طراحی و بهینه سازی کنترل کننده عصبی برای تنظیم و کنترل ولتاژ خروجی مبدل های dc به dc افزاینده

مبدل‌های قدرت dc-dc، بطور گسترده‌ در ساخت منابع تغذیه، درایو موتور dc، افزایش/کاهش ولتاژ خروجی پنل-های خورشیدی و موارد متعدد دیگری مورد استفاده قرار می‌گیرند. تغییر ولتاژ dc از یک سطح به سطح دیگر در بسیاری از کاربردهای صنعتی یک ضروت است. کنترل ولتاژ و جریان خروجی این مبدل‌ها، هنگام تغییرات ناگهانی بار و یا ولتاژ منبع ورودی حائز اهمیت است. از این رو یکی از اهداف این مقاله پرداختن به کنترل و تنظیم ولتاژ خروجی مبدل بوست یا افزاینده می‌باشد. کنترل کننده‌ی پیشنهادی برای کنترل سطح ولتاژ dc خروجی مبدل، یک کنترل کننده شبکه عصبی بهینه شده با الگوریتم مبتنی بر رقابت استعماری می‌باشد. عملکرد کنترل کننده پیشنهادی به این صورت است که ابتدا با توجه به اهداف مورد انتظار از سیستم، شبکه عصبی طراحی می‌شود و سپس با تعیین یک تابع معیار مناسب چند هدفه با استفاده از الگوریتم بهینه سازی ساختار شبکه بهینه می‌شود. این کار باعث بهبود عملکرد سیستم کنترل می‌شود. چرا که انتخاب مناسب پارامتر‌های طراحی در عملکرد شبکه عصبی که نقش کنترل کننده را دارد نقش زیادی دارد. نتایج در مقایسه با کنترل کننده pid نشان از برتری روش پیشنهادی دارد.

design of optimal sugeno type fuzzy controller for speed control of dc motor including drive and chopper dynamic considering multi objective optimization using teaching learning optimization algorithm

due to the many applications of dc to dc converters in electronics, regulating their output voltage is very important. in many applications it is necessary to change the dc voltage from one level to another. dc -dc converters are used for this purpose. the conversion of dc voltage from one level to another is done by switching elements such as transistors and diodes. recently, the control of these converters has found a special place in scientific texts. therefore, one of the objectives of this paper is to control and regulate the output voltage of the converter. the controller proposed in this paper to control the dc voltage level of the converter output is an optimized neural network controller with an algorithm based on colonial competition. the proposed controller function is that first the neural network is designed according to the expected goals of the system and then it is optimized by determining a suitable multi-objective benchmark function using the network structure optimization algorithm. this improves the performance of the control system. because the proper selection of design parameters has a great role in the performance of the neural network that plays the role of controller. the proposed neural network function is to apply the appropriate signal transducer (pwm signal) to the switching elements in order to increase the performance. the results compared to the pid controller indicate the superiority of the proposed method.