Bücher von Antonyraj S.

Ce livre présente le réseau neuronal à fonction de base radiale profonde basé sur l'apprentissage MPPT pour le module PV afin d'obtenir la puissance maximale. En outre, le D-RBFN est formé à l'aide de l'algorithme proposé BOosted salp swarm optimization (BOSS) afin de réduire la vitesse de suivi et d'améliorer l'efficacité. L'algorithme d'optimisation BOSS élimine le problème de l'optimum local dans l'algorithme d'optimisation par essaim salp conventionnel en modifiant la valeur du paramètre de contrôle, qui n'est pas seulement basé sur le nombre maximum de générations mais dépend également des caractéristiques du problème. Les performances du contrôleur BOSS-D-RBFN proposé sont analysées en cas de changement dynamique de l'irradiation et dans deux cas différents de conditions d'ombrage partiel. En outre, les performances de la méthode BOSS-D-RBFN sont comparées à celles des méthodes de pointe, y compris les méthodes MPPT basées sur les réseaux neuronaux, sur la logique floue, sur P&O, sur la conductance incrémentale et sur les algorithmes évolutionnaires, en termes de pourcentage d'oscillation, de temps de stabilisation et de suivi, de puissance maximale obtenue et d'efficacité.

Este libro presenta la red neuronal basada en el aprendizaje de la función de base radial profunda MPPT para el módulo fotovoltaico para obtener la máxima potencia. Además, la D-RBFN se entrena utilizando el algoritmo de optimización BOosted salp swarm optimization (BOSS) propuesto para reducir la velocidad de seguimiento y mejorar la eficiencia. El algoritmo de optimización BOSS elimina el problema del óptimo local en el algoritmo de optimización de enjambre salp convencional modificando el valor del parámetro de control, que no sólo se basa en el número máximo de generaciones, sino que también depende de las características del problema. El rendimiento del controlador BOSS-D-RBFN propuesto se analiza bajo cambios dinámicos de irradiancia y dos casos diferentes de condiciones de sombreado parcial. Además, el rendimiento del método BOSS-D-RBFN se compara con los métodos más avanzados, incluyendo el MPPT basado en redes neuronales, el MPPT basado en lógica difusa, el MPPT basado en P&O, la conductancia incremental y los métodos MPPT basados en algoritmos evolutivos en términos de porcentaje de oscilación, tiempo de asentamiento y seguimiento, potencia máxima obtenida y eficiencia.

Este livro apresenta a rede neural baseada na aprendizagem da função de base radial profunda MPPT para o módulo PV para obter a potência máxima. Além disso, a D-RBFN é treinada usando a proposta BOosted salp swarm optimization (BOSS) para reduzir a velocidade de rastreamento e melhorar a eficiência. O algoritmo de otimização BOSS elimina o problema de otimização local do algoritmo convencional de otimização por enxame de salpicos, modificando o valor do parâmetro de controlo, que não se baseia apenas no número máximo de gerações, mas também depende das características do problema. O desempenho do controlador BOSS-D-RBFN proposto é analisado em condições dinâmicas de variação da irradiância e em dois casos diferentes de condições de sombreamento parcial. Além disso, o desempenho do método BOSS-D-RBFN é comparado com os métodos mais avançados, incluindo MPPT baseado em redes neuronais, MPPT baseado em lógica difusa, MPPT baseado em P&O, condutância incremental e métodos MPPT baseados em algoritmos evolutivos em termos de percentagem de oscilação, tempo de estabilização e seguimento, potência máxima obtida e eficiência.

In diesem Buch wird das lernende neuronale Netz mit tiefer Radialbasisfunktion vorgestellt, das MPPT für PV-Module zur Erzielung maximaler Leistung ermöglicht. Außerdem wird das D-RBFN mit der vorgeschlagenen BOosted-Salp-Schwarm-Optimierung (BOSS) trainiert, um die Nachführgeschwindigkeit zu reduzieren und die Effizienz zu verbessern. Der BOSS-Optimierungsalgorithmus beseitigt das Problem des lokalen Optimums im konventionellen Salp-Schwarm-Optimierungsalgorithmus, indem er den Wert des Kontrollparameters ändert, der nicht nur auf der maximalen Anzahl von Generationen basiert, sondern auch von den Eigenschaften des Problems abhängt. Die Leistung des vorgeschlagenen BOSS-D-RBFN-Reglers wird unter dynamisch wechselnden Bestrahlungsstärken und zwei verschiedenen Fällen von Teilverschattung analysiert. Außerdem wird die Leistung der BOSS-D-RBFN-Methode mit dem Stand der Technik verglichen, einschließlich der auf neuronalen Netzen basierenden MPPT-Methode, der auf Fuzzy-Logik basierenden MPPT-Methode, der auf P&O basierenden MPPT-Methode, der auf inkrementellem Leitwert basierenden MPPT-Methode und der auf evolutionären Algorithmen basierenden MPPT-Methode in Bezug auf den Prozentsatz der Oszillation, die Einschwing- und Nachführzeit, die erzielte maximale Leistung und die Effizienz.

Questo libro presenta una rete neurale a base radiale profonda basata sull'apprendimento di MPPT per il modulo fotovoltaico per ottenere la massima potenza. Inoltre, la D-RBFN viene addestrata utilizzando la proposta BOosted salp swarm optimization (BOSS) per ridurre la velocità di inseguimento e migliorare l'efficienza. L'algoritmo di ottimizzazione BOSS elimina il problema degli ottimismi locali nell'algoritmo di ottimizzazione dello sciame salp convenzionale modificando il valore del parametro di controllo, che non si basa solo sul numero massimo di generazioni, ma dipende anche dalle caratteristiche del problema. Le prestazioni del controllore BOSS-D-RBFN proposto sono analizzate in condizioni di variazione dinamica dell'irraggiamento e in due diversi casi di ombreggiamento parziale. Inoltre, le prestazioni del metodo BOSS-D-RBFN sono state confrontate con quelle dei metodi più avanzati, tra cui l'MPPT basato su reti neurali, l'MPPT basato su logica fuzzy, l'MPPT basato su P&O, la conduttanza incrementale e l'MPPT basato su algoritmi evolutivi, in termini di percentuale di oscillazione, tempo di assestamento e inseguimento, potenza massima ottenuta ed efficienza.

This Book presents the deep radial basis function neural network learning-based MPPT for the PV module to obtain the maximum power. Moreover, the D-RBFN is trained using the proposed Boosted salp swarm optimization (BOSS) to reduce the tracking speed and improve efficiency. The BOSS optimization algorithm removes the local optima problem in the conventional salp swarm optimization algorithm by modifying the controlling parameter value, which is not only based on the maximum number of generations but also depends on the characteristics of the problem. The performance of the proposed BOSS-D-RBFN controller is analyzed under dynamic changing irradiance and two different cases of partial shading conditions. Also, the performance of the BOSS-D-RBFN method compared with state-of-the-art methods, including neural network-based MPPT, fuzzy logic-based MPPT, P&O-based MPPT, Incremental conductance, and evolutionary algorithm-based MPPT methods in terms of oscillation percentage, settling and tracking time, maximum power obtained, and efficiency.