Akkouchi, KamelRahmani, LazharLebied, Ryma2022-04-062022-04-062021Akkouchi K. New application of artificial neural network-based direct power control for permanent magnet synchronous generator / K. Akkouchi, L. Rahmani, R. Lebied // Електротехніка і Електромеханіка = Electrical engineering & Electromechanics. – 2021. – № 6. – С. 19-24.https://repository.kpi.kharkov.ua/handle/KhPI-Press/56305This article proposes a new strategy for Direct Power Control (DPC) based on the use of Artificial Neural Networks (ANN-DPC). The proposed ANN-DPC scheme is based on the replacement of PI and hysteresis regulators by neural regulators. Simulation results for a 1 kW system are provided to demonstrate the efficiency and robustness of the proposed control strategy during variations in active and reactive power and in DC bus voltage. Methodology. Our strategy is based on direct control of instant active and reactive powers. The voltage regulator and hysteresis are replaced by more efficient and robust artificial neuron networks. The proposed control technique strategy is validated using MATLAB / Simulink software to analysis the working performances. Results. The results obtained clearly show that neuronal regulators have good dynamic performances compared to conventional regulators (minimum response time, without overshoots). Originality. Regulation of continuous bus voltage and sinusoidal currents on the network side by using artificial neuron networks. Practical value. The work concerns the comparative study and the application of DPC based on ANN techniques to achieve a good performance control system of the permanent magnet synchronous generator. This article presents a comparative study between the conventional DPC control and the ANNDPC control. The first strategy based on the use of a PI controller for the control of the continuous bus voltage and hysteresis regulators for the instantaneous powers control. In the second technique, the PI and hysteresis regulators are replaced by more efficient neuronal controllers more robust for the system parameters variation. The study is validated by the simulation results based on MATLAB / Simulink software.У статті пропонується нова стратегія прямого керування потужністю (DPC), яка базується на використанні штучних нейронних мереж (ANN-DPC). Запропонована схема ANN-DPC заснована на заміні пропорційно-інтегрального (ПІ) та гістерезисного регуляторів на нейронні регулятори. Наведено результати моделювання для системи потужністю 1 кВт для демонстрації ефективності та надійності запропонованої стратегії керування при зміні активної та реактивної потужності, а також напруги на шині постійного струму. Методологія. Запропонована стратегія базується на прямому керуванні миттєвими активними та реактивними потужностями. Регулятор напруги та гістерезисний регулятор замінені більш ефективними та надійними штучними нейронними мережами. Запропонована методика керування перевірена з використанням програмного забезпечення MATLAB / Simulink для аналізу робочих характеристик. Результати. Отримані результати показують, що нейронні регулятори мають хороші динамічні характеристики порівняно зі звичайними регуляторами (мінімальний час відгуку, без викидів). Оригінальність. Регулювання постійної напруги на шині та синусоїдальних струмів на стороні мережі за допомогою штучних нейронних мереж. Практична цінність. Робота стосується порівняльного дослідження та застосування прямого керування потужністю (DPC) на основі методів штучної нейронної мережі (ANN) для досягнення хороших показників системи керування синхронного генератора з постійними магнітами. У цій статті представлено порівняльне дослідження між звичайним керуванням DPC та керуванням ANN-DPC. Перша стратегія заснована на використанні ПІ-регулятора для керування постійною напругою на шині та гістерезисних регуляторів для керування миттєвою потужністю. У другому методі ПІ- та гістерезисні регулятори замінюються більш ефективними нейронними контролерами, більш стійкими до зміни параметрів системи. Дослідження підтверджено результатами моделювання на основі програмного забезпечення MATLAB / Simulink.enartificial neural networkштучна нейронна мережаArticledoi.org/10.20998/2074-272X.2021.6.03