CN106499583A - 基于rbf神经网络技术的风力发电机组系统辨识方法 - Google Patents
基于rbf神经网络技术的风力发电机组系统辨识方法 Download PDFInfo
- Publication number
- CN106499583A CN106499583A CN201610891035.8A CN201610891035A CN106499583A CN 106499583 A CN106499583 A CN 106499583A CN 201610891035 A CN201610891035 A CN 201610891035A CN 106499583 A CN106499583 A CN 106499583A
- Authority
- CN
- China
- Prior art keywords
- output
- wind power
- power generating
- rbf
- generating set
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 35
- 230000001537 neural effect Effects 0.000 title claims abstract description 25
- 238000005516 engineering process Methods 0.000 title claims abstract description 17
- 230000008569 process Effects 0.000 claims abstract description 14
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 12
- 230000000644 propagated effect Effects 0.000 claims abstract description 7
- 238000005070 sampling Methods 0.000 claims abstract description 7
- URWAJWIAIPFPJE-YFMIWBNJSA-N sisomycin Chemical compound O1C[C@@](O)(C)[C@H](NC)[C@@H](O)[C@H]1O[C@@H]1[C@@H](O)[C@H](O[C@@H]2[C@@H](CC=C(CN)O2)N)[C@@H](N)C[C@H]1N URWAJWIAIPFPJE-YFMIWBNJSA-N 0.000 claims abstract description 5
- 239000011229 interlayer Substances 0.000 claims abstract description 4
- 238000012935 Averaging Methods 0.000 claims abstract 2
- 239000010410 layer Substances 0.000 claims description 37
- 230000006870 function Effects 0.000 claims description 18
- 210000002569 neuron Anatomy 0.000 claims description 13
- 230000005284 excitation Effects 0.000 claims description 4
- 230000005540 biological transmission Effects 0.000 claims description 3
- 241000208340 Araliaceae Species 0.000 claims 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 claims 1
- 235000003140 Panax quinquefolius Nutrition 0.000 claims 1
- 235000008434 ginseng Nutrition 0.000 claims 1
- 238000004364 calculation method Methods 0.000 abstract description 4
- 238000013178 mathematical model Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000001351 cycling effect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000012850 discrimination method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000011017 operating method Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000005086 pumping Methods 0.000 description 1
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F03—MACHINES OR ENGINES FOR LIQUIDS; WIND, SPRING, OR WEIGHT MOTORS; PRODUCING MECHANICAL POWER OR A REACTIVE PROPULSIVE THRUST, NOT OTHERWISE PROVIDED FOR
