CN111608868A - 风力发电系统最大功率跟踪自适应鲁棒控制系统及方法 - Google Patents

风力发电系统最大功率跟踪自适应鲁棒控制系统及方法 Download PDF

Info

Publication number
CN111608868A
CN111608868A CN202010463490.4A CN202010463490A CN111608868A CN 111608868 A CN111608868 A CN 111608868A CN 202010463490 A CN202010463490 A CN 202010463490A CN 111608868 A CN111608868 A CN 111608868A
Authority
CN
China
Prior art keywords
wind
network
value
action
generation system
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
Application number
CN202010463490.4A
Other languages
English (en)
Other versions
CN111608868B (zh
Inventor
陈芃
韩德志
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Maritime University
Original Assignee
Shanghai Maritime University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shanghai Maritime University filed Critical Shanghai Maritime University
Priority to CN202010463490.4A priority Critical patent/CN111608868B/zh
Publication of CN111608868A publication Critical patent/CN111608868A/zh
Application granted granted Critical
Publication of CN111608868B publication Critical patent/CN111608868B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • F03D17/00—Monitoring or testing of wind motors, e.g. diagnostics
    • 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 
    • 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
    • F03D80/00—Details, components or accessories not provided for in groups F03D1/00 - F03D17/00
    • 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)
  • Life Sciences & Earth Sciences (AREA)
  • Sustainable Development (AREA)
  • Sustainable Energy (AREA)
  • Chemical & Material Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • Mechanical Engineering (AREA)
  • General Engineering & Computer Science (AREA)
  • Control Of Eletrric Generators (AREA)
  • Wind Motors (AREA)

Abstract

本发明公开了一种风力发电系统最大功率跟踪自适应鲁棒控制系统及方法。所述风力发电系统最大功率跟踪自适应鲁棒控制系统包含：风速采集系统、风机信息采集模块、最优风轮角速度计算模块、角速度处理模块、自适应鲁棒控制模块和控制信号生成模块等，自适应鲁棒控制模块进一步包含动作网络和评价网络。本发明提供的风力发电系统最大功率跟踪自适应鲁棒控制系统及方法实时控制风轮角速度使其跟踪最优风轮角速度，使风力发电系统输出功率达到最大输出功率，同时通过自适应鲁棒控制模块自主学习训练保证风机输出功率稳定跟踪最大输出功率。与现有技术相比，本发明对动态学、控制理论要求较低，跟踪速度快，控制精确、反应灵敏，具有较强的鲁棒性。

