This paper presents an adaptive neuro-fuzzy inference system (ANFIS) based speed control for indirect field oriented controlled induction motor drive. The obtaining of maximum torque and efficiency in the motor necessitates a successful nonlinear speed control method due to the non-linear structure of the system. In this work, a fuzzy logic controller (FLC) and ANFIS controller has been developed for speed control of induction motors. Parameters of ANFIS are tuned with on-line direct self-tuning method. The performance of proposed controllers has been examined in different working conditions. Simulation studies shows robustness and suitability of drive for high performance drive applications.

Günümüzde ana enerji kaynağı olarak en çok kullanılan fosil yakıtlar, yüksek fiyat, sınırlı kaynak ve çevresel kirliliği gibi birçok sorunu barındırması nedeniyle alternatif enerji kaynak arayışları artmıştır. Birçok ülke bu sorunların üstesinden gelmek için özellikle otomotiv sektöründe elektrikli araçları geliştirmeye ve kullanmaya başlamıştır. Elektrikli araçların yaygınlaşması ile birlikte batarya teknolojisi, hızlı ve kaliteli şarj cihazları, batarya yönetim sistemleri önemli araştırma konuları olmuştur. Bir elektrikli aracın bataryasının ömrü ve şarj süresi gibi bazı özellikleri doğrudan şarj cihazıyla ilgilidir. Bu durum batarya şarj cihazlarını, elektrikli araç endüstrinin gelişimi için kritik bileşenlerden biri yapmaktadır. Bu çalışmada DA-DA yükselten tip dönüştürücü kullanılarak elektrikli araçlar için bir batarya şarj cihazının tasarımı ve simülasyon işlemi sunulmaktadır. Batarya paketi ve şarj cihazının modellemesi, kontrol şeması tasarımı ve performansının değerlendirilmesi Matlab/Simulink ortamında gerçekleştirilmiştir.

Synchronous reluctance motors offer several advantages that make them suitable for use in electric vehicle traction systems. Motor-drive systems constitute the most significant share of the energy consumption of electric vehicles. Controller performance is essential for achieving accurate, stable, efficient, and safe motor control. Conventional controllers, such as PID controllers, remain popular owing to their simplicity, ease of implementation, and effectiveness in many control applications. However, advanced control techniques may offer better performance and robustness for more complex or challenging control tasks. Successful studies employing deep reinforcement learning have been conducted across various control applications, including motor control. Because deep reinforcement learning is a relatively recent approach to control, its utilization in motor control remains a subject of ongoing research and development. This paper presents the application of deep reinforcement learning as a speed-control strategy for synchronous reluctance motors. The simulation results are presented to demonstrate the effectiveness of the proposed deep reinforcement learning control strategy. These results highlight the improved robustness of the system to speed changes and load disturbances and demonstrate the superior performance achieved in synchronous reluctance motor speed control compared with the conventional PI control method.

Electric vehicles (EVs) are expected to reduce carbon emissions from transportation. For this reason, many vehicle manufacturers, countries and international organizations develop their energy and transportation policies in this direction and also support them with practices. As a result of the policies implemented and developments in battery technologies, serious increases are expected in the sales of the EV sector. However, there should be sufficient charging stations for EV charging. The increase in charging stations is expected to cause some positive and negative effects on the grid. In order for electric vehicles to be more acceptable in terms of power systems, it is necessary to understand what kind of electrical character they show. In this article, EV electrical modeling is performed over a charging period by Monte Carlo Simulation using the actual charging data of some EV models charged in a single phase 7,2 kW- 240 V charger. The generated probabilistic model was validated by comparing it with real data. Thus, a reliable modeling has been presented for EV, which is a new load in power systems.

En tr Maximum power point tracking (MPPT) is used in photovoltaic (PV) systems to maximize output power by changing the switching duty cycle of DC-DC converters. In this work, MPPT algorithm with PID optimization based on particle swarm optimization (PSO) is presented for PV systems. In order to test the success of the proposed method, the results obtained are compared with the results of conventional PID controller and P&O methods commonly used in PV systems. The work was carried out in Matlab / Simulink environment. It has been observed that the proposed control structure is more successful than other methods in both transient and steady-state situations. Maksimum güç noktası izleme (MPPT), fotovoltaik (PV) sistemlerde, DC-DC dönüştürücülerin anahtarlama darbe genişliğini (duty cycle) değiştirerek çıkış gücünü maksimize etmek için kullanılır. Bu çalışmada, PV sistemler için parçacık sürü optimizasyon (PSO) tabanlı PID ile MPPT algoritması sunulmuştur. Önerilen yöntemin başarısını test etmek amacıyla elde edilen sonuçlar, klasik PID denetleyici ve PV sistemlerde yaygın kullanılan değiştir ve gözle (P&O) yöntemlerinin sonuçları ile karşılaştırılmıştır. Çalışmalar Matlab/Simulink ortamında gerçekleştirilmiştir. Önerilen denetim yapısının hem geçici hem de kararlı durumlarda diğer yöntemlere göre daha başarılı olduğu görülmüştür.