- F03D—WIND MOTORS
- F03D7/00—Controlling wind motors
- F03D7/02—Controlling wind motors the wind motors having rotation axis substantially parallel to the air flow entering the rotor
- F03D7/022—Adjusting aerodynamic properties of the blades
- F03D7/0224—Adjusting blade pitch
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F03—MACHINES OR ENGINES FOR LIQUIDS; WIND, SPRING, OR WEIGHT MOTORS; PRODUCING MECHANICAL POWER OR A REACTIVE PROPULSIVE THRUST, NOT OTHERWISE PROVIDED FOR
- F03D—WIND MOTORS
- F03D7/00—Controlling wind motors
- F03D7/02—Controlling wind motors the wind motors having rotation axis substantially parallel to the air flow entering the rotor
- F03D7/0276—Controlling wind motors the wind motors having rotation axis substantially parallel to the air flow entering the rotor controlling rotor speed, e.g. variable speed
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F03—MACHINES OR ENGINES FOR LIQUIDS; WIND, SPRING, OR WEIGHT MOTORS; PRODUCING MECHANICAL POWER OR A REACTIVE PROPULSIVE THRUST, NOT OTHERWISE PROVIDED FOR
- F03D—WIND MOTORS
- F03D7/00—Controlling wind motors
- F03D7/02—Controlling wind motors the wind motors having rotation axis substantially parallel to the air flow entering the rotor
- F03D7/04—Automatic control; Regulation
- F03D7/042—Automatic control; Regulation by means of an electrical or electronic controller
- F03D7/043—Automatic control; Regulation by means of an electrical or electronic controller characterised by the type of control logic
- F03D7/046—Automatic control; Regulation by means of an electrical or electronic controller characterised by the type of control logic with learning or adaptive control, e.g. self-tuning, fuzzy logic or neural network
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/70—Wind energy
- Y02E10/72—Wind turbines with rotation axis in wind direction
Abstract
一种基于RBF神经网络技术的风力发电机组系统辨识方法,包括以下步骤:步骤1获取系统辨识所需数据:根据风力发电机组系统特性,获取辨识所需的输入数据、输出数据;采样时间选取系统内部采样时间;转矩环辨识时输入信号为发电机转矩Tg,桨距环辨识时为桨叶节距角β,输出数据为发电机转速Ω;步骤2基于RBF技术进行系统辨识,描述风力发电机组系统,将转矩环或者桨距环设为非线性SISO系统,采用非线性扩展自回归华东平均模型NARMAX描述,RBF神经网络训练过程如下:信号前向传播:计算RBF神经网络的输出;误差反向传播:采用δ学习算法,调整RBF网络各层间的权值。本发明具有良好的运算速度和较低的计算量、稳定性较好。
Description
技术领域
本发明涉及风力发电、非线性系统辨识以及智能控制技术领域,具体涉及一种基于RBF神经网络技术的系统辨识方法。
背景技术
风力发电机组系统是复杂的非线性时变系统,很难获得系统精确的数学模型。当系统工况发生变化时,常规线性模型的控制系统的控制效果会降低,甚至影响整个系统的正常运行。因此,建立系统的精确模型,为优化风电机提供理论基础,具有重要意义。