Description

风力发电系统最大功率跟踪自适应鲁棒控制系统及方法
技术领域
本发明属于风力发电技术领域，具体涉及一种风力发电系统最大功率跟踪自适应鲁棒控制系统及方法。
背景技术
随着社会经济的高速发展，传统能源日渐枯竭，发展可持续再生能源迫在眉睫。风能作为一种广泛分布的清洁可再生能源，具有免费、清洁、无污染等特点，应用前景良好，在世界范围内受到了普遍的重视。风力发电是指通过风力发电系统将风能转化为电能。与多数可再生能源发电技术相比，风力发电具有明显的竞争优势。我国风能资源丰富，发展风力发电可以为国民经济发展提供重要保障。
风力发电系统并不能将捕获的风能全部转换成电能，通常采用风能利用系数Cp来表示风力发电机将捕获的风能转化成电能的转换效率。风力发电机具有非线性特性，风电机组转矩控制和输出功率直接受风速影响，风场风速变化具有随机性、不确定性，风力发电系统的风能利用系数Cp随风场风速v的改变而非线性改变，其运行输出的最大功率点位置也会随风速v改变而改变(最大功率点位置指取得最大风能利用系数Cp时，风力发电系统的风轮转速值ω)。
假设风速v一定，从风力发电功率方程
Figure BDA0002511732960000011
(ρ为空气密度，R风轮半径)可以发现，功率Pm随风能利用系数Cp变化而变化，当风能利用系数Cp取得最大值时，则风力发电系统可达到当前风速v下的最大功率。为了提高风力发电系统的转换效率，使风能利用率达到理想状态，需要采用最大功率点跟踪(maximum power point tracking，MPPT)控制，设计智能实时控制系统，根据不同的风速v控制输入对应的最优风轮转速ω，使风力发电系统转速趋向最大功率点，实现最大功率追踪。
以往设计的控制系统反馈控制器对动态学要求较高。现有技术中基于最优控制的反馈控制器通常是离线设计的，需要通过求解哈密顿-雅可比-贝尔曼(Hamilton-Jacobi-Bellman，HJB)方程或贝尔曼方程，并利用系统动力学的完整知识，但是利用HJB方程或贝尔曼方程的离线解来确定非线性系统的最优控制策略，往往是难以或不可能求解的。
目前，实现最大功率点跟踪的方法有很多，主要有叶尖速比法、功率曲线控制法、三点比较法、爬山法等。国内外的研究人员也针对风力发电系统的非线性特点提出了大量的控制策略。针对难以获取准确风机功率曲线的情况，有人提出将滑模控制和爬山搜索相结合的方法，无需测量风速便能跟踪最优功率曲线。有研究者提出了一种模糊比例积分微分控制(PID)复合控制器，将模糊控制和传统PID控制技术相结合，实现发电机的最大功率输出，但是其控制精度不高。有人提出了将神经网络和模糊逻辑控制相结合的模糊神经网络控制器，采用间接矢量控制和无功功率控制技术控制机器和电网之间的功率传输，其中模糊逻辑控制规则较为复杂。
发明内容
为了在风速变化的环境中，实现风力发电系统的最大功率输出，使风能利用率达到理想状态，本发明提供了一种风力发电系统最大功率跟踪自适应鲁棒控制系统及方法。
本发明提供的风力发电系统最大功率跟踪自适应鲁棒控制方法，包含以下过程：
S1、以现有的风场风速、风力发电机风轮角速度以及风力发电机转矩为训练数据训练循环神经网络，构建风力发电系统的数据驱动模型；
S2、实时采集风场风速数据，根据t时刻风场风速v(t)计算得到t时刻最优风轮角速度ωopt(t)；
S3、实时采集风力发电机风轮角速度数据，计算t时刻采集的风力发电机风轮角速度ω(t)与最优风轮角速度ωopt(t)的误差e(t)；
S4、将误差e(t)输入动作网络，通过动作网络计算得出t时刻的动作值ue(t)；
S5、将误差e(t)输入评价网络，通过评价网络计算得出t时刻的性能函数值V(t)及性能函数值导数Ve(t)；
S6、通过效用函数和动作值ue(t)对评价网络进行学习训练，迭代更新评价网络、性能函数值V(t)及性能函数值导数Ve(t)；
S7、评价网络学习训练的同时，通过更新的性能函数值导数Ve(t)对动作网络进行学习训练，迭代更新动作网络及动作值ue(t)；
S8、当动作网络或评价网络的目标函数小于阈值或达到最大迭代次数，则输出最终的动作值ue(t)，将输出最终的动作值ue(t)与稳态控制值ud(t)、设计的鲁棒补偿项ur(t)结合，得到控制值u(t)；
S9、根据预设的映射函数规则，生成与控制值u(t)对应的发电机转矩值Te，以及与发电机转矩值Te对应的控制信号；
风力发电机根据生成的控制信号改变风力发电机的转矩，调整风轮角速度ω(t)，使风机输出功率跟踪最大功率；将时间t更新为t+1，重复步骤S2～S9。
优选地，步骤S1中构建风力发电系统数据驱动模型进一步包含以下过程：
S11、将风力发电系统传动模型以循环神经网络的形式改写为：
Figure BDA0002511732960000031
