کنترل خازن دینامیکی (dcap) نوع باک به روش کنترل مبتنی بر پیشبینی مدل با الگوریتم بهینه‌سازی psoبرای جبران دینامیکی توان راکتیو و هارمونیک

در این مقاله، روش کنترلی مبتنی بر پیش‌بینی مدل برای کنترل خازن دینامیکی نوع باک برای بهبود کیفیت توان ارائه شده است. در این روش، جریان مرجع از دو قسمت مجزا شامل جبران‌کنندۀ توان راکتیو و حذف‌کنندۀ هارمونیک تشکیل شده است که براساس جریان بار استخراج و به‌‌صورت دینامیکی، خود را با تغییرات بار تطبیق می‌دهد. مدل پیش‌بین پیشنهادی از معادلات دیفرانسیل خطی‌شدۀ خازن دینامیکی استخراج شده است. در روش پیشنهادی، متغیرهای تصمیم‌گیری در هر چرخۀ کار کلیدزنی مبدل فقط یک‌بار در طول افق پیش‌بینی به‌روز می‌شوند و مسئلۀ بهینه‌سازی مربوط به کنترل پیش‌بین براساس الگوریتم بهینه‌سازی ازدحام ذرات حل می‌شود. این امر حجم محاسبات را به میزان چشمگیری کاهش می‌دهد. با در نظر گرفتن مقدار thd و مقدار ضریب توان، افق پیش‌بینی انتخاب شده است. روش پیشنهادی برخلاف روش مدولاسیون هارمونیک‌های زوج، پارامترهای کنترلی کمتری دارد و ساده‌تر پیاده‌سازی می‌شود. نتایج شبیه‌سازی در نرم‌افزار matlab برتری روش پیشنهادی را در مقایسه با روش مدولاسیون هارمونیک‌های زوج برای یک خازن دینامیکی تکفاز نشان داده است.

Simultaneous Wireless Information and Power Transfer in a Network of On-body and Implantable Sensors With Temperature Constraint and Intelligent Channel Prediction

The wireless body area network (WBAN) is one of the applications of the Internet of things (IoT) for healthcare, which monitors human physiological parameters. In this paper, a twoobjective optimization problem is designed to maximize the sumthroughput and wireless transferred energy simultaneously. The designed onetier network includes body surface sensors, an implantable sensor, and one coordinator. All of these sensors can harvest energy from the body and radio frequency (RF) signals. A temperature constraint is considered for the implanted sensor due to the sensitivity of internal tissues. Each sensor transmits physiological data to the coordinator in the uplink according to the scheduled time slots obtained by solving the optimization problem. At the beginning of each frame in the downlink, the coordinator transmits a pilot signal to transfer wireless energy and for channel estimation at the sensors. We have used a Recurrent Neural Network (RNN) architecture to predict one time step ahead of the channel. Then by interpolation, the channel gains of all time slots of a frame are estimated and the time scheduling of the sensor access to the channel is improved. The simulation results show that the objective function and time scheduling are improved by the proposed algorithms.