要建立风力发电机组系统模型,解决方案是采用机理建模方法、非线性系统辨识方法。采用机理建模方法,即利用各种数学方程来描述风力发电机组系统,具体是在已知风电机固有参数(升力系数,阻力系数,桨叶弦长,安装角等等)的条件下,输入相关参数(风角速度、风速、可调桨距角等),再根据复杂的能量转换和空气动力学原理进行一系列的复杂公式推导和简化条件得到,该方法操作复杂且得到的数学模型由于经过了条件简化,其与实际工况下的模型会有较大差距。非线性系统辨识方法,增加激励信号,采用各种智能算法对非线性系统进行在线或离线辨识,该方法理论成熟,操作简单,目前在其他控制领域得到了广泛的应用。
发明内容
为了克服已有风力发电机组系统辨识方法的操作复杂、计算量较大、运算速度较慢、稳定性较差的不足,本发明提供一种简化操作、具有良好的运算速度和较低的计算量、稳定性较好的基于RBF(Radical Basis Function)神经网络技术的风力发电机组系统辨识方法。
本发明解决其技术问题所采用的技术方案是:
一种基于RBF神经网络技术的风力发电机组系统辨识方法,所述方法包括以下步骤:
步骤1.系统辨识所需数据的获取:
根据风力发电机组系统特性,获取辨识所需的输入数据、输出数据;采样时间选取系统内部采样时间;转矩环辨识时输入信号为发电机转矩Tg,桨距环辨识时输入信号为桨叶节距角β,输出数据为发电机转速Ω;
步骤2.基于RBF技术进行系统辨识:
风力发电机组系统描述如下:
y(t)=G(p,q-1)u(t)+v(t) (1)
其中,G为系统的传递函数,u(t),y(t)分别为系统输入输出;v(t)为噪声信号,其均值为零,方差为有限值;q-1、为单位延迟控制器;p为调度参数,na,nb分别为输入输出阶数,表征系统工作状态,且设定其区间跨度为[pmin,pmax];ai,bi为传递函数分母多项式A(p,q-1)、分子多项式B(p,q-1)的系数,1≤i≤na,1≤j≤nb,na≤nb,i,j,na,nb均为自然数;
将转矩环或者桨距环设为非线性SISO系统,采用如下非线性扩展自回归华东平均模型NARMAX描述:
y(k)=f(y(k-1),…y(k-ny);u(k-1),…u(k-nu)) (2)
u(·),y(·)分别为系统输入输出;nu,ny分别为输入输出阶数;f(·)表示系统输入与输出之间的非线性关系;
设定RBF辨识过程中的径向函数为Rj(x),j=1,2,…m;
RBF神经网络的输入为:
x=[x1(k),x2(k),…xn(k)]T=[y(k-1),…y(k-ny);u(k-1),…u(k-nu)]T (3)
其中,n为输入节点个数(n=ny+nu+1)
RBF神经网络输出为ym(k);
隐含层的激励函数取高斯基函数,即:
其中,cj为第j个基函数的中心点,且cj=[cj1,cj2,…cjn]T,bj是一个可以自由选择的参数,它决定该基函数围绕中心点的宽度,m为隐含层节点个数。
进一步,RBF神经网络训练过程如下::2.1)信号前向传播:计算RBF神经网络的输出;2.2)误差反向传播:采用δ学习算法,调整RBF网络各层间的权值。
再进一步,所述步骤2.1)中,信号前向传播的过程如下:
输入层神经元的输出为x=[x1(k),x2(k),…xn(k)]T,而由式4知,隐含层神经元的输出为
输出层神经元的输出为
其中,ωj(k-1)为(k-1)时刻第j个隐含层神经元至输出层神经元的权值;
用于训练RBF网络的误差为
e(k)=y(k)-ym(k) (7)
其中,y(k)为实际输出,ym(k)为模型输出。
取性能指标为
更进一步,所述步骤2.2)中,误差反向传播的过程如下:
a)隐含层至输出层的权值ωj:
由式(7)和式(8)得
由式(9)和式(6)得
则隐含层至输出层的权值ωj(k)的学习算法为:
ωj(k)=ωj(k-1)+Δωj(k)+α(ωj(k-1)-ωj(k-2)) (11b)
其中,η为学习速率(η>0),α为动量项因子(α∈[0,1))。
隐含层高斯基函数参数bj(k)和cji(k):
由式(9)和式(6)得
则由式(12)和(3)得
则bj(k)、cji(k)的学习算法为
bj(k)=bj(k-1)+Δbj(k)+α(bj(k-1)-bj(k-2)) (15b)
cji(k)=cji(k-1)+Δcji(k)+α(cji(k-1)-cji(k-2)) (16b)。
本发明针对风力发电机组系统由风能捕获经过传动系统最后到发电机转速这一过程。对系统输入为发电机转矩或桨距,系统输出为发电机转速的模型进行辨识,提出一种结构较简单的系统辨识方法。本发明的对象变速变桨风力发电机组,分别进行桨距环辨识和转矩环辨识。转环辨识,系统输入为发电机转矩Tg,输出为发电机转速Ω;桨距环辨识,系统输入为桨叶节距角β,输出为发电机转速Ω。针对转矩环或者桨距环,系统可看作是非线性SISO系统,该系统采用非线性扩展自回归滑动模型(NARMAX),输入分别为发电机转矩和桨叶节距角β,输出为发电机转速,系统使用的激励函数为RBF基函数。
本发明有益效果如下:本发明算法简单,容易实施,具有良好的运行速度和较低的计算量,模型性能及稳定性能够得到保证。
附图说明
图1为变桨变速风力发电机组系统结构示意图。
图2为RBF神经网络结构图。
图3为基于RBF神经网络技术的风电机组辨识结构示意图。
具体实施方式
下面结合附图内容对本发明做进一步说明。
参照图1~图3,一种基于RBF神经网络技术的风力发电机组系统辨识方法,所述方法包括以下步骤:
步骤1.系统辨识所需数据的获取:
根据风力发电机组系统特性,获取辨识所需的输入数据、输出数据;采样时间选取系统内部采样时间;转矩环辨识时输入信号为发电机转矩Tg,桨距环辨识时输入信号为桨叶节距角β,输出数据为发电机转速Ω;
步骤2.基于RBF技术进行系统辨识:
