Use este identificador para citar ou linkar para este item: http://repositorio.utfpr.edu.br/jspui/handle/1/25060
Registro completo de metadados
Campo DCValorIdioma
dc.creatorItaborahy Filho, Marco Antonio-
dc.date.accessioned2021-05-27T21:17:44Z-
dc.date.available2021-05-27T21:17:44Z-
dc.date.issued2021-03-12-
dc.identifier.citationITABORAHY FILHO, Marco Antonio. Bio-inspired optimization algorithms applied to the GAPID control of a Buck converter. 2021. Dissertação (Mestrado em Engenharia Elétrica) - Universidade Tecnológica Federal do Paraná, Ponta Grossa, 2021.pt_BR
dc.identifier.urihttp://repositorio.utfpr.edu.br/jspui/handle/1/25060-
dc.description.abstractThe objective of this work is to realize a comparative study of which bio-inspired metaheuristic strategies are the best to be used when finding the optimal gains for a Gaussian Adaptive PID control system applied to a Buck Converter. This comes from two necessities, the first one is that to surpass the performance of linear control systems a more advanced strategy such as adaptive control is required; the second is that since there are no deterministic optimization methods for such strategies, the use of metaheuristics is deemed necessary, and according to the No Free Lunch theorem such comparative studies ought to be made to understand what optimization techniques ares better suitable for such a problem. The chosen techniques were the Genetic Algorithm, the Particle Swarm Optimization and the Differential Evolution. The Gaussian function is employed as the adaptive rule because it is a smooth curve with smooth derivatives that avoids the potential of chattering and abrupt control changes. After evaluating the responses found from simulating all variations of each of the optimization strategies we were able to create an analytical and statistical comparison of each technique and show how an adaptive control system can create a faster and more robust response when compared to the linear PID.pt_BR
dc.languageengpt_BR
dc.publisherUniversidade Tecnológica Federal do Paranápt_BR
dc.rightsopenAccesspt_BR
dc.rightsAttribution-NonCommercial-ShareAlike 4.0 International*
dc.rights.urihttp://creativecommons.org/licenses/by-nc-sa/4.0/*
dc.subjectControladores PIDpt_BR
dc.subjectAlgorítmos genéticospt_BR
dc.subjectHeurísticapt_BR
dc.subjectPID controllerspt_BR
dc.subjectGenetic algorithmspt_BR
dc.subjectHeuristicpt_BR
dc.titleBio-inspired optimization algorithms applied to the GAPID control of a Buck converterpt_BR
dc.title.alternativeAlgoritmos de otimização bio-inspirados aplicados ao controle de um conversor Buckpt_BR
dc.typemasterThesispt_BR
dc.description.resumoO objetivo deste trabalho é criar um estudo comparativo de quais estratégias metaheurísticas bioinspiradas podem ser as melhores para otimizar os ganhos ótimos de um sistema de controle PID Adaptativo Gaussiano para um Conversor Buck. Isso vem de duas necessidades, a primeira é que para superar o desempenho dos sistemas de controle linear é necessária uma estratégia mais avançada como o controle adaptativo; a segunda é que como não existem métodos de otimização determinísticos para tais estratégias, o uso de metaheurísticas é considerado necessário, e de acordo com o teorema do No Free Lunch tais estudos comparativos devem ser feitos para entender quais técnicas de otimização são mais adequadas para tal problema. As técnicas escolhidas foram o Algoritmo Genético, a Otimização do Enxame de Partículas e a Evolução Diferencial. O Gaussian Adaptive PID (GAPID) foi escolhido para o controle adaptativo por ser ser baseado na função Gaussiana, que é uma curva suave com derivadas suaves que evita vibrações e mudanças bruscas no controle. Depois de avaliar as respostas encontradas na simulação de todas as variações de cada uma das estratégias de otimização, foi criada uma comparação analítica e estatística de cada técnica mostrando como um sistema de controle adaptativo pode gerar uma resposta mais rápida e robusta quando comparado ao PID linear.pt_BR
dc.degree.localPonta Grossapt_BR
dc.publisher.localPonta Grossapt_BR
dc.creator.IDhttps://orcid.org/0000-0002-3967-5326pt_BR
dc.creator.Latteshttp://lattes.cnpq.br/5904590772310824pt_BR
dc.contributor.advisor1Kaster, Mauricio dos Santos-
dc.contributor.advisor1IDhttps://orcid.org/0000-0002-7687-1297pt_BR
dc.contributor.advisor1Latteshttp://lattes.cnpq.br/5494434934031784pt_BR
dc.contributor.advisor-co1Siqueira, Hugo Valadares-
dc.contributor.advisor-co1IDhttps://orcid.org/0000-0002-1278-4602pt_BR
dc.contributor.advisor-co1Latteshttp://lattes.cnpq.br/6904980376005290pt_BR
dc.contributor.referee1Kaster, Mauricio dos Santos-
dc.contributor.referee1IDhttps://orcid.org/0000-0002-7687-1297pt_BR
dc.contributor.referee1Latteshttp://lattes.cnpq.br/5494434934031784pt_BR
dc.contributor.referee2Trojan, Flavio-
dc.contributor.referee2IDhttps://orcid.org/0000-0003-2274-5321pt_BR
dc.contributor.referee2Latteshttp://lattes.cnpq.br/1688457940211697pt_BR
dc.contributor.referee3Martins, Marcella Scoczynski Ribeiro-
dc.contributor.referee3IDhttps://orcid.org/0000-0002-5716-4968pt_BR
dc.contributor.referee3Latteshttp://lattes.cnpq.br/5212122361603572pt_BR
dc.contributor.referee4Parpinelli, Rafael Stubs-
dc.contributor.referee4IDhttps://orcid.org/0000-0001-7326-5032pt_BR
dc.contributor.referee4Latteshttp://lattes.cnpq.br/4456007001373501pt_BR
dc.publisher.countryBrasilpt_BR
dc.publisher.programPrograma de Pós-Graduação em Engenharia Elétricapt_BR
dc.publisher.initialsUTFPRpt_BR
dc.subject.cnpqCNPQ::ENGENHARIAS::ENGENHARIA ELETRICApt_BR
dc.subject.capesEngenharia/Tecnologia/Gestãopt_BR
Aparece nas coleções:PG - Programa de Pós-Graduação em Engenharia Elétrica

Arquivos associados a este item:
Arquivo Descrição TamanhoFormato 
bioinspiredoptimizationalgorithms.pdf2,35 MBAdobe PDFThumbnail
Visualizar/Abrir


Este item está licenciada sob uma Licença Creative Commons Creative Commons