دانلود ترجمه مقاله طراحی کنترل PID مبتنی بر MPSO برای تصحیح ضریب توان

1. مقدمه 2. مقدمات 3. مدل شبیه سازی، استراتژی کنترلی و پیاده سازی 4. نتایج 5. بحث و بررسی 6. نتیجه گیری

چکیده – این مقاله اولین اجرای یک الگوریتم بهینه سازی ازدحام چند ذره (MPSO) در تنظیم یک کنترل کننده PID برای تصحیح ضریب توان (PFC) بکار رفته برای یک مبدل 100W AC-DC boost را ارائه می کند. این الگوریتم در یک فضای جستجو حرکت می کند که در آن هر بعد فضا به ثابت های کنترل کننده (تناسبی، انتگرالی، مشتقی و فیلتر مشتقی) مربوط می شود که در الگوریتم، ارتباط نسبت به کاوش اولویت دارد. پارامترهای کنترل کننده به طور تصادفی در یک بخش کاهش یافته فضا [Kp ,Ki ,Kd ,Kn ] آغاز می شود که جستجو برای یک راه حل PID را بهینه می کند. در اولین گام، الگوریتم با استفاده از یک مدل شبیه سازی در Simulink و Matlab ارزیابی می شود. سپس یک اجرای نهایی با استفاده از مبدل واقعی با کنترل کننده PID تنظیم شده با الگوریتم ازدحام چند ذره اجرا می شود که PFC به دست آمده از پژوهش قبلی را بهتر می کند. اگرچه پژوهش قبلی از الگوریتم های تحولی بکار رفته برای بهینه سازی ابتکاری برای تنظیم کنترل کننده های PID استفتاده کرده اند، الگوریتم بهینه سازی ازدحام چند ذره معمولاً برای این هدف استفاده نمی شود، به ویژه برای تنظیم کنترل کننده PID سیستم های الکترونیک قدرت. یک مزیت الگوریتم بهینه سازی ازدحام چند ذره نسبت به بهینه سازی ازدحام ذرات کلاسیک، جستجو در نقاط مختلف در صورت جستجوی میدان عمودی برای یک راه حل بهینه است. بهینه سازی ازدحام ذرات مسائلی مانند گرفتار شدن در یک راه حل بهینه محلی را نمایش می دهد. کنترل کننده PID به طور آفلاین آموزش داده می شود و مزیت ایجاد امکان ریسک آسیب در مبدل Boost برای واکنش گذرا را دارد که عملکرد تصحیح ضریب توان در مبدل را افزایش می دهد. این پژوهش امکان استفاده از نسخه بسط داده شده الگوریتم بهینه سازی ازدحام ذرات الهام گرفته شده از طبیعت برای تنظیم آفلاین کنترل کننده جهت بهبود عملکرد مبدل قدرت و کمینه سازی خطر در فرآیندهای تنظیم در زمان واقعی را فراهم می کند.

This paper presents the implementation for the first time of a Multi-Particle Swarm Optimization (MPSO) algorithm in the tuning of a PID controller for Power Factor Correction (PFC), applied to a 100W AC-DC boost converter. MPSO algorithm navigates in a search space where each dimension of the space corresponds to the controller constants (Proportional, Integral, Derivative and the Derivative Filter), prioritizing communication over exploration in the algorithm. The controller parameters are randomly initialized in a reduced sector of the space [Kp ,Ki ,Kd ,Kn ], to optimize the search for a PID solution. In the first step, the algorithm is validated using a simulation model in Simulink and Matlab. Subsequently, a final implementation using a real converter is implemented with the PID tuned by MPSO, improving the PFC obtained in previous work. Although previous works have used evolutionary algorithms applied to heuristic optimization to tunning PID controllers, the MPSO algorithm is not usually used for this purpose, particularly to tunning a PID controller in a power electronics system. One advantage of MPSO over the PSO classical algorithm is the search at different points if the vectorial field looks for an optimal solution. PSO presents problems such as getting stuck in a locally optimal solution. The PID controller is trained offline, with the advantage of allowing the risk of damage in the Boost converter for transitory response, increasing the performance of the Power Factor Correction in the converter. This research opens the possibility to use the extended version of the PSO bioinspired algorithm to tune offline controllers to improve the power converter's performance, minimizing the risk presented in the real-time tuning process.