其中，ω(t)为t时刻风力发电机风轮角速度，v(t)为t时刻风场风速，u(t)为t时刻风力发电系统最大功率跟踪自适应鲁棒控制系统的控制值，A*、B*、
Figure BDA0002511732960000032
和
Figure BDA0002511732960000033
为未知理想权值矩阵，g是与风力发电系统参数相关的常数，f(·)＝tanh(·)为激活函数，ε(t)为设定的有界的神经网络近似误差项；
S12、根据S11中改写的风力发电系统传动模型，风力发电系统传动模型的数据驱动模型构建为：
Figure BDA0002511732960000034
其中，
Figure BDA0002511732960000035
是风力发电系统风轮角速度ω(t)的估计；
Figure BDA0002511732960000036
和
Figure BDA0002511732960000037
分别为未知理想权值矩阵A*、B*、
Figure BDA0002511732960000038
和
Figure BDA0002511732960000039
的估计；d(t)为附加调节项，
Figure BDA00025117329600000310
是一个给定的设计值，em(t)为数据驱动模型建模误差，
Figure BDA00025117329600000311
一个附加调节参数，用于增加神经元灵活性，提高拟合能力，η为大于1的常数；
S13、RNN权值矩阵和附加调节项参数的更新规则为：
Figure BDA0002511732960000041
Figure BDA0002511732960000042
Figure BDA0002511732960000043
Figure BDA0002511732960000044
Figure BDA0002511732960000045
其中，γ1、γ2、γ3、γ4、γ5为设计的学习率；
S14、当时间t→∞，建模误差em(t)渐进收敛于零，得到风力发电系统传动模型数据驱动模型：
Figure BDA0002511732960000046
其中，A、B、Au、Bu为常数。
优选地，步骤S2中t时刻最优风轮角速度ωopt(t)的计算公式如下：
ωopt(t)＝λoptv(t)/R (15)
其中，λopt为最佳叶尖速比，R为风轮半径，v(t)为t时刻风场风速；
根据风能利用系数Cp(λ,β)函数的曲线，当桨距角β＝0时，风能利用系数在最佳叶尖速比λopt处达到最大风能利用系数Cpmar。
优选地，步骤S6中通过效用函数计算得到性能函数值，通过性能函数值评价动作值ue(t)的优劣。
优选地，步骤S6进一步包含以下过程：
S61、首先判断是否进行评价网络更新迭代。当迭代次数k达到设定的评价网络更新上限值，或者评价网络的预测误差ec(k)小于设定的第一误差阈值，停止迭代；
S62、设定评价网络的预测误差为：
Figure BDA0002511732960000047
设定评价网络的待最小化的目标函数定义为：
Figure BDA0002511732960000051
其中，k表示迭代次数，Ve(k)为第k次迭代更新后的评价神经网络输出V(k)关于e的导数，B为常数，fe＝f(ω(t))-f(ωd(t))(ωd(t)为期望参考风轮角速度，ωd(t)＝ωopt(t))，g是与风力发电系统参数相关的常数，R、Q为单位矩阵，ue(k)为第k次迭代更新后动作网络输出的动作值，e为步骤S4中的误差e(t)，其不随迭代次数改变；
S63、设定评价网络权值更新规则为：
Wc(k+1)＝Wc(k)+ΔWc(k) (20)
Wc(k)是评价网络权值在第k次迭代的结果，ΔWc(k)是第k次迭代时评价网络权值的改变值；
Figure BDA0002511732960000052
其中，lc是评价网络学习步长，lc＞0；
Figure BDA0002511732960000053
Figure BDA0002511732960000054
Figure BDA0002511732960000055
为第k次迭代更新后的评价神经网络隐藏层输出的导数；
S64、评价网络将Ve(k)输出至动作网络。
优选地，步骤S7进一步包含以下过程：
S71、首先判断是否进行动作网络更新迭代。当迭代次数k达到设定的动作网络更新上限值，或者评价网络的预测误差ea(k)小于设定的第二误差阈值，停止迭代；
S72、设定动作网络的预测误差为：
Figure BDA0002511732960000056
设定动作网络的目标函数为：
Figure BDA0002511732960000057
k表示迭代次数；Ve(k)等于步骤S63中评价网络的输出值；
S73、通过动作网络权值的迭代更新实现动作网络的迭代更新，设定动作网络权值更新规则为：
Wa(k+1)＝Wa(k)+ΔWa(k) (23)
