كنترل نظارتي مبتني بر نقشه‌هاي شناختي فازي براي يك سيستم ديناميكي، مورد مطالعاتي: مديريت انرژي در يك خودروي هيبريد برقي پلاگين

Supervisory Control Based on Fuzzy Cognitive Maps for a Dynamic System, Case Study: Energy Management in a Plug-in Hybrid Electric Vehicle

در اين مقاله يك استراتژي جديد كنترلي مبتني بر نقشه‌هاي شناختي فازي به‌منظور طراحي يك كنترل‌كنندة نظارتي براي يك سيستم پيچيده ارائه شده است. اين كنترل‌كنندة نظارتي به‌گونه‌اي طراحي شده است تا سيگنال‌هاي مرجع لازم را براي كنترل‌كننده‌هاي محلي استفاده‌شده در بخش‌هاي مختلف سيستم پيچيده فراهم كند. طراحي كنترل‌كنندة نظارتي پيشنهادي شامل دو بخش است: 1- ابتدا براساس روابط علت و معلولي بين اجزاي مختلف سيستم پيچيده، يك نقشة شناختي فازي اوليه پايه‌ريزي مي‌شود. 2- سپس با توجه به نيازهاي كنترلي مفاهيم جديدي به اين نقشة شناختي اضافه مي‌شود و ارتباط بين اين مفاهيم جديد و مفاهيم نقشة شناختي فازي اوليه براساس يك شاخص عملكردي بهينه مي‌شود. استراتژي كنترلي پيشنهادي براي مديريت انرژي در يك خودروي هيبريد پلاگين برقي از نوع سري‌موازي استفاده شده است. نتايج حاصل از شبيه‌سازي نشان مي‌دهند استراتژي كنترلي پيشنهادي، در مقايسه با كنترل‌كنندة فازي مرسوم، عملكرد بهتري در برآورده‌شدن اهداف كنترلي براي يك سيستم پچيده دارد.

In this paper, a new control strategy based on Fuzzy Cognitive Maps (FCMs) in order to design a supervisory controller for a complex system is presented. This supervisory controller is designed to provide reference signals needed for local controllers used in different sections of complex system. Designing of proposed supervisory controller consists of two part: 1- First, a basic FCM is constructed based on the cause and effect relationships between various components of the complex system, 2- Then, according to the control needs, new concepts are added to this cognitive map, and the relationship between these new concepts and the concepts of the primary fuzzy cognitive map is optimized based on a functional index. The proposed control approach is applied to energy management of a series-parallel plug-in hybrid electric vehicle problem. The simulation results show that the proposed control strategy has a better performance in satisfying the control objectives for a complex system than the conventional fuzzy controller.