Czasopismo | PRZEGLĄD ELEKTROTECHNICZNY | Rocznik 2024 - zeszyt 9

Load Control Battery Strategy based on Backpropagation and Simulated Annealing Training Performance

Strategia kontroli obciążenia baterii oparta na propagacji wstecznej i symulowanym wyżarzaniu

10.15199/48.2024.09.31

nr katalogowy: 150370
10.15199/48.2024.09.31

Streszczenie

Nowadays, the light control system only uses scheduling so if the season changes the system becomes less effectivity. This study aims to compare the backpropagation (BP) and simulated annealing (SA) algorithm training performances for the ANN system. The selection of the ANN method for estimating the intensity of solar radiation is because it can estimate the daily or hourly average solar radiation with high accuracy. In order to find out the best performance, this research compares BP and SA algorithms based on their Mean Square Error (MSE) and Absolute Error (AE) values. Based on the results, this study shows that MSE and AE values for SA are better than BP. The MSE value of SA is 0.047338156 lower than BP, while the AE value of SA is 19.26% lower than BP. The results of this study prove that for training on a supervised control system using ANN, simulated annealing could be prioritized in the active power load control strategy.

Abstract

Obecnie system sterowania oświetleniem opiera się wyłącznie na harmonogramie, zatem w przypadku zmiany pory roku skuteczność systemu staje się mniejsza. Celem tego badania jest porównanie wydajności uczenia algorytmu propagacji wstecznej (BP) i symulowanego wyżarzania (SA) dla systemu SSN. Wybór metody SSN do szacowania natężenia promieniowania słonecznego wynika z faktu, że pozwala ona z dużą dokładnością oszacować średnie dobowe lub godzinne promieniowanie słoneczne. Aby określić najlepszą wydajność, w badaniu tym porównano algorytmy BP i SA w oparciu o wartość błędu średniokwadratowego (MSE) i błędu bezwzględnego (AE). Na podstawie wyników badanie to pokazuje, że wartości MSE i AE dla SA są lepsze niż BP. Wartość MSE SA jest o 0,047338156 niższa niż BP, natomiast wartość AE SA jest o 19,26% niższa niż BP. Wyniki tego badania dowodzą, że w przypadku szkolenia w nadzorowanym systemie sterowania wykorzystującym SSN, symulowane wyżarzanie może mieć priorytet w strategii sterowania obciążeniem mocą czynną.