Wa(k)是动作网络在第k次迭代的结果，Wa(k+1)是动作网络在第k+1次迭代的结果，ΔWa(k)是第k次迭代时动作网络权值的改变值；
Figure BDA0002511732960000061
Figure BDA0002511732960000062
其中，la是动作网络学习步长，
Figure BDA0002511732960000063
第k次迭代更新后的动作神经网络隐藏层的输出；
S74、将步骤S3中的误差e(t)作为动作网络的输入，通过动作网络输出更新的动作值ue(k)到评价网络。停止迭代后，将最后更新的动作值ue(k)作为ue(t)输出。
优选地，步骤S8中通过求解风力发电系统传动模型数据驱动模型公式3得到稳态控制值ud(t)：
Figure BDA0002511732960000064
设计的鲁棒补偿项ur(t)定义为：
Figure BDA0002511732960000065
其中，θ为正常数，Kr是一个设计参数。
优选地，步骤S9中所述映射函数规则为：
Te＝200*u(t) (26)
其中，Te为发电机转矩值，u(t)为控制值。
本发明的另一个技术方案是提供一种风力发电系统最大功率跟踪自适应鲁棒控制系统，适用于上述任意一种基于风力发电系统最大功率跟踪自适应鲁棒控制方法；所述风力发电系统最大功率跟踪自适应鲁棒控制系统包含：
风速采集系统，用于实时采集风场风速数据并生成对应的风速信号；
最优风轮角速度计算模块，与风速采集系统连接，通过对接收的风速信号进行运算生成对应的最优风轮角速度；
风机信息采集模块，与风力发电机连接，用于实时采集风力发电机的风轮角速度；
角速度处理模块，与最优风轮角速度计算模块、风机信息采集模块连接，通过运算生成最优风轮角速度与风力发电机风轮角速度的差值；
自适应鲁棒控制模块，包括动作网络和评价网络；
所述动作网络与角速度处理模块信号连接，根据接收的角速度差值生成动作值，并将动作值传输给评价网络；
所述评价网络与角速度处理模块信号连接，根据接收的角速度差值生成与动作值对应的性能函数值，及性能函数值导数，并通过效用函数和动作值对评价网络进行学习训练，迭代更新性能函数值、性能函数值导数和评价网络；
同时，动作网络根据更新的性能函数值的导数进行学习训练，迭代更新动作网络和动作值；
控制信号生成模块，与动作网络信号连接，接收动作网络迭代更新后输出的最终动作值，结合计算得到的稳态控制值和鲁棒补偿值，生成控制值，并根据设定的映射函数生成与控制值对应的控制信号；
控制信号生成模块还与风力发电机信号连接，风力发电机根据控制信号调整风力发电机转矩，实现调整风轮角速度。
优选地，所述动作网络、评价网络均为自定义神经网络，采用梯度下降法进行学习训练。
与现有技术相比，本发明提供的风力发电系统最大功率跟踪自适应鲁棒控制系统，实时生成的风轮角速度与最优风轮角速度之间的误差，并通过学习训练，实时生成一个与误差对应的动作值，再结合稳态控制信号和鲁棒补偿项形成完整控制信号调整风力发电机转矩。本发明使用现有的风场风速、风力发电机风轮角速度以及风力发电机转矩数据预训练风力发电系统数据驱动模型，简化控制值的求解。本发明通过实时控制风轮角速度使其跟踪最优风轮角速度，从而使风力发电系统输出功率达到最大输出功率。与现有技术中的MPPT控制方法相比，本发明对动态学、控制理论要求较低，跟踪速度快，具有较强的鲁棒性。
现有技术中的最优控制通常通过解决哈密顿-雅可比-贝尔曼方程进行离线设计,达到给定的系统性能指标达到极大值(或极小值)，需要完全的系统动力学知识。通过HJB方程的离线解来决定非线性系统最优控制策略总是会遇到求解困难或者是不可能求解的情况。本发明提供的风力发电系统最大功率跟踪自适应鲁棒控制系统及方法，仅需通过实时检测的风轮角速度和风速，通过自适应鲁棒控制模块自主学习训练即可保证风机输出功率稳定，对动态学要求较低，具有计算迅速、控制精确、反应灵敏等优点，适用范围广，结果稳定可靠。
附图说明
图1为本发明提供的风力发电系统最大功率跟踪自适应鲁棒控制系统结构示意图；
图2为本发明提供的风力发电系统最大功率跟踪自适应鲁棒控制方法流程示意图；
图3为风能利用系数Cp函数的曲线图；
图4为本发明的动作网络示意图；
图5为本发明的评价网络示意图。
具体实施方式
本发明提供了一种风力发电系统最大功率跟踪自适应鲁棒控制系统及方法，用于实现发电机在风速多变的环境中的最大功率输出。本发明提供的风力发电系统最大功率跟踪自适应鲁棒控制系统将包含动作网络和评价网络的自适应鲁棒控制模块应用于对风力发电机误差反馈的输入的控制，根据建立的风力发电系统数据驱动模型、实时采集的风速、风轮角速度和计算得到的最优风轮角速度，实现风力发电机转矩的控制。本发明采用现有的风场风速、发电机风轮角速度及发电机转矩等数据预先学习训练好的数据传动模型，根据最优控制理论，计算稳态输入控制和设计鲁棒项。通过本发明提供的风力发电系统最大功率跟踪自适应鲁棒控制系统及方法使风电机组的输出功率能够跟踪最大输出功率。