风力发电机组系统描述如下:
y(t)=G(p,q-1)u(t)+v(t) (1)
其中,G为系统的传递函数,u(t),y(t)分别为系统输入输出;v(t)为噪声信号,其均值为零,方差为有限值;q-1、为单位延迟控制器;p为调度参数,na,nb分别为输入输出阶数,表征系统工作状态,且设定其区间跨度为[pmin,pmax];ai,bi为传递函数分母多项式A(p,q-1)、分子多项式B(p,q-1)的系数,1≤i≤na,1≤j≤nb,na≤nb,i,j,na,nb均为自然数;
将转矩环或者桨距环设为非线性SISO系统,采用如下非线性扩展自回归华东平均模型NARMAX描述:
y(k)=f(y(k-1),…y(k-ny);u(k-1),…u(k-nu)) (2)
u(·),y(·)分别为系统输入输出;nu,ny分别为输入输出阶数;f(·)表示系统输入与输出之间的非线性关系;
设定RBF辨识过程中的径向函数为Rj(x),j=1,2,…m;
RBF神经网络的输入为:
x=[x1(k),x2(k),…xn(k)]T=[y(k-1),…y(k-ny);u(k-1),…u(k-nu)]T (3)
其中,n为输入节点个数(n=ny+nu+1)
RBF神经网络输出为ym(k);
隐含层的激励函数取高斯基函数,即:
其中,cj为第j个基函数的中心点,且cj=[cj1,cj2,…cjn]T,bj是一个可以自由选择的参数,它决定该基函数围绕中心点的宽度,m为隐含层节点个数。
进一步,RBF神经网络训练过程如下::2.1)信号前向传播:计算RBF神经网络的输出;2.2)误差反向传播:采用δ学习算法,调整RBF网络各层间的权值。
再进一步,所述步骤2.1)中,信号前向传播的过程如下:
输入层神经元的输出为x=[x1(k),x2(k),…xn(k)]T,而由式4知,隐含层神经元的输出为
输出层神经元的输出为
其中,ωj(k-1)为(k-1)时刻第j个隐含层神经元至输出层神经元的权值;
用于训练RBF网络的误差为
e(k)=y(k)-ym(k) (7)
其中,y(k)为实际输出,ym(k)为模型输出。
取性能指标为
更进一步,所述步骤2.2)中,误差反向传播的过程如下:
b)隐含层至输出层的权值ωj:
由式(7)和式(8)得
由式(9)和式(6)得
则隐含层至输出层的权值ωj(k)的学习算法为:
ωj(k)=ωj(k-1)+Δωj(k)+α(ωj(k-1)-ωj(k-2)) (11b)
其中,η为学习速率(η>0),α为动量项因子(α∈[0,1))。
隐含层高斯基函数参数bj(k)和cji(k):
由式(9)和式(6)得
则由式(12)和(3)得
则bj(k)、cji(k)的学习算法为
bj(k)=bj(k-1)+Δbj(k)+α(bj(k-1)-bj(k-2))(15b)
cji(k)=cji(k-1)+Δcji(k)+α(cji(k-1)-cji(k-2)) (16b)。
本实施例的风力发电机组系统辨识方法的操作步骤如下:
设定已知非线性结构参数(ny、nu)
Step1输入初始数据,设置RBF网络参数初值bj(0)、cji(0)、ωj(0)以及调节参数,如隐含层神经元个数m,学习速率η、动量项因子α等
Step2采样实际系统输出y(k)(发电机的转速),并由式(5)和式(6)计算当前网络输出ym(k);
Step3利用式(11a)、式(15a)以及式(16a)计算网络参数增量Δωj(k)、Δbj(k)和Δcji(k);
Step4利用式(11b)、式(15b)以及式(16b)计算网络参数增量ωj(k)、bj(k)和cji(k);
Step5返回Step2(k→k+1),继续循环。
Claims (4)
1.一种基于RBF神经网络技术的风力发电机组系统辨识方法,其特征在于:所述方法包括以下步骤:
步骤1.系统辨识所需数据的获取:
根据风力发电机组系统特性,获取辨识所需的输入数据、输出数据;采样时间选取系统内部采样时间;转矩环辨识时输入信号为发电机转矩Tg,桨距环辨识时输入信号为桨叶节距角β,输出数据为发电机转速Ω;
步骤2.基于RBF技术进行系统辨识:
风力发电机组系统描述如下:
y(t)=G(p,q-1)u(t)+v(t) (1)
其中,G为系统的传递函数,u(t),y(t)分别为系统输入输出;v(t)为噪声信号,其均值为零,方差为有限值;q-1、为单位延迟控制器;p为调度参数,na,nb分别为输入输出阶数,表征系统工作状态,且设定其区间跨度为[pmin,pmax];ai,bi为传递函数分母多项式A(p,q-1)、分子多项式B(p,q-1)的系数,1≤i≤na,1≤j≤nb,na≤nb,i,j,na,nb均为自然数;
将转矩环或者桨距环设为非线性SISO系统,采用如下非线性扩展自回归华东平均模型NARMAX描述:
y(k)=f(y(k-1),…y(k-ny);u(k-1),…u(k-nu)) (2)
u(·),y(·)分别为系统输入输出;nu,ny分别为输入输出阶数;f(·)表示系统输入与输出之间的非线性关系;
设定RBF辨识过程中的径向函数为Rj(x),j=1,2,…m;
RBF神经网络的输入为:
x=[x1(k),x2(k),…xn(k)]T=[y(k-1),…y(k-ny);u(k-1),…u(k-nu)]T (3)
其中,n为输入节点个数(n=ny+nu+1)
RBF神经网络输出为ym(k);
隐含层的激励函数取高斯基函数,即:
其中,cj为第j个基函数的中心点,且cj=[cj1,cj2,…cjn]T,bj是一个可以自由选择的参数,它决定该基函数围绕中心点的宽度,m为隐含层节点个数。
