شناسایی سیستم روشی برای شناسایی یا اندازهگیری مدل ریاضی یک سیستم با اندازهگیری ورودیها و خروجیهای سیستم است. در این مقاله رویکرد الگوریتم ژنتیک (GA) را برای مدلسازی سیستمهای فتوولتائیک (PV) با ساختار وینر-هامرشتاین اعمال میکنیم. سیستمهای دینامیکی غیرخطی دارای هر أکثر
شناسایی سیستم روشی برای شناسایی یا اندازهگیری مدل ریاضی یک سیستم با اندازهگیری ورودیها و خروجیهای سیستم است. در این مقاله رویکرد الگوریتم ژنتیک (GA) را برای مدلسازی سیستمهای فتوولتائیک (PV) با ساختار وینر-هامرشتاین اعمال میکنیم. سیستمهای دینامیکی غیرخطی دارای هر دو عنصر پویا (عناصر ذخیره انرژی) هستند و در این نوع سیستمها بین برخی از متغیرها روابط غیرخطی وجود دارد. اگر در چنین سیستم هایی بتوان فرض کرد که قطعات دینامیکی و قطعات غیرخطی قابل تفکیک هستند، می توان آنها را با ساختارهای مدل های بلوک گرا مدل کرد. این نوع مدل ها از ترکیب بلوک(های) دینامیکی خطی و بلوک(های) غیرخطی استاتیکی تشکیل شده اند. این رویکرد به تخمین یک سیستم فتوولتائیک (PV) بر اساس دادههای مشاهدهشده مربوط میشود. ورودی و خروجی غیرخطی به ترتیب از داده های تابش و جریان خروجی DC سیستم واقعی گرفته شده است. نتایج شبیهسازی اثربخشی و استحکام مدل پیشنهادی را با استفاده از الگوریتم ژنتیک نشان داد. نتایج شبیه سازی مقدار MSE 0.000774 را برای عملکرد عادی سیستم PV و 0.009863 را برای اثر سایه بین نرخ اطلاعات تخمینی و مرجع نشان می دهد.
تفاصيل المقالة
در این مقاله یک روش کنترلی با رویکرد کنترل پیش بین مبتنی بر مدل به منظور تنظیم دمای داخل ساختمان ارائه می گردد. در سال های اخیر بیشترین میزان مصرف انرژی در ساختمان ها، مربوط به سیستم های گرمایش، سرمایش و تهویه مطبوع بوده است. از همین رو کنترل سیستم های گرمایش، سرمایش و أکثر
در این مقاله یک روش کنترلی با رویکرد کنترل پیش بین مبتنی بر مدل به منظور تنظیم دمای داخل ساختمان ارائه می گردد. در سال های اخیر بیشترین میزان مصرف انرژی در ساختمان ها، مربوط به سیستم های گرمایش، سرمایش و تهویه مطبوع بوده است. از همین رو کنترل سیستم های گرمایش، سرمایش و تهویه مطبوع در ساختمان ها در راستای کاهش مصرف انرژی مورد توجه قرار گرفته است. در ابتدا یک مدل ساختمانی در نرم افزار انرژی پلاس طراحی و سپس تمام داده های ورودی و خروجی، جهت شناسایی از این نرم افزار استخراج می شوند. در ادامه شناسایی سیستم به روش مدل فضای حالت انجام می گیرد. سپس کنترل کننده با رویکرد پیش بین جهت کنترل دمای داخلی ساختمان طراحی می گردد. نوآوری این مقاله در دو زمینه قابل بیان است، اول اینکه برخلاف اکثر پژوهش های صورت گرفته، داده های استفاده شده در قسمت شناسایی سیستم با فرض ایزوله نبودن اتاق ها و وجود ارتباط دمایی بین اتاق ها انجام شده است که باعث تولید مدلی دقیق تر از سیستم می گردد. دوماً در این پژوهش اثر دمای خارجی محیط به عنوان اغتشاش در نظر گرفته شده است و تأثیر آن در طراحی کنترل کننده مورد بررسی قرار گرفته است. در پایان،نتایج به دست آمده از شبیه سازی در افق یک ساعته، عملکرد خوب کنترل کننده ی پیش بین مبتنی بر مدل نسبت به روش کنترل بهینه به همراه کاهش مصرف انرژی در کنار حفظ شرایط مطلوب دمایی برای ساکنین در یک 24 ساعت را نشان می دهد.