以下结合附图，通过详细说明较佳的具体实施例对本发明作进一步阐述。
本发明提供的风力发电系统最大功率跟踪自适应鲁棒控制系统，包含风速采集系统1、最优风轮角速度计算模块2、风机信息采集模块3、角速度处理模块4、自适应鲁棒控制模块5以及控制信号生成模块6，如图1所示。
所述风速采集系统1用于实时采集风场的风速数据，生成对应的风速信号。最优风轮角速度计算模块2，与风速采集系统1连接，从风速采集系统1接收风速信号，通过对接收的风速信号进行计算生成与该风速对应的最优风轮角速度。风机信息采集模块3，与风力发电机连接，用于实时采集风力发电机的风轮角速度。角速度处理模块4，同时与最优风轮角速度计算模块、风机信息采集模块连接，接收最优风轮角速度与风力发电机的风轮角速度信号，并运算生成最优风轮角速度与风力发电机风轮角速度的差值。
所述自适应鲁棒控制模块5进一步包含动作网络51和评价网络52，其中，所述动作网络51和评价网络52均与角速度处理模块4信号连接。所述动作网络51根据接收的角速度差值生成动作值，并将动作值传输给评价网络52；所述评价网络52根据接收的角速度差值生成与动作值对应的性能函数值，及性能函数值导数，并通过效用函数和动作值对评价网络52进行学习训练，迭代更新性能函数值、性能函数值导数和评价网络；所述效用函数用于计算得到性能函数值，通过性能函数值评价动作值的优劣；同时，动作网络51根据更新的性能函数值的导数进行学习训练，迭代更新动作网络和动作值。
所述动作网络51、评价网络52均为自定义神经网络，动作网络51、评价网络52均采用梯度下降法进行学习训练。
控制信号生成模块6，用于计算得到的稳态控制值和鲁棒补偿值；同时，所述控制信号生成模块6与动作网络51信号连接，接收动作网络51迭代更新后输出的最终动作值，结合稳态控制值和鲁棒补偿值，生成完整的控制值。所述控制信号生成模块6再根据设定的映射函数生成与控制值对应的发电机转矩值，以及与发电机转矩值Te对应的控制信号。
风力发电机7与控制信号生成模块6信号连接，从控制信号生成模块6接收控制信号，并根据接收的控制信号调整风力发电机转矩，从而实现风轮角速度的调整。
已知风电机组是一种利用风能进行发电的设备，随风速变化而发生改变的功率是反映风电机组工作状态的主要因素。在风电机组能量传动模型中，存在风能利用系数Cp，Cp可近似表示为：
Figure BDA0002511732960000091
其中，Λi为中间变量，
Figure BDA0002511732960000092
β为桨距角，λ为叶尖速比。叶尖速比是风轮叶片尖端线速度与风速之比，是用来表述风电机组特性的一个重要参数，其表达式为
Figure BDA0002511732960000101
ω为风轮转动的角速度，R为风轮半径，v为风场风速。通过观察Cp函数的曲线图3可知，当桨距角β＝0保持不变，存在最优叶尖速比λopt取得最大风能利用率Cpmax。因此，设定根据动作网络51输出的动作值改变风力发电机转矩，进而改变风轮角速度，使其叶尖速比达到最优叶尖速比。
已知风电机组的动态方程为：
Figure BDA0002511732960000102
Jr为风轮的转动惯量，Jg为发电机转动惯量，N为齿轮箱传动比，ρ为空气密度，R为风轮半径，Te为发动机转矩。风电机组的动态方程的数据驱动模型以循环神经网络的形式改写为：
Figure BDA0002511732960000103
最大功率跟踪的期望参考轨迹：
Figure BDA0002511732960000104
其中ωd(t)＝ωopt(t)(ωd(t)为期望参考风轮角速度),再将公式3与公式4相减，得到误差动态方程：
Figure BDA0002511732960000105
其中，fe(t)＝f(ω(t))-f(ωd(t))，ue(t)＝u(t)-ud(t)。
根据最优控制理论，选取无限时间性能指标：
Figure BDA0002511732960000106
其中：
Figure BDA0002511732960000107
是效用函数，Q和R为正数。
定义其哈密顿函数为：
Figure BDA0002511732960000108
式中，
Figure BDA0002511732960000109
当
Figure BDA00025117329600001010
得到最优反馈控制输入
Figure BDA00025117329600001011
表达式如下：
Figure BDA00025117329600001012
Figure BDA00025117329600001013
是最优Ve，即满足公式(6)的最小值。由以上公式可知，将风轮角速度和最优风轮角速度之间差值e(t)作为动作网络51和评价网络52的输入。
基于上述风力发电系统最大功率跟踪自适应鲁棒控制系统，本发明还提供了一种实现风力发电系统最大功率跟踪自适应鲁棒控制方法，如图2所示，包含以下步骤：
