CN109298747A - 基于iiwo优化的smesc风电系统mppt方法 - Google Patents
基于iiwo优化的smesc风电系统mppt方法 Download PDFInfo
- Publication number
- CN109298747A CN109298747A CN201811101073.4A CN201811101073A CN109298747A CN 109298747 A CN109298747 A CN 109298747A CN 201811101073 A CN201811101073 A CN 201811101073A CN 109298747 A CN109298747 A CN 109298747A
- Authority
- CN
- China
- Prior art keywords
- smesc
- seed
- weeds
- fitness value
- algorithm
- 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 20
- 238000005457 optimization Methods 0.000 title claims abstract description 19
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 46
- 241000196324 Embryophyta Species 0.000 claims abstract description 40
- 238000004364 calculation method Methods 0.000 claims abstract description 5
- 238000009415 formwork Methods 0.000 claims description 7
- 238000009395 breeding Methods 0.000 claims description 3
- 230000001488 breeding effect 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
- 230000008859 change Effects 0.000 description 6
- 230000010355 oscillation Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 230000004044 response Effects 0.000 description 5
- 238000004088 simulation Methods 0.000 description 5
- 239000012791 sliding layer Substances 0.000 description 4
- 230000005611 electricity Effects 0.000 description 2
- 230000002829 reductive effect Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000001052 transient effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002860 competitive effect Effects 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 230000009545 invasion Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05F—SYSTEMS FOR REGULATING ELECTRIC OR MAGNETIC VARIABLES
- G05F1/00—Automatic systems in which deviations of an electric quantity from one or more predetermined values are detected at the output of the system and fed back to a device within the system to restore the detected quantity to its predetermined value or values, i.e. retroactive systems
- G05F1/66—Regulating electric power
- G05F1/67—Regulating electric power to the maximum power available from a generator, e.g. from solar cell
-
- 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
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
- F05B—INDEXING SCHEME RELATING TO WIND, SPRING, WEIGHT, INERTIA OR LIKE MOTORS, TO MACHINES OR ENGINES FOR LIQUIDS COVERED BY SUBCLASSES F03B, F03D AND F03G
- F05B2270/00—Control
- F05B2270/10—Purpose of the control system
- F05B2270/103—Purpose of the control system to affect the output of the engine
- F05B2270/1033—Power (if explicitly mentioned)
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
