Neuronowy układ sterowania pośredniego z modelem odniesienia dla przekształtnikowego źródła energii elektrycznej z silnikiem spalinowym o regulowanej prędkości

• Autorzy: Grzesiak L.M. , Sobolewski J.

Warianty tytułu

EN

Model reference neural controller for converter based electrical energy source with adjustable speed internal combustion engine

• Języki publikacji: PL

Abstrakty

PL

W artykule zaproponowano wykorzystanie sztucznych sieci neuronowych realizujących ideę regulacji pośredniej z modelem odniesienia do sterowania niezależnego, przekształtnikowego źródła energii elektrycznej. Prędkość kątowa silnika spalinowego jest nastawiana automatycznie zależnie od obciążenia. Równowaga energetyczna w systemie utrzymywana jest poprzez kontrolę napięcia obwodu pośredniczącego. Wybranie struktury regulatora oraz optymalizacja jego nastaw jest trudna ze względu na niestacjonarny i nieliniowy obiekt, jakim jest silnik spalinowy. W strukturze sterowania wykorzystano sztuczną sieć neuronową uczoną w trybie on-line pełniącą funkcję samonastrajającego się regulatora. Regulator neuronowy zmienia współczynniki wag w trakcie pracy, minimalizując uchyb sterowania, a neuronowy emulator obiektu (trenowany off-line) umożliwia efektywne wykorzystanie algorytmu wstecznej propagacji błędu. Zamieszczone wyniki badań symulacyjnych systemu obrazują właściwości proponowanego układu sterowania.

EN

In this paper an artificial neural network, which is realizing reference model control idea, has been applied in control system of variable speed generating system. The speed is adjusted automatically as a function of load power demand. Energy balance in the system is achieved by control of DC-link voltage. Optimization of regulator is difficult because the plant is nonlinear and no stationary. Control system is based on an on-line trained artificial neural network. The neural controller is adapting (on-line) his weight, minimizing the control error. A neural emulator is designed (trained off-line) in order to apply back propagation learning method. The computer test results have been presented to shown performance of proposed neural controller.

Słowa kluczowe

PL

sieć neuronowa; źródło energii autonomiczne; sterowanie; przekształtnik energoelektroniczny

EN

neural network; autonomous power source; control system; power electronic

• Wydawca: Wydawnictwo SIGMA-NOT
• Czasopismo: Przegląd Elektrotechniczny
• Rocznik: 2005
• Tom: R. 81, nr 1
• Strony: 20--25
• Opis fizyczny: Bibliogr. 14 poz., rys.

Twórcy

autor

Grzesiak L.M.

• Politechnika Warszawska, Instytut Sterowania i Elektroniki Przemysłowej, Zakład Napędu Elektrycznego

autor

Sobolewski J.

• Politechnika Warszawska, Instytut Sterowania i Elektroniki Przemysłowej, Zakład Napędu Elektrycznego, Koszykowa 75, 00-662 Warszawa

Bibliografia

• [1] Korbacz J., Obuchowicz A., Uciski D. : Sztuczne sieci neuronowe, podstawy i zastosowania, PLJ, Warszawa (1994)
• [2] Grzesiak L. M., Koczara W., Da Ponte M.: Load-Adaptive Variable-Speed Electricity Generating System - Behaviour Analyse of Dynamic, 8th European Conference on Power Electronics and Applications, EPE'99, Lausanne, Switzerland, (1999), 1-8
• [3] Al-Tayie J., Seliga R., Al -Khayat N., Koczara W.: Steady State and Transient Performances of New Variable Speed Generating Set, 10th European Conference on Power Electronics and Applications, EPE'03, Toulouse, France, 2003)
• [4] Föllinger O.: Regulungstechik, Huethig Buch Verlag GmbH, Heidelberg, Germany (1992)
• [5] Using Simulink and Stateflow in Automotive Applications, The MathWorks, Inc. (1998), 8-17
• [6] Grzesiak L. M., Sobolewski J.: Przekształtnikowe źródło energii elektrycznej z silnikiem spalinowym sterowane z wykorzystaniem neuronowego regulatora napięcia obwodu pośredniczącego, Przegląd Elektrotechniczny, nr 3, (2004), 245-251
• [7] Grzesiak L.: Przekształtnikowe układy wytwarzania energii elektrycznej z silnikiem spalinowym o regulowanej prędkości, WPW (2001)
• [8] Grzesiak L. M., Koczara W., Da Ponte M.: Novel Hybrid Load-Adaptive Variable-Speed Generating System, Proceedings IEEE International Symposium on Industrial Electronics ISIE'98, Pretoria, South Africa, (1998), 271-276
• [9] Nguyen, D., Widrow, B. : Neural Networks for Self-Learning Control Systems. IEEE Control Systems Magazine, (1990)
• [10] Widrow B., Lehr M.A.: 30 Years of Adaptive Neural Networks: Perceptron, Madaline, and Backpropagation, Proceedings of IEEE, vol.78, nr 9, (1990), 1415-1442
• [11] Riedmiller M., Braun H. : A direct adaptive method for faster backpropagation learning: The RPROP algorithm, Proceedings of the IEEE International Conference on Neural Networks, IEEE Press, (1993), 586-591
• [12] Riedmiller M.: Advanced supervised learning in multi-layer perceptrons – from backpropagation to adaptive learning algorithms, Computer Stan-dards and Interfaces, 16, (1994), 256-278
• [13] Braun H. : Neuronale Netze: Optimierung durch Lernen und Evolution, Springer Verlag, (1997)
• [14] Igel C., Hüsken M.: Improving the Rprop Learning Algorithm, Proceedings of the Second International Symposium on Neural Computation, NC’2000, ICSC, Academic Press, (2000), 115-121