S1、采用现有的风场风速数据及相应的风力发电系统的风轮角速度数据和风力发电机转矩数据作为循环神经网络的训练数据，构建风力发电系统的数据驱动模型。构建风力发电系统的数据驱动模型进一步包含：
S11、将风力发电系统传动模型以循环神经网络的形式改写为：
Figure BDA0002511732960000111
其中，ω(t)为t时刻风力发电机风轮角速度，v(t)为t时刻风场风速，u(t)为t时刻风力发电系统最大功率跟踪自适应鲁棒控制系统的控制值，A*、B*、
Figure BDA0002511732960000112
和
Figure BDA0002511732960000113
为未知理想权值矩阵，g是与风力发电系统参数相关的常数，f(·)＝tanh(·)为激活函数，ε(t)为设定的有界的神经网络近似误差项。
S12、根据S11中改写的风力发电系统传动模型，风力发电系统传动模型的数据驱动模型可构建为：
Figure BDA0002511732960000114
其中，
Figure BDA0002511732960000115
是风力发电系统风轮角速度ω(t)的估计；
Figure BDA0002511732960000116
和
Figure BDA0002511732960000117
分别为未知理想权值矩阵A*、B*、
Figure BDA0002511732960000118
和
Figure BDA0002511732960000119
的估计；d(t)为附加调节项，
Figure BDA00025117329600001110
是一个给定的设计值，em(t)为数据驱动模型建模误差，
Figure BDA00025117329600001111
是一个附加调节参数，用于增加神经元灵活性，提高拟合能力，η为大于1的常数。
S13、RNN权值矩阵和附加调节项参数的更新规则制定为：
Figure BDA00025117329600001112
Figure BDA00025117329600001113
Figure BDA00025117329600001114
Figure BDA0002511732960000121
Figure BDA0002511732960000122
其中，γ1、γ2、γ3、γ4、γ5为设计的学习率。
S14、按照S13中的规则更新网络权值和参数，当t→∞，建模误差em(t)渐进收敛于零，得到风力发电系统传动模型数据驱动模型：
Figure BDA0002511732960000123
其中，A、B、Au、Bu为常数。
S2、风速采集系统1实时采集风场的风速数据，根据所述风速数据生成风场的风速值v(t)信号，t表示采样时间；最优风轮角速度模块2根据从风速采集系统1得到的风速值v(t)信号计算最优风轮角速度ωopt(t)，并传输给角速度处理模块4。
最优风轮角速度ωopt(t)的计算公式如下：
ωopt(t)＝λoptv(t)/R (15)
如图3，由风能利用系数Cp(λ,β)函数的曲线可知，当桨距角β＝0时，风能利用系数在最佳叶尖速比λopt处可以达到最大风能利用系数Cpmax，ωopt即可通过公式15求得。
S3、风机信息采集模块3实时采集风力发电机的风轮角速度ω(t)，并传输给角速度处理模块4；通过角速度处理模块4计算生成最优风轮角速度ωopt(t)与风力发电机风轮角速度ω(t)的差值，即误差e(t)。
S4、将误差e(t)输入动作网络，通过动作网络计算得出t时刻的动作值ue(t)。
如图4所示，在本发明实施例中，动作网络51为三层的自定义神经网络，包含输入层、输出层和一个隐藏层。ue(t)计算公式如下：
Figure BDA0002511732960000131
其中，
Figure BDA0002511732960000132
Figure BDA0002511732960000133
是t采样时刻动作网络51隐藏层节点的输出，Wa(t)是t采样时刻动作网络51隐藏层节点到输出节点的权值；e(t)是输入层的输入；ue(t)是动作网络51输出层的输出。
S5、将误差e(t)输入评价网络，通过评价网络计算得出t时刻的性能函数值V(t)及性能函数值导数Ve(t)。
如图5所示，在本发明实施例中，评价网络52为三层的自定义神经网络，包含输入层、输出层和一个隐藏层。V(t)计算公式如下：
其中，
Figure BDA0002511732960000135
为
Figure BDA0002511732960000136
的积分，
Figure BDA0002511732960000137
是t采样时刻评价网络隐藏层节点的输出，Wc(t)是t采样时刻评价网络隐藏层节点到输出层节点的权值。
S6、评价网络52结合效用函数和动作值ue(t)进行学习训练，通过迭代更新评价网络的网络权值和所述性能函数值V(t)和Ve(t)。通过迭代更新评价网络的网络权值实现评价网络的迭代更新，具体包含：
