2.4 Neural network MPPT controller

2.4 Neural network MPPT controller architecture
The structure of multilayer feedforward networks are mostly
determined by experience, and according to previous studies
there is no valid formula that is appropriate for different
situations [13]. There are two methods of selecting the
architecture of the ANN techniques as in [13, 14]. The first
method begins with a small network and then proceeds by
gradually adding connections or nodes as needed. In the
second method, a big network is selected, and then proceeds
by gradually eliminating the unnecessary connections or
nodes. The first method was used in this study to map the
relationship between the duty ratio and the PV power and the
motor speed. Finally, after selecting an appropriate neural
network size, a satisfactory result was obtained with a three
layer feed-forward backpropagation neural network,
comprising (input, hidden and output layers) as shown in
Figure 3.

ผลลัพธ์ (ไทย) 1:

2.4 เครือข่ายประสาทสถาปัตยกรรมควบคุม MPPTโครงสร้างของเครือข่ายหลายชั้น feedforward เป็นส่วนใหญ่กำหนดประสบการณ์ และ ตามศึกษาก่อนหน้านี้มีสูตรไม่ถูกต้องที่เหมาะสมแตกต่างกันสถานการณ์ [13] มีสองวิธีของการเลือกสถาปัตยกรรมเทคนิคแอนใน [13, 14] ครั้งแรกวิธีเริ่มต้นกับเครือข่ายขนาดเล็ก และจากนั้น ดำเนินการโดยค่อย ๆ เพิ่มการเชื่อมต่อหรือโหนตาม ในวิธีที่สอง เครือข่ายใหญ่ไว้ และดำเนินการแล้วโดยค่อย ๆ ตัดการเชื่อมต่อที่ไม่จำเป็น หรือโหน วิธีแรกใช้ในการศึกษานี้ต้องการความสัมพันธ์ระหว่างอัตราภาษีและพลังงานแสงอาทิตย์และความเร็วของมอเตอร์ หลังจากเลือกที่เหมาะสมสุด ประสาทขนาดเครือข่าย ผลลัพธ์ที่น่าพอใจถูกได้ ด้วยสามตัวชั้น backpropagation ไปดึงโครงข่ายประสาทประกอบด้วย (ชั้นอินพุต ซ่อน และผลลัพธ์) เป็นแสดงในรูปที่ 3

ผลลัพธ์ (ไทย) 2:

2.4 MPPT
เครือข่ายประสาทเทียมสถาปัตยกรรมควบคุมโครงสร้างของเครือข่ายหลายคราทส่วนใหญ่จะกำหนดโดยประสบการณ์และตามการศึกษาก่อนหน้านี้ไม่มีสูตรที่ถูกต้องที่เหมาะสมแตกต่างกันสถานการณ์[13] มีสองวิธีในการเลือกที่มีสถาปัตยกรรมของเทคนิค ANN ใน [13, 14] ครั้งแรกที่วิธีการเริ่มต้นด้วยเครือข่ายขนาดเล็กแล้วดำเนินการโดยค่อยๆเพิ่มการเชื่อมต่อโหนดหรือตามความจำเป็น ในวิธีที่สองเป็นเครือข่ายขนาดใหญ่ที่ถูกเลือกและจากนั้นดำเนินการโดยค่อยๆกำจัดการเชื่อมต่อที่ไม่จำเป็นหรือโหนด วิธีแรกถูกนำมาใช้ในการศึกษาครั้งนี้เพื่อแผนที่ความสัมพันธ์ระหว่างอัตราการปฏิบัติหน้าที่และการใช้พลังงานแสงอาทิตย์และความเร็วของมอเตอร์ สุดท้ายหลังจากเลือกประสาทที่เหมาะสมกับขนาดของเครือข่ายเป็นผลที่น่าพอใจที่ได้รับมีสามชั้นเครือข่ายประสาทbackpropagation ฟีดไปข้างหน้าประกอบไปด้วย(การป้อนข้อมูลที่ซ่อนอยู่และเอาท์พุทชั้น) ดังแสดงในรูปที่3

ผลลัพธ์ (ไทย) 3:

2.4 ประสาท mppt เครือข่ายสถาปัตยกรรมควบคุม
โครงสร้างของเครือข่ายหลายชั้น โดยพิจารณาไปข้างหน้าเป็นส่วนใหญ่

ประสบการณ์ และตามศึกษาก่อนหน้านี้ไม่มีใช้สูตรที่เหมาะสมสำหรับสถานการณ์ที่แตกต่างกัน
[ 13 ] มีสองวิธีในการเลือก
สถาปัตยกรรมของแอน เทคนิคใน [ 13 , 14 ) ครั้งแรก
วิธีการเริ่มต้นด้วยเครือข่ายขนาดเล็กและจากนั้นดำเนินการโดย
ค่อยๆเพิ่มการเชื่อมต่อหรือโหนดเป็น ใน
วิธีที่สอง เป็นเครือข่ายใหญ่ที่เลือกและจากนั้นดำเนินการ
โดยค่อยๆขจัดการเชื่อมต่อไม่จำเป็นหรือ
โหนด วิธีแรกคือใช้ในการศึกษาแผนที่
ความสัมพันธ์ระหว่างหน้าที่ต่อและ pv และความเร็ว
มอเตอร์ ในที่สุดหลังจากเลือกขนาดของเครือข่ายประสาท
เหมาะสม ผลเป็นที่น่าพอใจ ได้ด้วย 3

ชั้น feed-forward ข่ายงานประสาทประกอบด้วย ( input , ที่ซ่อนอยู่และส่งออกชั้น ) ดังแสดงในรูปที่ 3
.