Słowa kluczowe

Keywords

Bibliografia

[1] IESR, Indonesia Clean Energy Outlook: Tracking Progress and Review of Clean Energy Development in Indonesia. 2019.
[2] A. Kurniawan and E. Shintaku, “Two-step artificial neural network to estimate the solar radiation at Java Island,” Int. J. Electr. Comput. Eng., vol. 11, no. 4, pp. 3559–3566, 2021, doi: 10.11591/ijece.v11i4.pp3559-3566.
[3] S. Saravanan and N. Ramesh Babu, “Maximum power point tracking algorithms for photovoltaic system - A review,” Renew. Sustain. Energy Rev., vol. 57, pp. 192–204, 2016, doi: 10.1016/j.rser.2015.12.105.
[4] I. Yadav, S. K. Maurya, and G. K. Gupta, “A literature review on industrially accepted MPPT techniques for solar PV system,” Int. J. Electr. Comput. Eng., vol. 10, no. 2, pp. 2117–2127, 2020, doi: 10.11591/ijece.v10i2.pp2117-2127.
[5] W. S. Pambudi, R. A. Firmansyah, Y. A. Prabowo, and T. Suheta, “Designing ANFIS Controller for MPPT on Photovoltaic System,” vol. 19, no. 2, pp. 64–70, 2023, doi: 10.17529/jre.v19i2.23394.
[6] V. Shere and R. Suryawanshi, “A review on TRIAC controlled energy efficient dimmable LED driver for street lighting,” Int. Conf. Autom. Control Dyn. Optim. Tech. ICACDOT 2016, pp. 239–241, 2017, doi: 10.1109/ICACDOT.2016.7877586.
[7] A. Jain and C. Nagarajan, “Efficient Control Algorithm for a Smart Solar Street Light,” Proc. - NGMAST 2015 9th Int. Conf. Next Gener. Mob. Appl. Serv. Technol., pp. 376–381, 2016, doi: 10.1109/NGMAST.2015.40.
[8] M. Mahoor, T. A. Najafaabadi, F. R. Salmasi, and S. Member, “A smart street lighting control system for optimization of energy consumption and lamp life,” 2014, no. Icee, pp. 1290 1294.
[9] P. C. Pasc and C. D. Dumitru, “Energy-efficient Street Lighting Using a Mitsubishi Alpha 2 PLC Based Solution,” Procedia Eng., vol. 181, no. December, pp. 824–828, 2017, doi: 10.1016/j.proeng.2017.02.473.
[10] N. M. Karmiathi, I. N. S. Kumara, W. G. Ariastina, and I. W. Gunarta, “Techno-economic analysis of solar-powered lighting of bali above seawater toll-road,” Telkomnika (Telecommunication Comput. Electron. Control., vol. 16, no. 5, pp. 2342–2354, 2018, doi: 10.12928/TELKOMNIKA.v16i5.7056.
[11] M. S. H. Choudhury, M. M. H. M. N. Islam, M. R. Islam, and M. A. Islam, “Design and implementation of solar street light for campus environment,” SEU J. Sci. Eng., vol. 7, no. 11, pp. 13–19, 2018.
[12] B. Mohapatra, “Power Saving Solar Street lights,” Int. J. Emerg. Technol. Eng. Res., vol. 5, no. 5, pp. 105–109, 2017.
[13] S. Passago, C. Yodying, W. Monatrakul, T. T. Santiboon, and T. Science, “Research and development of renewable energy : Prototype of LED street lighting from solar energy,” Syst. Rev. Pharm., vol. 11, no. 2, pp. 765–776, 2020.
[14] M. Marzouq, H. El Fadili, Z. Lakhliai, and K. Zenkouar, “A review of solar radiation prediction using artificial neural networks,” 2017 Int. Conf. Wirel. Technol. Embed. Intell. Syst. WITS 2017, 2017, doi: 10.1109/WITS.2017.7934658.
[15] A. Kurniawan and E. Shintaku, “Estimation of the Monthly Global, Direct, and Diffuse Solar Radiation in Japan Using Artificial Neural Network,” Int. J. Mach. Learn. Comput., vol. 10, no. 2, pp. 253–258, 2020, doi: 10.18178/ijmlc.2020.10.2.928.
[16] G. Notton, C. Voyant, A. Fouilloy, J. L. Duchaud, and M. L. Nivet, “Some applications of ANN to solar radiation estimation and forecasting for energy applications,” Appl. Sci., vol. 9, no. 1, 2019, doi: 10.3390/app9010209.
[17] N. Premalatha and A. Valan Arasu, “Prediction of solar radiation for solar systems by using ANN models with different back propagation algorithms,” J. Appl. Res. Technol., vol. 14, no. 3, pp. 206–214, 2016, doi: 10.1016/j.jart.2016.05.001.
[18] M. F. Adiatmoko and A. Soeprijanto, “Smart Meter based on Time Series Modify and Constructive Backpropagation Neural Network,” in 2017 4th International Conference on Information Technology, Computer, and Electrical Engineering (ICITACEE), 2017, pp. 147–153.
[19] D. C. Nugroho et al., “Household electricity network monitoring based on IoT with of automatic power factors improvement using neural network method,” IOP Conf. Ser. Mater. Sci. Eng., vol. 1010, no. 1, 2021, doi: 10.1088/1757 899X/1010/1/012045.
[20] R. Sofiana and S. Sutikno, “Optimization of Backpropagation for Early Detection of Diabetes Mellitu,” Int. J. Electr. Comput. Eng., vol. 8, no. 5, p. 3232, 2018, doi: 10.11591/ijece.v8i5.pp3232-3237.
[21] A. Qur’ania, P. Harsani, T. Triastinurmiatiningsih, L. A. Wulandhari, and A. A. S. Gunawan, “Color Extraction and Edge Detection of Nutrient Deficiencies in Cucumber Leaves Using Artificial Neural Networks,” CommIT (Communication Inf. Technol. J., vol. 14, no. 1, p. 23, 2020, doi: 10.21512/commit.v14i1.5952.
[22] A. Setiawan and R. Pulungan, “Deep belief networks for recognizing handwriting captured by leap motion controller,” Int. J. Electr. Comput. Eng., vol. 8, no. 6, pp. 4693–4704, 2018, doi: 10.11591/ijece.v8i6.pp4693-4704.
[23] A. D. Mengistu and D. M. Alemayehu, “Speech processing for text independent Amharic language dialect recognition,” Indones. J. Electr. Eng. Comput. Sci., vol. 5, no. 1, pp. 115 122, 2017, doi: 10.11591/ijeecs.v5.i1.pp115-122.
[24] M. K. Alsmadi, M. Tayfour, R. A. Alkhasawneh, U. Badawi, I. Almarashdeh, and F. Haddad, “Robust feature extraction methods for general fish classification,” Int. J. Electr. Comput. Eng., vol. 9, no. 6, pp. 5192–5204, 2019, doi: 10.11591/ijece.v9i6.pp5192-5204.
[25] W. S. Pambudi, R. A. Firmansyah, R. R. Issany, R. Y. Adhitya, and M. Syai’in, “The application of Sugeno fuzzy to control active power load and remaining battery usage time modelling,” Indones. J. Electr. Eng. Comput. Sci., vol. 26, no. 3, pp. 1266–1273, 2022, doi: 10.11591/ijeecs.v26.i3.pp1266 1273.
[26] R. Y. Adhitya et al., “Comparison Methods of Fuzzy Logic Control and Feed Forward Neural Network In Automatic Operating Temperature and Humidity Control System ( Oyster Mushroom Farm House ) Using Microcontroller,” pp. 168–173, 2016.
[27] A. Budianto et al., “Analysis of artificial intelligence application using back propagation neural network and fuzzy logic controller on wall-following autonomous mobile robot,” 2017 Int. Symp. Electron. Smart Devices, ISESD 2017, vol. 2018 Janua, no. 1, pp. 62–66, 2017, doi: 10.1109/ISESD.2017.8253306.
[28] D. O. Anggriawan, E. Wahjono, I. Sudiharto, and A. Budikarso, “Identification of power quality disturbances based on dynamics and artificial neural networks,” J. Rekayasa Elektr., vol. 19, no. 1, pp. 9–17, 2023, doi: 10.17529/jre.v19i1.27120.

