Dergiler / Mühendislik bilimleri ve araştırmaları dergisi (Online) / 2022 / Cilt: 4 - Sayı: 2
Kızıl Tilki Optimizasyon Algoritması ile Da-Da Alçaltıcı Tip Dönüştürücü Kontrolör Katsayılarının Optimizasyonu
- Sayfa
- 129–140
- DOI
- —
Özet
Bu çalışmada, da gerilime ihtiyaç duyulan cihazlarda yaygın olarak kullanılan alçaltıcı tip da-da dönüştürücünün kapalı çevrim çıkış gerilim kontrolü yapılmıştır. Kontrolör katsayılarının belirlenmesi için meta-sezgisel yöntemlerin son zamanlarda oldukça fazla kullanıldığı görülmektedir. Kızıl tilki optimizasyon algoritması literatüre yeni kazandırılan meta-sezgisel bir yöntem olup kızıl tilkilerin ava yaklaşması, avlanması ve sürü içerisindeki davranışlarından esinlenerek modellenmiş sürü zekasına dayanan bir algoritmadır. PI kontrolörü ile kızıl tilki optimizasyon yöntemi kullanılarak sistemin kontrol performans kriterlerinden sürekli hal hatası iyileştirilmeye çalışılmıştır. Yapılmak istenen iyileştirme işlemi için kullanılan amaç fonksiyonu; zamanla ağırlıklandırılmış hata karelerinin toplamı, hata mutlak değerlerinin toplamı ve hata karelerinin toplamı değerlerinin ortalaması alınarak hesaplanmıştır. Bu çalışma Matlab/Simulink ortamında gerçekleştirilmiş olup elde edilen sonuçlar parçacık sürü optimizasyonu yöntemi ile karşılaştırmalı olarak analiz edilmiştir.
Abstract
In this study, closed-loop output voltage control of Buck converter, which is widely used in devices that need dc voltage, has been made. It is seen that meta-heuristic methods have been used quite a lot recently for the determination of controller coefficients. By using red fox optimization algorithm, steady-state error, which is one of the control performance criteria of the system, is tried to be improved with PI controller. The objective function used for the desired improvement process; is calculated by taking the average of the sum of the absolute values of the error, the sum of the squares of the error, and the sum of the time-weighted squares of the error. This study is carried out in MATLAB/Simulink environment and the obtained results are analyzed comparatively by the particle swarm optimization method. According to the analysis results obtained, the objective function fitness values for the red fox and particle swarm optimization methods were obtained as 1.1181 and 1.1045, respectively, and they showed close performances. When the working times are compared, the particle swarm optimization algorithm can find the optimum two times faster than the red fox optimization algorithm.