Bahrowi Adi Wijaya Dosen Pembimbing: Prof. Dr. Ir. Adi Soeprijanto, MT. Dr. Rony Seto Wibowo, ST., MT.

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

Parameter

Regulasi 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} 0.07800050

Korelasi 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

Parameter

Regulasi 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} 0.07800050

Hasil 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 9

Jenis 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

0

_{hingga 90}

0

berdasarkan pada kurva ekivalen dari TCSC.

Derajat kompensasi TCSC yang diijinkan adalah

20% induktif dan 70% kapasitif

X

_total

= X

_saluran

+ X

_TCSC

X

_TCSC

= r

_TCSC

x X

_saluran

dengan :

Xsaluran = reaktansi saluran transmisi

r

_TCSC

= rating kompensasi TCSC

SVC

Nilai dari SVC adalah :

B

_SVCmin

≥ B

_SVC

≥ B

_SVCmax

Injeksi 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.