- F05B—INDEXING SCHEME RELATING TO WIND, SPRING, WEIGHT, INERTIA OR LIKE MOTORS, TO MACHINES OR ENGINES FOR LIQUIDS COVERED BY SUBCLASSES F03B, F03D AND F03G
- F05B2270/00—Control
- F05B2270/70—Type of control algorithm
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Sustainable Development (AREA)
- Sustainable Energy (AREA)
- Automation & Control Theory (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Combustion & Propulsion (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Mechanical Engineering (AREA)
- Chemical & Material Sciences (AREA)
- Power Engineering (AREA)
- Electromagnetism (AREA)
- Radar, Positioning & Navigation (AREA)
- Wind Motors (AREA)
Abstract
本发明涉及一种基于IIWO优化的SMESC风电系统MPPT方法，包括：初始化入侵杂草算法参数；将随机生成的初始解Kp和ρs代入搭建好的Simulink模型，计算每株杂草所对应的适应度值,同时SMESC输出风机控制量，反馈当前代中的最优转速用于风机最大功率追踪；对适应度值进行排序，选取最大种群数目所允许的种子数进行繁殖更新产生子代种子；根据适应度值计算每株杂草所产生的种子数；将子代杂草种子位置信息代入SMESC参数优化模型，输出并产生新的控制量和子代种子适应度值；判断是否满足终止条件，若满足，则输出最优Kp和ρs，所对应的功率则位风机输出最大功率。
Description
技术领域
本发明属于新能源风力发电技术领域，涉及一种最大功率追踪方法。
背景技术
由于风力发电机的非线性特性，通常需要采用一定的控制策略来保证风机以最大功率输出，以提高风电系统的发电效率。风力发电机最大功率追踪(Maximum power pointtracking,MPPT)的常用控制方法有叶尖速比控制(Tip Speed Ratio,TSR)、极值搜索法(Extremum Seeking Control,ESC)、爬山搜索算法(Hill-climbing Search，HCS)和模糊推理最优梯度法等。TSR控制需要实时精确地测量风速，而传感器的加入会增加风电系统结构的复杂程度，风速的随机性及可变性使得其在实际控制中较难实现；HCS算法简单、易于实现，但在风速急剧变化的情况下，控制参考信号会发生突变，从而导致算法控制性能变差；ESC同样具有原理简单计算量小的优点，但其工作原理决定了其在应用中不可避免地出现稳态振荡这一现象，极大地限制了算法的应用范围。模糊推理最优梯度法在不需要最大功率曲线和风速的情况下，采用步长呈指数倍形式增减的方式，自适应地对风电系统最大功率点进行跟踪，控制过程较复杂。滑模极值搜索控制(Sliding Mode Extremum SeekingControl,SMESC)控制方法将滑模(Sliding Mode,SM)与ESC相结合，无需获取风速信息和风机的模型参数等，避免了传统ESC控制中的微分环节，具有结构简单，响应快速的优点，但在实际应用中会因参数设置不当导致一定的稳态振荡而引起功率损失，降低风电系统的运行效率。因此，需要合理设置SMESC控制参数来保证最大功率追踪速度，又能减少稳态振幅的MPPT算法来提高风电系统的发电效率。
发明内容
本发明的目的是对现有的滑模极值算法进行优化，提供一种可以兼顾追踪速度和追踪精度，具有更好的动态和稳态响应的，使优化后的滑模极值算法MPPT方法，以减少风力发电系统的损耗，提高系统运行效率。技术方案如下：
一种基于IIWO优化的SMESC风电系统MPPT方法，基于入侵杂草算法，改进滑模极值搜索算法SMESC，进行参数优化，以兼顾追踪速度和精度，包括步骤如下：
1)初始化入侵杂草算法参数，包括设定迭代次数，初始种群大小，积分增益参数Kp和参数ρs解的范围参数；
2)将随机生成的初始解Kp和ρs代入搭建好的Simulink模型，按目标函数值计算每株杂草所对应的适应度值,同时SMESC输出风机控制量，反馈当前代中的最优转速用于风机最大功率追踪，其中e(τ)为SMESC算法控制信号在通过与Kp和ρs相关环节前后的差值；
3)对适应度值进行排序，选取最大种群数目所允许的种子数进行繁殖更新产生子代种子；
4)根据适应度值计算每株杂草所产生的种子数：其中f为当前杂草的适应度值，fmax和fmin分别是当前种群中杂草的最大和最小适应度值，seedmax和seedmin分别代表一株杂草所能产生种子的最大和最小数量；并根据定义的最优个体比例rbest＝Mbest/M调节杂草繁殖的种子数；
5)将子代杂草种子位置信息代入SMESC参数优化模型，输出并产生新的控制量和子代种子适应度值；
6)判断是否满足终止条件，若满足，则输出最优Kp和ρs，所对应的功率则位风机输出最大功率；若不满足终止条件，则返回步骤3)重新进行种群的繁殖更新，直到满足终止条件输出最优解。
本发明采用IIWO-SMESC算法来对风电系统进行控制，通过IIWO算法优化参数Kp和ρs以提高SMESC算法对系统的控制效率。仿真结果表明，本发明所采用的算法在不同速条件下都具有更好的瞬态和稳态响应，能够在简化系统结构的前提下兼顾追踪速度与精度，实现风电系统输出功率的最大化，如图1所示，具体有益效果如下：
(1)在较低风速条件下，IIWO-SMESC算法动态响应优于SMESC算法，能更快地追踪到最大功率点；并能在较高风速条件下保持较小的稳态振荡。
