Wyniki wyszukiwania - BazTech

1

A RBF artificial neural network to predict a fuel cell maximum power point

Foughali Yahia, Mankour Mohamed, Sekour Mohamed, Azzeddine Hocine Abdelhak, Larbaoui Ahmed, Chaouch Djamel Eddine, Berka Mohammed

Przegląd Elektrotechniczny

|

2022

|

R. 98, nr 7

100--104

EN

In this article, an artificial neural network (ANN) based maximum power point tracker (MPTT) for proton exchange membrane fuel cell (PEMFC) is proposed. For this purpose, a Radial Basis Function Artificial Neural Network (RBF ANN) is used to predict the voltage and the current of a fuel cell maximum power point at different fuel cell operating conditions. To train the proposed artificial neural network, a set of maximum power points defined by their corresponding current and voltage values is generated using a validated electrochemical fuel cell model. To ensure the validity of the ANN, we compare the results found by the ANN to those obtained using the electrochemical PEMFC model. The results show that the developed ANN can accurately and quickly predict current and voltage fuel cells at maximum power point for any operating conditions.

PL

W tym artykule zaproponowano śledzenie maksymalnego punktu mocy (MPTT) oparte na sztucznej sieci neuronowej (ANN) dla ogniwa paliwowego z membraną do wymiany protonów (PEMFC). W tym celu wykorzystuje się sztuczną sieć neuronową Radial Basis Function (RBF ANN) do przewidywania napięcia i prądu punktu maksymalnej mocy ogniwa paliwowego w różnych warunkach pracy ogniwa paliwowego. Aby wytrenować proponowaną sztuczną sieć neuronową, przy użyciu sprawdzonego modelu elektrochemicznego ogniwa paliwowego generowany jest zestaw maksymalnych punktów mocy określonych przez odpowiadające im wartości prądu i napięcia. Aby zapewnić wiarygodność ANN, porównujemy wyniki uzyskane przez ANN z wynikami uzyskanymi przy użyciu elektrochemicznego modelu PEMFC. Wyniki pokazują, że opracowana SSN może dokładnie i szybko przewidywać prąd i napięcie ogniw paliwowych w punkcie maksymalnej mocy w dowolnych warunkach pracy.

2

SRF control strategy based on STFIS controllers for single-stage four-leg transformerless inverter for grid-connected pv system

Chaouch Djamel Eddine, Azzeddine Hocine Abdelhak, Larbaoui Ahmed, Ahmed-Foitih Zoubir

Przegląd Elektrotechniczny

|

2021

|

R. 97, nr 7

42--47

EN

In this paper synchronous reference frame (SRF) control strategy based on a self-tunable fuzzy inference system (STFIS) is proposed to control a four-leg transformerless inverter, is presented. The single-stage inverter is controlled to achieve high performance from the PV system without using any maximum power point technique (MPPT), to inject power into the grid, and to improve the power quality, simultaneously. A Fuzzy controller based on an on-line optimization of a zero-order Takagi-Sugeno fuzzy inference system (FIS) by a back propagation-like algorithm is applied to minimize a cost function that is made up of a quadratic error term and a weight decay term that prevents excessive growth of DC-link and PCC. A detailed design of the STFIS controller parameters is given in detail. Furthermore, a comparison between classical PI and STFIS controllers is provided. The performance test of the proposed single-phase configuration and its control strategies are realized under the presence of severe conditions using Matlab/Simulink.

PL

W artykule przedstawiono strategię sterowania synchroniczną ramką odniesienia (SRF) w oparciu o samostrajalny system wnioskowania rozmytego (STFIS) do sterowania falownikiem beztransformatorowym. Falownik jednostopniowy jest sterowany w celu uzyskania wysokiej wydajności systemu fotowoltaicznego bez stosowania techniki maksymalnego punktu mocy (MPPT), jednoczesnego wprowadzania mocy do sieci i poprawy jakości energii. Sterownik Fuzzy oparty na optymalizacji on-line systemu wnioskowania rozmytego Takagi-Sugeno (FIS) zerowego rzędu za pomocą algorytmu przypominającego propagację wsteczną jest stosowany w celu zminimalizowania funkcji kosztu, która składa się z kwadratowego składnika błędu i wagi zaniku, który zapobiega nadmiernemu wzrostowi łącza DC i PCC. Szczegółowo podano projekt parametrów sterownika STFIS. Ponadto przedstawiono porównanie między klasycznymi sterownikami PI i STFIS.

3

Application of adaptive controller neural network based on RBF NN for temperature control electrical resistance furnace

Kada Benyekhlef, ElKebir Abdelkader, Negadi Karim, Belhadj Hafida, Chaouch Djamel Eddine

Przegląd Elektrotechniczny

|

2020

|

R. 96, nr 6

33--38

EN

In order to solve the problem for temperature electrical resistance furnace. Characterized by their large inertia, nonlinear, long time delay and time-varying property it is rather difficult to obtain satisfactory control results with Performances of conventional PI control cannot achieve good control effect. In this paper a neural network-based adaptive control approach (ACNN) for electrical furnace is developed .using RBF NN to estimate the unknown functions by neural networks and from good choice of the law of adaptation. Based on the resolution of the lyapunov equation. Taking account of all possible parameter variations the adaptive control is designed so that it has the ability to improve the performance of the closed loop system, producing the control signal by using the information from the system. In this case we use a coping mechanism that observes the signal to control and adjust the synaptic weights of neural networks when system parameters change over time. Result shows that the proposed algorithm (ACNN) performs very well when furnace parameter varies the latter allow the neural model to be identified online and, if necessary its parameters to be stabilized and it is very easy to program it online.

PL

Piec elektryczny charakteryzuje się nieliniowością, dużym czasem opóźnienia co utrudnia sterowanie nime. W pracy zaproponowano system sterowania piecem z wykorzystaniem sieci neuronowej System jest zaprojektowany tak, że uwzględnia zmiany parametrów.