در یک سیستم ریزشبکه، اغلب منابع تولید پراکنده از جمله پیل‌ سوختی، انرژی خورشیدی دارای ماهیت غیرخطی و متغیر با زمان می‌باشند، که مسئله کنترل را در آن با مشکلاتی مواجه می‌کند. همچنین، با توجه به اینکه در اغلب سیستم‌های ریزشبکه کنترل‌کننده‌های فرکانس به‌ صورت متمرکز بوده و منابع کنترل‌شونده در فواصل دوری از اتاق کنترل قرار دارند، بوجود آمدن تاخیرزمانی امری انکارناپذیر است که می‌بایست در طراحی کنترل‌کننده مورد توجه قرار گیرد. برای همین منظور و در این مقاله، از کنترل‌کننده فازی PID خودتنظیم برای کنترل بار-فرکانس در یک سیستم ریزشبکه استفاده شده است. کنترل‌کننده فازی PID معرفی شده توانایی مناسبی جهت مقابله با غیرخطی‌گری و تغییر در نقاط کار سیستم را دارد، اما جهت مقابله با تاخیرزمانی در ورودی سیستم، از خاصیت خودتنظیم مشابه با روش زیگلر-نیکولز استفاده شده است. کنترل‌کننده فازی PID خودتنظیم طراحی شده برای کنترل بار-فرکانس یک سیستم ریزشبکه که در حالت جداشده از شبکه می‌باشد، اعمال شده و نتایج آن با کنترل‌کننده فازی PID ساختار ثابت مقایسه شده است. شبیه‌سازی‌ها به ازای مقادیر مختلف تاخیرزمانی برتری روش پیشنهادی را در مواجهه با تاخیرزمانی و تغییر در بار درخواستی را نشان داده و با کیفیت مناسبی تغییرات فرکانس را به صفر رسانده است. پرونده مقاله

Orifice flow meter is one of the most common devices in industry which is used for measuring the gas flow. This system includes an orifice plate, temperature and pressure transmitters, and a flow computer. The flow computer is used for collecting information related to temperature, pressure, and their differences under various conditions. Also the flow computer can calculate the flow rate of gas at the standard conditions. Relations used in the flow computer are quite complex and nonlinear and also measurement noise can affect this device easily. Moreover, it needs calibration at different times which is expensive. To replace the flow computer, in this paper, a type-2 fuzzy neural network (T2FNN) has been utilized to calculate the gas flow. The temperature, pressure, and pressure differences are used on either side of the orifice as the inputs of T2FNN and it considers the flow of gas as output. In this paper, the particle swarm optimization (PSO) algorithm has been utilized to train the antecedent and consequent parameters of T2FNN. Using some simulations, it has been shown that the designed T2FNN can measure the flow of gas much better than the type-1 fuzzy neural network (T1FNN) in the presence of a high level of measurement noise. پرونده مقاله