論文の概要: Artificial Neural Network-Based Voltage Control of DC/DC Converter for
DC Microgrid Applications
- arxiv url: http://arxiv.org/abs/2111.03207v1
- Date: Fri, 5 Nov 2021 01:20:27 GMT
- ステータス: 処理完了
- システム内更新日: 2021-11-09 00:49:03.582135
- Title: Artificial Neural Network-Based Voltage Control of DC/DC Converter for
DC Microgrid Applications
- Title(参考訳): 直流マイクログリッド用DC/DCコンバータのニューラルネットワークによる電圧制御
- Authors: Hussain Sarwar Khan, Ihab S. Mohamed, Kimmo Kauhaniemi, and Lantao Liu
- Abstract要約: DC-DCブーストコンバータには, 人工ニューラルネットワーク(ANN)に基づく電圧制御戦略が提案されている。
トレーニングされたANNモデルの精度は約97%であり、DCアプリケーションに使用するのに適している。
- 参考スコア(独自算出の注目度): 2.15242029196761
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The rapid growth of renewable energy technology enables the concept of
microgrid (MG) to be widely accepted in the power systems. Due to the
advantages of the DC distribution system such as easy integration of energy
storage and less system loss, DC MG attracts significant attention nowadays.
The linear controller such as PI or PID is matured and extensively used by the
power electronics industry, but their performance is not optimal as system
parameters are changed. In this study, an artificial neural network (ANN) based
voltage control strategy is proposed for the DC-DC boost converter. In this
paper, the model predictive control (MPC) is used as an expert, which provides
the data to train the proposed ANN. As ANN is tuned finely, then it is utilized
directly to control the step-up DC converter. The main advantage of the ANN is
that the neural network system identification decreases the inaccuracy of the
system model even with inaccurate parameters and has less computational burden
compared to MPC due to its parallel structure. To validate the performance of
the proposed ANN, extensive MATLAB/Simulink simulations are carried out. The
simulation results show that the ANN-based control strategy has better
performance under different loading conditions comparison to the PI controller.
The accuracy of the trained ANN model is about 97%, which makes it suitable to
be used for DC microgrid applications.
- Abstract(参考訳): 再生可能エネルギー技術の急速な成長により、マイクログリッド(mg)の概念が電力システムに広く受け入れられるようになった。
エネルギー貯蔵の容易な統合やシステム損失の低減といったDC配電システムの利点により、近年はDC MGが注目されている。
PIやPIDなどのリニアコントローラは、電力電子産業によって成熟して広く使用されるが、システムパラメータを変更するため、その性能は最適ではない。
本研究では,dc-dcブーストコンバータに対して,ニューラルネットワークを用いた電圧制御手法を提案する。
本稿では,モデル予測制御(MPC)をエキスパートとして使用し,提案したANNをトレーニングするためのデータを提供する。
ANNは微調整されるので、ステップアップDCコンバータの制御に直接使用される。
annの主な利点は、ニューラルネットワークシステムの識別が不正確なパラメータでもシステムモデルの不正確さを減少させ、並列構造のためmpcに比べて計算負荷が小さいことである。
提案手法の有効性を検証するため,MATLAB/Simulinkシミュレーションを行った。
シミュレーションの結果, PIコントローラと比較して, 異なる負荷条件下でのANN制御は良好な性能を示した。
トレーニングされたANNモデルの精度は約97%であり、DCマイクログリッドアプリケーションに使用するのに適している。
関連論文リスト
- Multiagent Reinforcement Learning with an Attention Mechanism for
Improving Energy Efficiency in LoRa Networks [52.96907334080273]
ネットワーク規模が大きくなるにつれて、パケット衝突によるLoRaネットワークのエネルギー効率は急激に低下する。
マルチエージェント強化学習(MALoRa)に基づく伝送パラメータ割り当てアルゴリズムを提案する。
シミュレーションの結果,MALoRaはベースラインアルゴリズムと比較してシステムEEを著しく改善することがわかった。
論文 参考訳(メタデータ) (2023-09-16T11:37:23Z) - Energy-Efficient On-Board Radio Resource Management for Satellite
Communications via Neuromorphic Computing [59.40731173370976]
本研究は,エネルギー効率のよい脳誘発機械学習モデルのオンボード無線リソース管理への応用について検討する。
関連するワークロードでは、Loihi 2に実装されたスパイクニューラルネットワーク(SNN)の方が精度が高く、CNNベースのリファレンスプラットフォームと比較して消費電力が100ドル以上削減される。
論文 参考訳(メタデータ) (2023-08-22T03:13:57Z) - Self-Tuning PID Control via a Hybrid Actor-Critic-Based Neural Structure
for Quadcopter Control [0.0]
Proportional-Integrator-Derivative (PID) コントローラは、幅広い産業および実験プロセスで使用されている。
モデルパラメータの不確実性と外乱のため、Quadrotorsのような実際のシステムはより堅牢で信頼性の高いPIDコントローラを必要とする。
本研究では,Reinforcement-Learning-based Neural Networkを用いた自己調整型PIDコントローラについて検討した。
論文 参考訳(メタデータ) (2023-07-03T19:35:52Z) - Skip Training for Multi-Agent Reinforcement Learning Controller for
Industrial Wave Energy Converters [94.84709449845352]
近年のウェーブ・エナジー・コンバータ(WEC)は、発電を最大化するために複数の脚と発電機を備えている。
従来のコントローラは複雑な波のパターンを捕捉する制限を示しており、コントローラはエネルギー捕獲を効率的に最大化する必要がある。
本稿では,従来のスプリングダンパよりも優れたマルチエージェント強化学習コントローラ(MARL)を提案する。
論文 参考訳(メタデータ) (2022-09-13T00:20:31Z) - Enhanced physics-constrained deep neural networks for modeling vanadium
redox flow battery [62.997667081978825]
本稿では,物理制約付き深部ニューラルネットワーク(PCDNN)による高精度電圧予測手法を提案する。
ePCDNNは、電圧放電曲線のテール領域を含む電荷放電サイクルを通して、電圧応答を正確にキャプチャすることができる。
論文 参考訳(メタデータ) (2022-03-03T19:56:24Z) - An Artificial Neural Network-Based Model Predictive Control for
Three-phase Flying Capacitor Multi-Level Inverter [2.3513645401551333]
モデル予測制御(MPC)は、単純な概念、高速な動的応答、優れた参照追跡のため、パワーエレクトロニクスで広く使われている。
最適なスイッチング状態を予測するためにシステムの数学的モデルに依存するため、パラメトリックな不確実性に悩まされる。
本稿では,ニューラルネットワーク(ANN)に基づくモデルフリー制御戦略を提案する。
論文 参考訳(メタデータ) (2021-10-15T13:54:08Z) - Physics-informed Neural Networks-based Model Predictive Control for
Multi-link Manipulators [0.0]
物理インフォームド機械学習手法を用いて,多体ダイナミクスに対する非線形モデル予測制御(NMPC)について論じる。
本稿では,ネットワーク入力として制御動作と初期条件を付加することでPINNの強化を提案する。
PINNベースのMPCを用いて,複雑な機械システムにおける追跡問題の解法を提案する。
論文 参考訳(メタデータ) (2021-09-22T15:31:24Z) - Artificial Neural Networks Based Analysis of BLDC Motor Speed Control [0.0]
ブラシレス直流モータ(BLDC)は、電子クローズドループコントローラを使用して、直流電流をモータ巻線に切り替え、磁場を発生させる。
BLDCモータはその高速、低保守、適切なトルク能力のために様々な応用を見出す。
本稿では、ブリッジコンバータの直流入力電圧を変更して速度を制御するBLDCモータの速度制御方法を提案する。
論文 参考訳(メタデータ) (2021-08-27T14:55:10Z) - Power Control for a URLLC-enabled UAV system incorporated with DNN-Based
Channel Estimation [82.16169603954663]
この手紙は、ディープニューラルネットワーク(DNN)に基づくチャネル推定を組み込んだ超信頼性低遅延通信(URLLC)有効無人航空機(UAV)システムの電力制御に関するものである。
論文 参考訳(メタデータ) (2020-11-14T02:31:04Z) - An Intelligent Control Strategy for buck DC-DC Converter via Deep
Reinforcement Learning [1.4502611532302039]
定電力負荷(CPL)を有するバックDC-DCコンバータの革新的な知的制御戦略を初めて構築する。
DC-DCコンバータでは、マルコフ決定プロセス(MDP)モデルとディープQネットワーク(DQN)アルゴリズムが定義される。
エージェント-環境相互作用を調整するために,モデルフリーの深層強化学習(DRL)制御戦略を適切に設計する。
論文 参考訳(メタデータ) (2020-08-11T06:38:53Z) - Massive MIMO As an Extreme Learning Machine [83.12538841141892]
低分解能アナログ・デジタルコンバータ(ADC)を用いたMIMOシステムによる自然極端学習機械(ELM)の試作
受信した信号にランダムなバイアスを加え、ELM出力の重みを最適化することにより、システムはハードウェアの障害に効果的に取り組むことができる。
論文 参考訳(メタデータ) (2020-07-01T04:15:20Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。