2.如权利要求1所述的一种基于RBF神经网络技术的风力发电机组系统辨识方法,其特征在于:RBF神经网络训练过程如下::2.1)信号前向传播:计算RBF神经网络的输出;2.2)误差反向传播:采用δ学习算法,调整RBF网络各层间的权值。
3.如权利要求2所述的一种基于RBF神经网络技术的风力发电机组系统辨识方法,其特征在于:所述步骤2.1)中,信号前向传播的过程如下:
输入层神经元的输出为x=[x1(k),x2(k),…xn(k)]T,而由式4知,隐含层神经元的输出为
输出层神经元的输出为
其中,ωj(k-1)为(k-1)时刻第j个隐含层神经元至输出层神经元的权值;
用于训练RBF网络的误差为
e(k)=y(k)-ym(k) (7)
其中,y(k)为实际输出,ym(k)为模型输出;
取性能指标为
4.如权利要求3所述的一种基于RBF神经网络技术的风力发电机组系统辨识方法,其特征在于:所述步骤2.2)中,误差反向传播的过程如下:
a)隐含层至输出层的权值ωj:
由式(7)和式(8)得
由式(9)和式(6)得
则隐含层至输出层的权值ωj(k)的学习算法为:
ωj(k)=ωj(k-1)+Δωj(k)+α(ωj(k-1)-ωj(k-2)) (11b)
其中,η为学习速率(η>0),α为动量项因子(α∈[0,1));
隐含层高斯基函数参数bj(k)和cji(k):
由式(9)和式(6)得
则由式(12)和(3)得
则bj(k)、cji(k)的学习算法为
bj(k)=bj(k-1)+Δbj(k)+α(bj(k-1)-bj(k-2)) (15b)
cji(k)=cji(k-1)+Δcji(k)+α(cji(k-1)-cji(k-2)) (16b)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610891035.8A CN106499583B (zh) | 2016-10-13 | 2016-10-13 | 基于rbf神经网络技术的风力发电机组系统辨识方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610891035.8A CN106499583B (zh) | 2016-10-13 | 2016-10-13 | 基于rbf神经网络技术的风力发电机组系统辨识方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106499583A true CN106499583A (zh) | 2017-03-15 |
CN106499583B CN106499583B (zh) | 2019-03-05 |
Family
ID=58294982
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610891035.8A Active CN106499583B (zh) | 2016-10-13 | 2016-10-13 | 基于rbf神经网络技术的风力发电机组系统辨识方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106499583B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108223274A (zh) * | 2017-12-04 | 2018-06-29 | 重庆邮电大学 | 基于优化rbf神经网络的大型风力机变桨距系统辨识方法 |
CN108879786A (zh) * | 2018-08-15 | 2018-11-23 | 浙江运达风电股份有限公司 | 风力发电机组主要部件频率及阻尼比的辨识方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103942620A (zh) * | 2014-04-18 | 2014-07-23 | 国家电网公司 | 采用复合数据源基于径向基核函数支持向量机的风电功率短期预测方法 |
CN104484833A (zh) * | 2014-12-02 | 2015-04-01 | 常州大学 | 基于遗传学算法改进的rbf-bp神经网络的光伏发电输出功率追踪算法 |
CN105545595A (zh) * | 2015-12-11 | 2016-05-04 | 重庆邮电大学 | 基于径向基神经网络的风力机反馈线性化功率控制方法 |
CN105626378A (zh) * | 2016-01-13 | 2016-06-01 | 湖南世优电气股份有限公司 | 基于rbf神经网络的大型风电机组独立变桨控制方法 |
CN105673325A (zh) * | 2016-01-13 | 2016-06-15 | 湖南世优电气股份有限公司 | 基于rbf神经网络pid的风电机组独立变桨控制方法 |
-
2016
- 2016-10-13 CN CN201610891035.8A patent/CN106499583B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103942620A (zh) * | 2014-04-18 | 2014-07-23 | 国家电网公司 | 采用复合数据源基于径向基核函数支持向量机的风电功率短期预测方法 |
CN104484833A (zh) * | 2014-12-02 | 2015-04-01 | 常州大学 | 基于遗传学算法改进的rbf-bp神经网络的光伏发电输出功率追踪算法 |
CN105545595A (zh) * | 2015-12-11 | 2016-05-04 | 重庆邮电大学 | 基于径向基神经网络的风力机反馈线性化功率控制方法 |
