Application of Neural Network Technique with LabVEIW Program in Mathematical Modeling of 1.2 kW Proton Exchange Membrane Fuel Cell

Abstract

This thesis presents a technique for modeling a proton exchange membrane fuel cell system (PEMFC) through an artificial neural networks (ANN) method with LabVIEW to estimate the voltage of PEMFC fuel cells. Multiple Linear Regression (MLR) equations and Analytical Mathematics Models (AMM) are used to compare the predictive accuracy of the ANN method. By studying the working system of the PEMFC fuel cell and the variables that affect the operation of the fuel cell. Develop a PEMFC model using the ANN method within the LabVIEW program. Test the voltage estimation produced by the ANN model, compare it with the results from the MLR and AMM methods, and analyze the accuracy of the estimation by evaluating the Loss Function. The analysis results indicate that the ANN method exhibited the lowest error when compared to the MLR and AMM methods. This is because the mean absolute error (MAE) of ANN, MLR, and AMM are 0.443, 0.665, and 1.512, respectively, and the model accuracy test results (R-square) of ANN, MLR, and AMM are 0.982, 0.964, and 0.802. Therefore, the study concluded that the artificial neural network (ANN) method is more accurate in estimation compared to other methods.

วิทยานิพนธ์ฉบับนี้เป็นการนำเสนอเทคนิคในการสร้างแบบจำลองระบบเซลล์เชื้อเพลิงชนิดเยื่อแลกเปลี่ยนโปรตอน (PEMFC) ผ่านวิธีการแบบโครงข่ายประสาทเทียม (Artificial Neural Networks: ANN) ด้วยโปรแกรม LabVIEW เพื่อประมาณการค่าแรงดันไฟฟ้าของเซลล์เชื้อเพลิงชนิด PEMFC และเพื่อให้เห็นถึงความแม่นยำในการประมาณการของวิธีการ ANN จึงนำเสนอการใช้งาน สมการถดถอยพหุคูณ (Multiple Linear Regression: MLR) และแบบจำลองเชิงวิเคราะห์ (Analytical Mathematics Model: AMM) เพื่อเปรียบเทียบความแม่นยำในการประมาณการด้วยวิธี ANN. โดยทำการศึกษาระบบการทำงานของเซลล์เชื้อเพลิง PEMFC เเละตัวแปรที่มีผลกระทบต่อการทำงานของเซลล์เชื้อเพลิง ทำการออกแบบและสร้างแบบจำลอง PEMFC ด้วยวิธีการ ANN ด้วยโปรแกรม LabVIEW ทดสอบการประมาณการค่าแรงดันไฟฟ้าของแบบจำลอง ANN เปรียบเทียบกับวิธีการ MLR และ AMM และทำการวิเคราะห์หาค่าความแม่นยำของการประมาณการด้วยฟังก์ชันการสูญเสีย Loss Function ผลที่ได้จากการวิเคราะห์พบว่า วิธีการแบบ ANN มีความคลาดเคลื่อนต่ำที่สุดเมื่อเทียบกับวิธีการแบบ MLR และ AMM เนื่องจากค่าความคลาดเคลื่อนเฉลี่ยสัมบูรณ์ (MAE) ของ ANN, MLR และ AMM คือ 0.443 , 0.665, 1.512 ตามละดับ และผลการทดสอบความแม่นยำของแบบจำลอง (R-square) ของ ANN, MLR และ AMM คือ 0.982, 0.964, 0.802 ตามลำดับ ดังนั้นจึงสรุปได้ว่าวิธีการแบบโครงข่ายประสาทเทียม (ANN) มีความแม่นยำในการประมาณการมากกว่าเมื่อเทียบกับวิธีการอื่น ๆ