Optimized wind turbine performance via ai-based collective pitch angle control / by Abdelhamid Nabeel Sadek Rizk Younes ; Supervisors Prof. Essam El-Din Mohamed Aboul Zahab, Prof. Abdel-Latif Mohamed Rajaei El-Shafei, Prof. Ahmed Abdel Nasser Lasheen.

By:

Abdelhamid Nabeel Sadek Rizk Younes [preparation.]

Contributor(s):

Material type: Text

TextLanguage: English Summary language: English, Arabic Producer: 2024Description: 138 pages : illustrations ; 30 cm. + CDContent type:

text

Media type:

Unmediated

Carrier type:

volume

Other title:

أداء أمثل لتوربينات الرياح من خلال التحكم جماعياً في زوايا الشفرات بإستخدام الذكاء الاصطناعي [Added title page title]

Subject(s):

DDC classification:

621.406

Available additional physical forms:

Issues also as CD.

Dissertation note: Thesis (M.Sc)-Cairo University, 2024. Summary: The thesis presents the development and evaluative study of two novel model-free artificial intelligence (AI) based collective pitch control strategies for wind energy conversion systems (WECS). It aims to achieve stabilization of generator speed and power output at rated values, diminish fluctuations, lower computational expenses, and improve overall system optimality. The initial approach introduces a cascaded-forward neural network-based controller (CNN-C), utilizing a supervised learning paradigm for its configuration. The subsequent strategy proposes a fuzzy-based deep deterministic policy gradient (F-DDPG) controller, incorporating imitation learning and deep reinforcement learning in its design. The simulation tests are conducted using the high-fidelity Wind Energy Conversion Systems (WECS) OpenFAST/MATLAB/Simulink simulation tools.Summary: تقدم هذه الأطروحة تطويرًا ودراسة تقييمية لاستراتيجيتين جديدتين للتحكم الجماعي في زوايا شفرات تربينات الرياح. تعتمد كل منهما على الذكاء الاصطناعي وخالية من النمذجة الرياضية المعقدة لهذه التوربينات. تهدف هذه المتحكمات إلى تحقيق استقرار سرعة المولد وإخراج الطاقة عند القيم المقننة، وتقليل التقلبات، وخفض النفقات الحسابية، وتحسين الأداء الأمثل للنظام بشكل عام عند سرعات الرياح العالية فوق المقننة. يقدم النهج الأولي وحدة تحكم قائمة على الشبكة العصبية المتتالية (CNN-C)، باستخدام نموذج التعلم الخاضع للإشراف لتكوينه. تقترح الإستراتيجية اللاحقة وحدة تحكم متدرجة للسياسة الحتمية العميقة قائمة على الضبابية (F-DDPG)، تتضمن عناصر التعلم بالتقليد والتعلم المعزز العميق في تصميمها. يتم إجراء اختبارات المحاكاة باستخدام أدوات المحاكاة (فاست و ماتلاب) عالية الدقة وذلك للتأكيد على التفوق في الأداء مقارنة بالمتحكمات التقليدية.

Tags from this library: No tags from this library for this title. Log in to add tags.

Average rating: 0.0 (0 votes)

Holdings
Item type	Current library	Home library	Call number	Status	Barcode
Thesis	قاعة الرسائل الجامعية - الدور الاول	المكتبة المركزبة الجديدة - جامعة القاهرة	Cai01.13.07.M.Sc.2024.Ab.O (Browse shelf(Opens below))	Not for loan	01010110091060000

Thesis (M.Sc)-Cairo University, 2024.

Bibliography: pages 127-138.

The thesis presents the development and evaluative study of two novel model-free artificial intelligence (AI) based collective pitch control strategies for wind energy conversion systems (WECS). It aims to achieve stabilization of generator speed and power output at rated values, diminish fluctuations, lower computational expenses, and improve overall system optimality. The initial approach introduces a cascaded-forward neural network-based controller (CNN-C), utilizing a supervised learning paradigm for its configuration. The subsequent strategy proposes a fuzzy-based deep deterministic policy gradient (F-DDPG) controller, incorporating imitation learning and deep reinforcement learning in its design. The simulation tests are conducted using the high-fidelity Wind Energy Conversion Systems (WECS) OpenFAST/MATLAB/Simulink simulation tools.

تقدم هذه الأطروحة تطويرًا ودراسة تقييمية لاستراتيجيتين جديدتين للتحكم الجماعي في زوايا شفرات تربينات الرياح. تعتمد كل منهما على الذكاء الاصطناعي وخالية من النمذجة الرياضية المعقدة لهذه التوربينات. تهدف هذه المتحكمات إلى تحقيق استقرار سرعة المولد وإخراج الطاقة عند القيم المقننة، وتقليل التقلبات، وخفض النفقات الحسابية، وتحسين الأداء الأمثل للنظام بشكل عام عند سرعات الرياح العالية فوق المقننة. يقدم النهج الأولي وحدة تحكم قائمة على الشبكة العصبية المتتالية (CNN-C)، باستخدام نموذج التعلم الخاضع للإشراف لتكوينه. تقترح الإستراتيجية اللاحقة وحدة تحكم متدرجة للسياسة الحتمية العميقة قائمة على الضبابية (F-DDPG)، تتضمن عناصر التعلم بالتقليد والتعلم المعزز العميق في تصميمها. يتم إجراء اختبارات المحاكاة باستخدام أدوات المحاكاة (فاست و ماتلاب) عالية الدقة وذلك للتأكيد على التفوق في الأداء مقارنة بالمتحكمات التقليدية.

Issues also as CD.

Text in English and abstract in Arabic & English.

There are no comments on this title.

to post a comment.