Jeśli masz wykupiony/przyznany dostęp - zaloguj się. Skorzystaj z naszych propozycji zakupu!

Publikacja


PRZEGLĄD ELEKTROTECHNICZNY- e-publikacja (pdf) z zeszytu 2024-9 , nr katalogowy 150370 licencja: Osobista Produkt cyfrowy Nowość	10.00 zł

Zeszyt


PRZEGLĄD ELEKTROTECHNICZNY- e-zeszyt (pdf) 2024-9 licencja: Osobista Produkt cyfrowy Nowość	85.00 zł

Prenumerata

PRZEGLĄD ELEKTROTECHNICZNY - prenumerata cyfrowa
licencja: Osobista

Produkt cyfrowy
Nowość

762.00 zł

PRZEGLĄD ELEKTROTECHNICZNY - PAKIET prenumerata PLUS
licencja: Osobista

Szczegóły pakietu

Nazwa
PRZEGLĄD ELEKTROTECHNICZNY - PAKIET prenumerata PLUS (Prenumerata papierowa + dostęp do portalu sigma-not.pl + e-prenumerata)	1002.00 zł brutto 927.78 zł netto 74.22 zł VAT (stawka VAT 8%)

1002.00 zł

PRZEGLĄD ELEKTROTECHNICZNY - papierowa prenumerata roczna + wysyłka
licencja: Osobista

Szczegóły pakietu

Nazwa
PRZEGLĄD ELEKTROTECHNICZNY - papierowa prenumerata roczna	960.00 zł brutto 888.89 zł netto 71.11 zł VAT (stawka VAT 8%)
PRZEGLĄD ELEKTROTECHNICZNY - pakowanie i wysyłka	42.00 zł brutto 34.15 zł netto 7.85 zł VAT (stawka VAT 23%)

1002.00 zł

Zeszyt

2024-9

Twój Koszyk

Publikacja

Zeszyt

Prenumerata

Zeszyt

Czasopisma