Made available in DSpace on 2016-08-17T14:53:01Z (GMT). No. of bitstreams: 1
Fabio Nogueira da Silva.pdf: 1098466 bytes, checksum: a72dcced91748fe6c54f3cab86c19849 (MD5)
Previous issue date: 2008-06-20 / FUNDAÇÃO DE AMPARO À PESQUISA E AO DESENVOLVIMENTO CIENTIFICO E TECNOLÓGICO DO MARANHÃO / We present in this work the results about two neural networks methods to solve
the algebraic Riccati(ARE), what are used in many applications, mainly in the
Linear Quadratic Regulator (LQR), H2 and H1 controls. First is showed the
real symmetric form of the ARE and two methods based on neural computation.
One feedforward neural network (FNN), that de¯nes an error as function of
the ARE and a recurrent neural network (RNN), which converts a constrain
optimization problem, restricted to the state space model, into an unconstrained
convex optimization problem de¯ning an energy as function of the ARE and
Cholesky factor. A proposal to chose the learning parameters of the RNN used
to solve the ARE, by making a surface of the parameters variations, thus we can
tune the neural network for a better performance.
Computational experiments related with the plant matrices perturbations of
the tested systems in order to perform an analysis of the behavior of the presented
methodologies, that are based on homotopies methods, where we chose a good
initial condition and compare the results to the Schur method. Two 6th order
systems were used, a Doubly Fed Induction Generator(DFIG) and an aircraft
plant. The results showed the RNN a good alternative compared with the FNN
and Schur methods. / Apresenta-se nesta dissertação os resultados a respeito de dois métodos neuronais
para a resolução da equação algébrica de Riccati(EAR), que tem varias aplicações,
sendo principalmente usada pelos Regulador Linear Quadrático(LQR), controle
H2 e controle H1. É apresentado a EAR real e simétrica e dois métodos baseados
em uma rede neuronal direta (RND) que tem a função de erro associada a EAR
e uma rede neuronal recorrente (RNR) que converte um problema de otimização
restrita ao modelo de espaço de estados em outro de otimização convexa em
função da EAR e do fator de Cholesky de modo a usufruir das propriedades de
convexidade e condições de otimalidade.
Uma proposta para a escolha dos parâmetros da RNR usada para solucionar
a EAR por meio da geração de superfícies com a variação paramétrica da RNR,
podendo assim melhor sintonizar a rede neuronal para um melhor desempenho.
Experimentos computacionais relacionados a perturbações nos sistemas foram
realizados para analisar o comportamento das metodologias apresentadas, tendo
como base o princípio dos métodos homotópicos, com uma boa condição inicial,
a partir de uma ponto de operação estável e comparamos os resultados com o
método de Schur. Foram usadas as plantas de dois sistemas: uma representando
a dinâmica de uma aeronave e outra de um motor de indução eólico duplamente
alimentado(DFIG), ambos sistemas de 6a ordem. Os resultados mostram que
a RNR é uma boa alternativa se comparado com a RND e com o método de
Schur.
| Identifer | oai:union.ndltd.org:IBICT/oai:tede2:tede/401 |
| Date | 20 June 2008 |
| Creators | Silva, Fabio Nogueira da |
| Contributors | Fonseca Neto, João Viana da |
| Publisher | Universidade Federal do Maranhão, PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA DE ELETRICIDADE/CCET, UFMA, BR, Engenharia |
| Source Sets | IBICT Brazilian ETDs |
| Language | Portuguese |
| Detected Language | English |
| Type | info:eu-repo/semantics/publishedVersion, info:eu-repo/semantics/masterThesis |
| Format | application/pdf |
| Source | reponame:Biblioteca Digital de Teses e Dissertações da UFMA, instname:Universidade Federal do Maranhão, instacron:UFMA |
| Rights | info:eu-repo/semantics/openAccess |
Page generated in 0.0034 seconds