(2)在随机风速条件下，IIWO-SMESC算法的瞬态和稳态响应都优于HCS和SMESC算法。相比于SMESC算法，IIWO-SMESC能有效减少约66.04％的稳态振幅
优化后的算法不仅提高了系统的运行效率，同时转速振荡的减小有利于延长系统各部件的使用寿命，使IIWO-SMESC的应用更具实际意义。
附图说明
图1(a)IIWO算法对SMESC稳态精度的优化效果(b)不同恒定风速下三种优化算法振幅对比
图2风能系统结构图
图3 SMESC算法原理图
图4 SMESC极值搜索过程
图5优化过程流程图
图6阶跃风速变化情况
图7随机风速变化情况
具体实施方式
本发明提出改进杂草入侵算法对SMESC控制系统中的绝对积分误差IAE进行迭代计算，从而优化调节SMESC控制系统所需的积分增益参数Kp及ρs，以达到减小其稳态功率振荡幅度和功率损耗，提高风电系统运行效率的目的。通过比较HCS算法、ESC算法和IIWO-SMESC算法的仿真结果，验证了本发明所提控制算法的可行性和有效性。
SMESC算法假设目标函数y＝F(x)具有最大值，通过滑模运动，无论函数的梯度如何变化，输出y都会通过滑模运动被迫跟踪一个随时间递增的函数。滑动层的概念可用一个[-α,α]的三段函数表示，中间包括α＝0的-α<s<α区域，称为滑动层，α代表滑动层的厚度。SMESC采用滑动层的概念来代替ESC中的开关函数并获得了较好的高频率振荡抑制效果。图3是基于SMESC算法的风力发电系统控制框图，其中Kp,βs,ρs为SMESC算法的控制参数，均为正常数，sign为符号函数。图4为滑模极值搜索具体过程。其中开关函数s(t)被定义为：
s(t)＝y(t)-g(t) (1)
对方程两边同时求导得：
式中：Φ(x)为y对x的偏导数。
图4中δl和δr分别为δ左右邻域宽度，(x*,ymax)为极值点。较窄的δ邻域和较大的Kp可以加快工作点在δ邻域内的收敛速度。δ邻域宽度与ρs/Kp的值成正比，而系统的工作点在δ邻域外的收敛速度正比于ρs。
针对SMESC算法收敛速度与稳态精度对算法参数的要求相互矛盾的特点，本发明通过选取绝对误差积分IAE作为IIWO算法的优化目标函数，对SMESC参数进行协调优化，在兼顾收敛速度的同时减少稳态振荡。IAE定义如下：
IWO算法思想源于自然界杂草进化原理，通过模拟杂草种子的空间扩散、生长、繁殖和竞争性消亡四个基本过程实现。其中每株杂草产生种子个数的计算公式为：
式中：f为当前杂草的适应度值，fmax和fmin分别是当前种群中杂草的最大和最小适应度值，seedmax和seedmin分别代表一个杂草所能产生种子的最大和最小数量。
子代个体正态分布的标准差的计算公式为：
式中：iter为当前进化迭代次数；itermax为最大进化迭代次数；σcur为当前标准差；σinit和σfinal分别是初始和最终标准差，n为线性调和因子。
算法在迭代前期偏重种群的多样性，以避免陷入局部最优，但无法兼顾搜索时间。因此，本发明设计了基于最优个体比例调节种子数策略以加快收敛算法速度。当种群中最优个体达到一定数量时，可限定杂草只产生一个种子来进入局部寻优。最优个体指在当前种群中适应度值最优的个体，为此，定义最优个体比例rbest来调节杂草繁殖的种子数。
rbest＝Mbest/M (6)
式中M表示当前种群数量，Mbest表示当前种群中最优个体数量。通过反复试验得出：rbest在0.45～0.85之间能较好的平衡算法的寻优性能和收敛时间，本发明设定rbest为0.7。
本发明利用Matlab/Simulink设计了如图2所示的永磁同步电机风力发电系统，并对比了HCS、SMESC和IIWO-SMESC在突变风速和随机风速下风机最优转速的稳态振幅和追踪速度。参数优化具体流程如图5所示，通过Matlab编写IIWO算法程序，并对采用SMESC控制的风机仿真模型进行调用，计算绝对误差积分IAE作为返回值传递给IIWO算法，通过多次迭代寻优，最终在误差积分收敛时确定所对应的最优解。其中，IIWO算法参数如表1所示，风力发电系统基本参数和控制参数如表2所示。
表.1 IIWO算法参数
表2风电仿真系统基本参数
针对风力发电系统最大功率追踪速度和追踪精度，本发明模拟了不同风速条件下的追踪情况，分别为阶跃风速和随机风速。
其中，阶跃风速变化情况如图6所示，初始风速为5m/s，在0.25s时突变为6m/s，其最大功率追踪情况如图所示。
随机风速情况如图7所示，风速曲线由一系列正弦时间函数叠加而成，在此条件下分别对HCS、SMESC与IIWO-SMESC算法控制的风机仿真模型的最大输出功率进行追踪，并对比记录了3.5秒内风机最优转速的变化情况。
通过对仿真结果的分析，优化后的滑模极值搜索算法能在保证追踪速度的前提下，较小稳态振幅，具体结果如图1所示。
Claims (1)
1.一种基于IIWO优化的SMESC风电系统MPPT方法，基于入侵杂草算法，改进滑模极值搜索算法SMESC，进行参数优化，以兼顾追踪速度和精度，包括步骤如下：
1)初始化入侵杂草算法参数，包括设定迭代次数，初始种群大小，积分增益参数Kp和参数ρs解的范围参数；
2)将随机生成的初始解Kp和ρs代入搭建好的Simulink模型，按目标函数值计算每株杂草所对应的适应度值,同时SMESC输出风机控制量，反馈当前代中的最优转速用于风机最大功率追踪，其中e(τ)为SMESC算法控制信号在通过与Kp和ρs相关环节前后的差值；
3)对适应度值进行排序，选取最大种群数目所允许的种子数进行繁殖更新产生子代种子；
4)根据适应度值计算每株杂草所产生的种子数：其中f为当前杂草的适应度值，fmax和fmin分别是当前种群中杂草的最大和最小适应度值，seedmax和seedmin分别代表一株杂草所能产生种子的最大和最小数量；并根据定义的最优个体比例rbest＝Mbest/M调节杂草繁殖的种子数；
5)将子代杂草种子位置信息代入SMESC参数优化模型，输出并产生新的控制量和子代种子适应度值；