CN105626378A (zh) * | 2016-01-13 | 2016-06-01 | 湖南世优电气股份有限公司 | 基于rbf神经网络的大型风电机组独立变桨控制方法 |
CN105673325A (zh) * | 2016-01-13 | 2016-06-15 | 湖南世优电气股份有限公司 | 基于rbf神经网络pid的风电机组独立变桨控制方法 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108223274A (zh) * | 2017-12-04 | 2018-06-29 | 重庆邮电大学 | 基于优化rbf神经网络的大型风力机变桨距系统辨识方法 |
CN108223274B (zh) * | 2017-12-04 | 2019-11-12 | 重庆邮电大学 | 基于优化rbf神经网络的大型风力机变桨距系统辨识方法 |
CN108879786A (zh) * | 2018-08-15 | 2018-11-23 | 浙江运达风电股份有限公司 | 风力发电机组主要部件频率及阻尼比的辨识方法及装置 |
CN108879786B (zh) * | 2018-08-15 | 2020-11-13 | 浙江运达风电股份有限公司 | 风力发电机组主要部件频率及阻尼比的辨识方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN106499583B (zh) | 2019-03-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106224162B (zh) | 风电机组的载荷模型建立方法及载荷控制方法 | |
CN106979126B (zh) | 基于svr的风力发电机组高风速段有效风速估计方法 | |
Sami et al. | Sensorless fractional order composite sliding mode control design for wind generation system | |
Bossoufi et al. | Backstepping control of DFIG generators for wide-range variable-speed wind turbines | |
CN106499581B (zh) | 一种考虑变化湍流风况的风力机自适应转矩控制方法 | |
CN107045574B (zh) | 基于svr的风力发电机组低风速段有效风速估计方法 | |
EP2541052B1 (en) | Controlling a wind turbine using a neural network function | |
CN109737008A (zh) | 风电机组智能变桨控制系统及方法、风电机组 | |
CN111608868A (zh) | 风力发电系统最大功率跟踪自适应鲁棒控制系统及方法 | |
CN105673322A (zh) | 实现风力机mppt控制的变参数非线性反馈控制方法 | |
CN107061164A (zh) | 一种考虑执行机构不确定的风机变桨距滑模自适应控制方法 | |
CN103758699A (zh) | 一种风力发电机组的桨距角控制方法及桨距角控制器 | |
CN106499583B (zh) | 基于rbf神经网络技术的风力发电机组系统辨识方法 | |
Dadone et al. | Estimator based adaptive fuzzy logic control technique for a wind turbine–generator system | |
CN103362741B (zh) | 基于adaline技术的风力发电机组系统辨识方法 | |
CN102900603A (zh) | 基于有限时间非脆/保成本稳定的风电机组变桨距控制器设计方法 | |
Brown et al. | Rapidly recovering wind turbine wakes with dynamic pitch and rotor speed control | |
Asghar et al. | Online estimation of wind turbine tip speed ratio by adaptive neuro-fuzzy algorithm | |
CN116123029A (zh) | 一种桨距角控制方法、装置、电子设备及风电机组 | |
Yang et al. | Fuzzy PID control of induction generators | |
CN105402087A (zh) | 风电机组变桨距切换控制方法 | |
Wang et al. | ANN based pitch angle controller for variable speed variable pitch wind turbine generation system | |
EP4115079B1 (en) | Control method and device of a wind park | |
CN114094896A (zh) | 一种永磁同步电机的自构式t-s型模糊神经网络控制方法 | |
Naba et al. | Optimal control of variable-speed wind energy conversion system based on fuzzy model power curve |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |