.012 7.067 0 0.422 8.165 0.061 17.931 0.001 0.948 188.700 1.050 0.011 0.854 0 0.496 2.208 0.034 6.654 0.001 1.089 193.732 6 13 5.864 0.012 0.081 0 0.279 13.889 0.036 0.053 0.001 0.622 188.700 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
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.
Off Line Data
Optimal
Power Flow
Simpan Data
Off Line
Controller
TCSC
SVC
Waktu Training dan Testing
ParameterRegulasi LS-SVR
Parameter
RBF Kernel MSE Training MAPETraining
Waktu Training (detik) γ = 10 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 γ = 1000 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
γ = 1000
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 0.07800050Hasil Pengujian pada Sistem IEEE 30 Bus
Beban (MW)
Kontingensi Saluran
Data Target Output LS-SVR
Kapasitansi TCSC (p.u) Injeksi SVC (MVAr) Kapasitansi TCSC (p.u) Injeksi SVC (MVAr) dari
Bus ke Bus Line 10-22 Line 15-23 Line 23-24 Bus 30 Line 10-22 Line 15-23 Line 23-24 Bus 30 280.566 Kondisi Normal 0.0581 0 0 0.1059 0.0630716 1.60E-05 8.11E-07 0.1081823 269.23 0.0362 0 0 0.0988 0.0421922 1.46E-05 7.39E-07 0.1002908 280.566 9 10 0.0556 0 0 0.1096 0.0600744 1.60E-05 8.11E-07 0.1107803 269.23 0.0333 0 0 0.1103 0.038695 1.46E-05 7.39E-07 0.1112814 223.886 9 11 0.002 0 0 0.0791 0.0021259 1.46E-05 7.40E-07 0.0803076 212.55 0.0018 0 0 0.0744 0.0018271 1.46E-05 7.38E-07 0.0756115 269.23 10 20 0.1187 0.0134 0 0.1082 0.1167297 0.0019152 7.39E-07 0.1090834 257.894 0.1253 0.0625 0 0.1052 0.1237239 0.0028187 7.37E-07 0.1058861 263.562 10 21 0.0421 0 0 0.097 0.0483871 1.46E-05 7.38E-07 0.0998909 252.226 0.0116 0 0 0.091 0.0200107 1.46E-05 7.38E-07 0.0923975
Data Sistem IEEE 14 Bus
No.
Bus (MVAr)Qmax (MVAr)Qmin (MW)Pmax (MW)Pmin
1 40 -40 100 5
2 50 -40 500 40
3 40 -40 500 40
6 24 -6 100 5
8 24 -6 0 0
Data Pembangkitan Maksimum dan Minimum
No.
Bus (MVAr)Qlmax (MVAr)Qlmin Plmax (MW) (MW)Plmin
4 200 -200 80 60 5 200 -200 80 60 9 200 -200 5 5 10 200 -200 20 10 11 200 -200 15 7.5 12 200 -200 20 10 13 200 -200 12 6 14 200 -200 12 6
Data Beban Maksimum Dan Minimum
Nomor
Bus Tipe Bus (pu)Vm (deg)Va baseKV Max Vm (pu) Min Vm (pu)
1 3 1.06 0 6.6 1.1 0.95 2 2 1.045 -4.98 6.6 1.1 0.95 3 2 1.01 -12.72 6.6 1.1 0.95 4 1 1.019 -10.33 6.6 1.1 0.95 5 1 1.02 -8.78 6.6 1.1 0.95 6 2 1.07 -14.22 20 1.1 0.95 7 1 1.062 -13.37 20 1.1 0.95 8 2 1.09 -13.36 20 1.1 0.95 9 1 1.056 -14.94 20 1.1 0.95 10 1 1.051 -15.1 20 1.1 0.95 11 1 1.057 -14.79 20 1.1 0.95 12 1 1.055 -15.07 20 1.1 0.95 13 1 1.05 -15.16 20 1.1 0.95 14 1 1.036 -16.04 20 1.1 0.95 Data Bus Bus
Awal AkhirBus Resistansi (pu) Induktansi (pu) Kapasitansi (pu)
1 2 0.01938 0.05917 0.0528 1 5 0.05403 0.22304 0.0492 2 3 0.04699 0.19797 0.0438 2 4 0.05811 0.17632 0.0374 2 5 0.05695 0.17388 0.034 3 4 0.06701 0.17103 0.0346 4 5 0.01335 0.04211 0.0128 5 6 0 0.25202 0 4 7 0 0.20912 0 Data Saluran
Sistem IEEE 30 Bus
G G C C C G G C 1 2 3 4 5 6 7 8 10 11 20 17 21 22 19 18 23 24 25 26 27 28 29 30 15 14 16 12 13 Generator Synchronous Condenser G C 9Jenis FACTS
dari ke
Saluran
Bus
TCSC
10
22
-TCSC
15
23
-TCSC
23
24
-SVC
-
-
30
Least Square Support Vector Regression
(LS-SVR)
- Data Training:
dengan x sebagai input dan y sebagai output
- Fungsi optimasi dalam LS-SVR :
Non Linear
batasan yang ditentukan adalah:
Faktor Pinalti
di mana,
Least Square Support Vector Regression
(LS-SVR)
- Fungsi Lagrange :
Syarat yang harus dipenuhi dalam menyelesaikan Fungsi Lagrange
di atas adalah:
dengan
Least Square Support Vector Regression
(LS-SVR)
Mean Square Error dan Mean Absolute
Persentage Error
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:
Pemilihan Kontingensi
No. Contingency Line
From
To
Social Welfare
Shedding
Load
Re-scheduling
Generation
Kontingensi
Pemilihan
1
6
13
-14943.97
0.00
867.11
Dipilih
2
6
11
-14969.62
0.00
815.95
Dipilih
3
1
5
-15122.28
0.00
22.67
Dipilih
4
3
4
-15127.70
0.00
20.55
Dipilih
5
2
4
-15133.67
0.00
18.16
Dipilih
6
2
5
-15140.46
0.00
15.44
X
7
6
12
-15166.05
0.00
5.27
X
8
4
7
-15168.47
0.00
4.30
X
9
7
8
-15172.11
0.00
2.85
X
10
1
2
-15173.95
0.00
2.11
X
11
9
14
-15174.28
0.00
1.98
X
12
9
10
-15174.84
0.00
1.75
X
13
5
6
-15175.59
0.00
1.45
X
14
4
9
-15176.15
0.00
1.23
X
15
7
9
-15176.25
0.00
1.19
X
16
13
14
-15177.40
0.00
0.73
X
17
4
5
-15177.61
0.00
0.65
X
18
12
13
-15177.75
0.00
0.59
X
19
2
3
-15179.04
0.00
0.08
X
20
10
11
-15179.15
0.00
0.03
X
21
Normal State
-15179.12
0.00
0.00
Dipilih
Hasil Training (Pengujian Kesatu)
Parameter RBF
Kernel
MSE Training
MAPE Training
Training
Computational
Time (second)
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
•Pengujian Kesatu:
Fungsi Kernel yang digunakan
: Radial Base Function (RBF) Kernel
Konstanta Regulasi (γ)
: 10
Hasil Training (Pengujian Kedua)
Parameter RBF
Kernel
MSE Training
MAPE Training
Training
Computational
Time (second)
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
•Pengujian Kedua:
Fungsi Kernel yang digunakan
: Radial Base Function (RBF) Kernel
Konstanta Regulasi (γ)
: 100
Hasil Training (Pengujian Ketiga)
Parameter RBF
Kernel
MSE Training
MAPE Training
Training
Computational
Time (second)
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
•Pengujian Ketiga:
Fungsi Kernel yang digunakan
: Radial Base Function (RBF) Kernel
Konstanta Regulasi (γ)
: 1000
LS-SVR vs ELM dibandingkan Data Aktual
Metode MSE Testing MAPE Testing Testing Time
ELM
0.00079182
0.0001256863
0.0312002
LS-SVR
0.00010343 1.64176845e-05
0.0468003
Untuk Sistem IEEE 14 Bus
Methode MSE Testing MAPE Testing Testing Time
LS-SVR
0.005375366
0.001199858
0.0624004
Jatuh Tegangan (Voltage Collapse)
Beberapa Penyebab Jatuh Tegangan :
Peralatan Pengendali Tegangan :
TCSC
Sudut penyalaan berkisar antara 0
0hingga 90
0berdasarkan pada kurva ekivalen dari TCSC.
Derajat kompensasi TCSC yang diijinkan adalah
20% induktif dan 70% kapasitif
X
total= X
saluran+ X
TCSCX
TCSC= r
TCSCx X
salurandengan :
Xsaluran = reaktansi saluran transmisi
r
TCSC= rating kompensasi TCSC
SVC
Nilai dari SVC adalah :
B
SVCmin≥ B
SVC≥ B
SVCmaxInjeksi daya aktif maupun reaktif:
Q
SVC= -Vi
2*B
SVC
[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.