S61、首先判断是否进行评价网络更新迭代。当迭代次数k达到设定的评价网络更新上限值，或者评价网络的预测误差ec(k)小于设定的第一误差阈值，停止迭代；
S62、设定评价网络52的预测误差为：
Figure BDA0002511732960000138
设定评价网络的待最小化的目标函数定义为：
Figure BDA0002511732960000139
其中，k表示迭代次数，Ve(k)为第k次迭代更新后的评价神经网络输出V(k)关于e的导数，B为常数，fe＝f(ω(t))-f(ωd(t))(ωd(t)为期望参考风轮角速度，ωd(t)＝ωopt(t))，g是与风力发电系统参数相关的常数，R、Q为单位矩阵，ue(k)为第k次迭代更新后动作网络输出的动作值，e为步骤S4中的误差e(t)，其不随迭代次数改变。
S63、设定评价网络权值更新规则为：
Wc(k+1)＝Wc(k)+ΔWc(k) (20)
根据所述评价网络权值更新规则迭代更新评价网络权值，Wc(k)是评价网络权值在第k次迭代的结果，ΔWc(k)是第k次迭代时评价网络权值的改变值，
Figure BDA0002511732960000141
lc是评价网络学习步长，lc＞0；定义
Figure BDA0002511732960000142
Figure BDA0002511732960000143
为第k次迭代更新后的评价神经网络隐藏层输出的导数。
S64、评价网络将Ve(k)输出至动作网络。
S7、评价网络52更新的同时，动作网络51利用步骤S5得到的更新的Ve(t)进行学习训练，迭代更新动作网络的网络权值、所述动作值ue(t)；动作网络迭代更新具体包含：
S71、首先判断是否进行动作网络更新迭代。当迭代次数k达到设定的动作网络更新上限值，或者评价网络的预测误差ea(k)小于设定的第二误差阈值，停止迭代
S72、设定动作网络的预测误差为：
Figure BDA0002511732960000144
设定动作网络的目标函数为：
Figure BDA0002511732960000145
k表示迭代次数；Ve(k)等于步骤S63中评价网络的输出值；
S73、设定动作网络权值更新规则为：
Wa(k+1)＝Wa(k)+ΔWa(k) (23)
根据所述动作网络权值更新规则迭代更新动作网络权值，Wa(k)是动作网络在第k次迭代的结果，Wa(k+1)是动作网络在第k+1次迭代的结果，ΔWa(k)是第k次迭代时动作网络权值的改变值，
Figure BDA0002511732960000151
la是动作网络学习步长；
Figure BDA0002511732960000152
第k次迭代更新后的动作神经网络隐藏层的输出。
S74、将步骤S3中的误差e(t)作为动作网络的输入，通过动作网络输出更新的动作值ue(k)到评价网络。停止迭代后，将最后更新的动作值ue(k)作为ue(t)输出。
S8、当动作网络或评价网络目标函数小于阈值或达到最大迭代次数后，输出最终的动作值ue(t)。加上通过计算可得的稳态控制值ud(t)和设计的鲁棒补偿项ur(t)，得到完整的输入控制值u(t)；
所述稳态控制值ud(t)可以通过求解风力发电系统传动模型数据驱动模型公式3得到：
Figure BDA0002511732960000153
所述设计的鲁棒补偿项ur(t)定义为：
Figure BDA0002511732960000154
其中，θ为一个正常数，Kr是一个设计参数。
S9、控制信号生成模块6根据预设的映射函数规则，生成与步骤S8得到的控制值u(t)对应的发电机转矩值Te，以及与发电机转矩值Te对应的控制信号，发电机转矩Te计算公式如下：
Te＝200*u(t) (26)
根据风电机组传动模型可知，当风速不变时，Te增大可以使风轮角速度变小，Te减小可以使风轮角速度变大。风力发电机7根据所述控制信号改变风力发电机的桨距角，实现调整风轮角速度ω(t)，使风机输出功率跟踪最大功率。将t更新为t+1重复步骤S2～S9。
本发明提供的风力发电系统最大功率跟踪自适应鲁棒控制方法，动作网络51产生一个动作值后，评价网络52评价该动作值，结合动作值和定义的效用函数更新评价网络32的权值，得出性能函数值及其导数。利用得到的性能函数值的导数返回去影响动作网络51的权值更新，以便得到一个当前最优的动作网络输出值，既更新后的动作值。通过更新后的动作值实现对风力发电机转矩的控制。
尽管本发明的内容已经通过上述优选实施例作了详细介绍，但应当认识到上述的描述不应被认为是对本发明的限制。在本领域技术人员阅读了上述内容后，对于本发明的多种修改和替代都将是显而易见的。因此，本发明的保护范围应由所附的权利要求来限定。

Claims (10)

1.一种风力发电系统最大功率跟踪自适应鲁棒控制方法，其特征在于，包含以下过程：