6)判断是否满足终止条件，若满足，则输出最优Kp和ρs，所对应的功率则位风机输出最大功率；若不满足终止条件，则返回步骤3)重新进行种群的繁殖更新，直到满足终止条件输出最优解。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811101073.4A CN109298747B (zh) | 2018-09-20 | 2018-09-20 | 基于iiwo优化的smesc风电系统mppt方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811101073.4A CN109298747B (zh) | 2018-09-20 | 2018-09-20 | 基于iiwo优化的smesc风电系统mppt方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109298747A true CN109298747A (zh) | 2019-02-01 |
| CN109298747B CN109298747B (zh) | 2020-06-05 |
Family
ID=65163784
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811101073.4A Expired - Fee Related CN109298747B (zh) | 2018-09-20 | 2018-09-20 | 基于iiwo优化的smesc风电系统mppt方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109298747B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110458478A (zh) * | 2019-08-23 | 2019-11-15 | 兰州理工大学 | 基于离散入侵杂草算法的作业车间调度方法 |
| CN111240188A (zh) * | 2020-01-16 | 2020-06-05 | 国网甘肃省电力公司电力科学研究院 | 一种生物质废弃物发酵热能控制系统及控制方法 |
| CN113464378A (zh) * | 2021-07-13 | 2021-10-01 | 南京理工大学 | 一种基于深度强化学习的提升风能捕获的转速跟踪目标优化方法 |
| US11875285B2 (en) | 2020-04-20 | 2024-01-16 | Guangzhou Metro Design & Research Inst. Co. Ltd. | Method for scheduling resource-constrained project by invasive weed optimization |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101604848A (zh) * | 2009-07-07 | 2009-12-16 | 东南大学 | 单级三相光伏并网系统的模糊滑模控制方法 |
| CN102477943A (zh) * | 2010-11-26 | 2012-05-30 | 惠州三华工业有限公司 | 智能型mppt风能控制器 |
| CN105179164A (zh) * | 2015-06-25 | 2015-12-23 | 江苏科技大学 | 基于t-s模糊模型的风能转换系统滑模控制方法及装置 |
| CN108229755A (zh) * | 2018-01-31 | 2018-06-29 | 天津大学 | 基于改进二进制入侵杂草优化算法的主动配电网网架规划 |
-
2018
- 2018-09-20 CN CN201811101073.4A patent/CN109298747B/zh not_active Expired - Fee Related
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101604848A (zh) * | 2009-07-07 | 2009-12-16 | 东南大学 | 单级三相光伏并网系统的模糊滑模控制方法 |
| CN102477943A (zh) * | 2010-11-26 | 2012-05-30 | 惠州三华工业有限公司 | 智能型mppt风能控制器 |
| CN105179164A (zh) * | 2015-06-25 | 2015-12-23 | 江苏科技大学 | 基于t-s模糊模型的风能转换系统滑模控制方法及装置 |
| CN108229755A (zh) * | 2018-01-31 | 2018-06-29 | 天津大学 | 基于改进二进制入侵杂草优化算法的主动配电网网架规划 |
Non-Patent Citations (2)
| Title |
|---|
| 石季英等: "基于改进PSO算法的光伏阵列MPPT研究", 《电气传动》 * |
| 黄锦成: "一种小型风电机组的优化最大功率点跟踪控制算法", 《电机与控制应用》 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110458478A (zh) * | 2019-08-23 | 2019-11-15 | 兰州理工大学 | 基于离散入侵杂草算法的作业车间调度方法 |
| CN111240188A (zh) * | 2020-01-16 | 2020-06-05 | 国网甘肃省电力公司电力科学研究院 | 一种生物质废弃物发酵热能控制系统及控制方法 |
| CN111240188B (zh) * | 2020-01-16 | 2023-04-25 | 国网甘肃省电力公司电力科学研究院 | 一种生物质废弃物发酵热能控制系统及控制方法 |
| US11875285B2 (en) | 2020-04-20 | 2024-01-16 | Guangzhou Metro Design & Research Inst. Co. Ltd. | Method for scheduling resource-constrained project by invasive weed optimization |
