การออกแบบตัวควบคุม PID อย่างเหมาะสมสำหรับระบบควบคุมความเร็วยานยนต์ไฟฟ้าด้วยขั้นตอนวิธีการหาค่าเหมาะที่สุดแบบวาฬ
Main Article Content
บทคัดย่อ
บทความนี้นำเสนอการออกแบบตัวควบคุม PID อย่างเหมาะสมสำหรับระบบควบคุมความเร็วยานยนต์ ไฟฟ้าด้วยขั้นตอนวิธีการหาค่าเหมาะที่สุดแบบวาฬ (Whale Optimization Algorithm: WOA) ซึ่งเป็นเทคนิค การค้นหาค่าเหมาะที่สุดแบบอภิศึกษาสำนึกที่ทรงประสิทธิภาพ โดยกำหนดให้ผลรวมของผลต่างยกกำลังสองของค่าความคลาดเคลื่อนระหว่างความเร็วอ้างอิงและความเร็วจริง เป็นฟังก์ชันวัตถุประสงค์ที่ต้องการทำให้มีค่าน้อยที่สุด ตามหลักการหาค่าเหมาะที่สุดแนวใหม่ ตัวควบคุม PID ที่ออกแบบด้วย WOA จะถูกนำไปเปรียบ เทียบกับตัวควบคุม PID ที่ออกแบบด้วยวิธีการหาค่าเหมาะที่สุดแบบอิงผู้สอน-ผู้เรียน (Teacher-Learner-Based Optimization: TLBO) จากผลการออกแบบพบว่าตัวควบคุม PID ที่ออกแบบด้วยขั้นตอนวิธี WOA สามารถให้ผลตอบสนองของระบบควบคุมความเร็วยานยนต์ไฟฟ้าทั้งในส่วนของผลตอบสนองแบบเฝ้าติดตามสัญญาณอินพุต และผลตอบสนองแบบคุมค่าโหลด ที่รวดเร็วและราบเรียบกว่าตัวควบคุม PID ที่ออกแบบด้วยขั้นตอนวิธี TLBO อย่างน่าพึงพอใจ
Article Details
อนุญาตภายใต้เงื่อนไข Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
เนื้อหาและข้อมูลในบทความที่ลงตีพิมพ์ใน Journal of Advanced Development in Engineering and Science ถือเป็นข้อคิดเห็นและความรับผิดชอบของผู้เขียนบทความโดยตรง ซึ่งกองบรรณาธิการวารสารไม่จำเป็นต้องเห็นด้วยหรือร่วมรับผิดชอบใดๆ
บทความ ข้อมูล เนื้อหา ฯลฯ ที่ได้รับการตีพิมพ์ในJournal of Advanced Development in Engineering and Science ถือเป็นลิขสิทธิ์ของ Journal of Advanced Development in Engineering and Science หากบุคคลหรือหน่วยงานใดต้องการนำทั้งหมดหรือส่วนหนึ่งส่วนใดไปเผยแพร่ต่อหรือเพื่อกระทำการใดๆ จะต้องได้รับอนุญาตเป็นลายลักษณ์อักษรจาก Journal of Advanced Development in Engineering and Scienceก่อนเท่านั้น
เอกสารอ้างอิง
De Rubens, G. Z., et al. (2020). The Market Case for Electric Mobility: Investigating Electric Vehicle Business Modelsfor Mass Adoption. Energy, 194, 116841.
Habib, A. A., et al. (2023). Lithium-Ion Battery Management System for Electric Vehicles: Constraints, Challenges, and Recommendations. Batteries, 9(3), 152.
De Robbio, R., et al. (2022). Investigation by Modelling of a Plug-In Hybrid Electric Commercial Vehicle with Diesel Engine on WLTC. Fuel, 317, 123519.
Miri, I., et al. (2021). Electric Vehicle Energy Consumption Modelling and Estimation-A Case Study. International Journal of Energy Research, 45(1), 501–520.
Teng, F., et al. (2020). Technical Reviewon Advanced Approaches for Electric Vehicle Charging Demand Management, Part I: Applications in Electric Power Market and Renewable Energy Integration. IEEE Transactions on Industry Applications, 56(5), 5684-5694.
Singh, R. et al. (2023). Optimal PID Controller Design for Electric VehicleSystem. In 2023 IEEE 3rd International Conference on Sustainable Energy and Future Electric Transportation (SEFET) (p.1-6). 9 – 12 August, 2023, Bhubaneswar, India.
Jassim, A. A., et al. (2023). Design of Optimal PID Controller for Electric Vehicle Based on Particle Swarm and Multi-Verse Optimization algorithms, Engineering and Technology Journal, 41(2), 1-10.
Khatun, P., et al. (2003). Application of Fuzzy Control Algorithms for Electric Vehicle Antilock Braking/Traction Control Systems. IEEE Transactions on Vehicular Technology, 52(5), 1356-1364.
George, M. A., et al. (2021). Electronically Tunable ACO Based Fuzzy FOPID Controller for Effective Speed Control of Electric Vehicle. IEEE Access, 9, 73392-73412.
Kadhim, N. N., et al. (2023). Design An Optimal Fractional Order PID Controller for Speed Control of Electric Vehicle. Journal Européen des Systèmes Automatisés, 56(5), 735-741.
Mirjalili, S. & Lewis, A. (2016). The Whale Optimization Algorithm. Advances in Engineering Software, 95, 51-67.
Rana, N., et al. (2020). Whale Optimization Algorithm: a Systematic Review of Contemporary Applications, Modifications and Developments. Neural Computing and Applications, 32, 16245-16277.
Nadimi-Shahraki, M. H., et al. (2023). A Systematic Review of the Whale Optimization Algorithm: Theoretical Foundation, Improvements, and Hybridizations. Archives of Computational Methods in Engineering, 30, 4113-4159.
Meena, V., (2024). Rank Exponent-Based Reduction of Higher Order Electric Vehicle Systems. IEEE Transactions on Vehicular Technology, 73(9), 12438-12447.
Sharma, V. & Purwar, S. (2014). Non-Linear Controllers for a Light-Weighted All-Electric Vehicle using Chebyshev Neural Network. International Journal of Vehicular Technology, 2014, 867209.