تفاصيل المقالة
درخت مدل خطی محلی یا LOLIMOT که در آن از نوعی مدل فازی عصبی خطی محلی استفاده شده است، الگوریتمی بر اساس استراتژی تقسیم و حل میباشد که در آن حل مسئله پیچیده از طریق تقسیم مسئله به تعدادی زیر مسئله کوچکتر (و از این رو سادهتر) صورت میپذیرد. بنابراین مشخصات این مدل فازی أکثر
درخت مدل خطی محلی یا LOLIMOT که در آن از نوعی مدل فازی عصبی خطی محلی استفاده شده است، الگوریتمی بر اساس استراتژی تقسیم و حل میباشد که در آن حل مسئله پیچیده از طریق تقسیم مسئله به تعدادی زیر مسئله کوچکتر (و از این رو سادهتر) صورت میپذیرد. بنابراین مشخصات این مدل فازی- عصبی (زیرمسئلههای کوچکتر شده) به مقدار زیادی به ساختار الگوریتم به کار برده شده جهت تقسیمبندی وابسته میباشد. الگوریتم LOLIMOT برای رسیدن به خروجی با خطای کمتر فضای مسئله را به تعدادی مدل خطی محلی یا LLM تقسیم مینماید و پس از پیدا کردن بدترین LLM (LLM با خطای بیشتر) با تقسیم آن به دو LLM الگوریتم را ادامه میدهد. در این الگوریتم در هر تکرار از آن بدترین LLM با نرخ تقسیم 1/2 در جهتهای متعامد بر فضای ورودی تقسیم میشود. در این مقاله به کمک الگوریتم بهینهسازی حدی به بهینهسازی نرخ تقسیم میپردازیم، نتایج پیاده سازی حاکی از آن است که کارایی نسخه جدید الگوریتم LOLIMOT از نظر شاخص میانگین مربعات خطا بهتر از الگوریتم اولیه است.
تفاصيل المقالة
یکی از مؤثرترین راهکارها برای افزایش راندمان نیروگاه، بهبود سیستم کنترل آن است. برای چنین بهبودی داشتن مدل دقیقی از مولد بخار نیروگاه ضروری است. در این مقاله، یک مولد بخار صنعتی به عنوان یک سیستم غیرخطی چندمتغیره برای شناسایی در نظر گرفته میشود. یک گام مهم در شناسایی غ أکثر
یکی از مؤثرترین راهکارها برای افزایش راندمان نیروگاه، بهبود سیستم کنترل آن است. برای چنین بهبودی داشتن مدل دقیقی از مولد بخار نیروگاه ضروری است. در این مقاله، یک مولد بخار صنعتی به عنوان یک سیستم غیرخطی چندمتغیره برای شناسایی در نظر گرفته میشود. یک گام مهم در شناسایی غیرخطی سیستم، گسترش دادن یک مدل غیرخطی است. در سالهای اخیر، شبکههای عصبی مصنوعی به طور موفقیت آمیزی در شناسایی سیستمهای غیرخطی در بسیاری از پژوهشها به کار گرفته شدهاند. شبکههای عصبی ویولت نیز بهعنوان یک ابزار قدرتمند در شناسایی غیرخطی سیستم بهکار میروند. در این مقاله، برای شناسایی یک مولد بخار صنعتی یک مدل شبکه عصبی تأخیر زمانی و یک مدل شبکه عصبی ویولت ارائه میکنیم. نتایج شبیه سازیها نشان دهنده کارایی مدلهای ارائه شده در شناسایی سیستم مذکور میباشند و نشان میدهند مدل شبکه عصبی ویولت در تخمین خروجیهای سیستم دقیقتر است.
تفاصيل المقالة
سند
Sanad is a platform for managing Azad University publications