| CN113464378A (zh) * | 2021-07-13 | 2021-10-01 | 南京理工大学 | 一种基于深度强化学习的提升风能捕获的转速跟踪目标优化方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109298747B (zh) | 2020-06-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109298747A (zh) | 基于iiwo优化的smesc风电系统mppt方法 | |
| Xu et al. | Dynamic gain-tuning control (DGTC) approach for AGC with effects of wind power | |
| CN107689638B (zh) | 一种基于相轨迹分析的含风电电力系统暂态协调控制方法 | |
| CN108107720B (zh) | 基于状态空间分析的水轮机调速器参数整定方法及系统 | |
| CN108539760A (zh) | 一种基于群灰狼优化算法的双馈感应风电机组调频pid控制方法 | |
| CN109139363B (zh) | 一种提升多机型风力机性能的最大功率点跟踪控制方法 | |
| Zahra et al. | Wind turbine performance enhancement by control of pitch angle using PID controller and particle swarm optimization | |
| Zeghdi et al. | Improved backstepping control of a DFIG based wind energy conversion system using ant lion optimizer algorithm | |
| Hosseini et al. | Improving response of wind turbines by pitch angle controller based on gain-scheduled recurrent ANFIS type 2 with passive reinforcement learning | |
| Malmir et al. | Controlling megawatt class WECS by ANFIS network trained with modified genetic algorithm | |
| Neammanee et al. | Maximum peak power tracking-based control algorithms with stall regulation for optimal wind energy capture | |
| CN114069711A (zh) | 一种海上风电虚拟惯量控制系统 | |
| Hemeyine et al. | Robust takagi sugeno fuzzy models control for a variable speed wind turbine based a DFI-generator | |
| CN117028141A (zh) | 一种风电机组的变桨协调优化控制方法 | |
| CN108767907B (zh) | 一种风电场参与自动发电控制的有功分配方法 | |
| CN110374799B (zh) | 一种风力发电系统大工况范围控制方法 | |
| Mishra et al. | Centralized airflow control to reduce output power variation in a complex OWC ocean energy network | |
| CN110212574B (zh) | 考虑虚拟惯量的风电控制参数协调设置方法 | |
| CN111130122A (zh) | 一种风电场无功控制能力在线监测方法 | |
| CN113098057B (zh) | 一种双馈风机参数的多目标高维多分数阶优化方法 | |
| Kumari et al. | A comprehensive review of traditional and smart MPPT techniques in PMSG based Wind energy conversion system | |
| Pöschke et al. | Evaluation of different APC operating strategies considering turbine loading and power dynamics for grid support | |
| Jeba et al. | Optimal control of grid connected variable speed wind energy conversion system | |
| Driss et al. | Adaptive control for variable-speed wind generation systems using advanced rbf neural network | |
| Younes et al. | Wind Speed Estimation U sing Mechanical Torque Observer |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | 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 | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20200605 Termination date: 20200920 |
|
| CF01 | Termination of patent right due to non-payment of annual fee |