S1、以现有的风场风速、风力发电机风轮角速度以及风力发电机转矩为训练数据训练循环神经网络，构建风力发电系统的数据驱动模型；
S2、实时采集风场风速数据，根据t时刻风场风速v(t)计算得到t时刻最优风轮角速度ωopt(t)；
S3、实时采集风力发电机风轮角速度数据，计算t时刻采集的风力发电机风轮角速度ω(t)与最优风轮角速度ωopt(t)的误差e(t)；
S4、将误差e(t)输入动作网络，通过动作网络计算得出t时刻的动作值ue(t)；
S5、将误差e(t)输入评价网络，通过评价网络计算得出t时刻的性能函数值V(t)及性能函数值导数Ve(t)；
S6、通过效用函数和动作值ue(t)对评价网络进行学习训练，迭代更新评价网络、性能函数值V(t)及性能函数值导数Ve(t)；
S7、评价网络学习训练的同时，通过更新的性能函数值导数Ve(t)对动作网络进行学习训练，迭代更新动作网络及动作值ue(t)；
S8、当动作网络或评价网络的目标函数小于阈值或达到最大迭代次数，则输出最终的动作值ue(t)，将输出最终的动作值ue(t)与稳态控制值ud(t)、设计的鲁棒补偿项ur(t)结合，得到控制值u(t)；
S9、根据预设的映射函数规则，生成与控制值u(t)对应的发电机转矩值Te，以及与发电机转矩值Te对应的控制信号；
风力发电机根据生成的控制信号改变风力发电机的转矩，调整风轮角速度ω(t)，使风机输出功率跟踪最大功率；将时间t更新为t+1，重复步骤S2～S9。
2.如权利要求1所述风力发电系统最大功率跟踪自适应鲁棒控制方法，其特征在于，步骤S1中构建风力发电系统数据驱动模型进一步包含以下过程：
S11、将风力发电系统传动模型以循环神经网络的形式改写为：
Figure FDA0002511732950000021
其中，ω(t)为t时刻风力发电机风轮角速度，v(t)为t时刻风场风速，u(t)为t时刻风力发电系统最大功率跟踪自适应鲁棒控制系统的控制值，A*、B*、
Figure FDA0002511732950000022
和
Figure FDA0002511732950000023
为未知理想权值矩阵，g是与风力发电系统参数相关的常数，f(·)＝tanh(·)为激活函数，ε(t)为设定的有界的神经网络近似误差项；
S12、根据S11中改写的风力发电系统传动模型，风力发电系统传动模型的数据驱动模型构建为：
Figure FDA0002511732950000024
其中，
Figure FDA0002511732950000025
是风力发电系统风轮角速度ω(t)的估计；
Figure FDA0002511732950000026
和
Figure FDA0002511732950000027
分别为未知理想权值矩阵A*、B*、
Figure FDA0002511732950000028
和
Figure FDA0002511732950000029
的估计；d(t)为附加调节项，
Figure FDA00025117329500000210
是一个给定的设计值，em(t)为数据驱动模型建模误差，
Figure FDA00025117329500000211
是一个附加调节参数，用于增加神经元灵活性，提高拟合能力，η为大于1的常数；
S13、RNN权值矩阵和附加调节项参数的更新规则为：
Figure FDA00025117329500000212
Figure FDA00025117329500000213
Figure FDA00025117329500000214
Figure FDA00025117329500000215
Figure FDA00025117329500000216
其中，γ1、γ2、γ3、γ4、γ5为设计的学习率；
S14、当时间t→∞，建模误差em(t)渐进收敛于零，得到风力发电系统传动模型数据驱动模型：
Figure FDA00025117329500000217
其中，A、B、Au、Bu为常数。
3.如权利要求1所述风力发电系统最大功率跟踪自适应鲁棒控制方法，其特征在于，步骤S2中t时刻最优风轮角速度ωopt(t)的计算公式如下：
ωopt(t)＝λoptv(t)/R (15)
其中，λopt为最佳叶尖速比，R为风轮半径，v(t)为t时刻风场风速；
根据风能利用系数Cp(λ，β)函数的曲线，当桨距角β＝0时，风能利用系数在最佳叶尖速比λopt处达到最大风能利用系数Cpmax。
4.如权利要求1所述风力发电系统最大功率跟踪自适应鲁棒控制方法，其特征在于，步骤S6中通过效用函数计算得到性能函数值，通过性能函数值评价动作值ue(t)的优劣。
5.如权利要求1所述风力发电系统最大功率跟踪自适应鲁棒控制方法，其特征在于，步骤S6进一步包含以下过程：
S61、首先判断是否进行评价网络更新迭代，当迭代次数k达到设定的评价网络更新上限值，或者评价网络的预测误差ec(k)小于设定的第一误差阈值，停止迭代；
S62、设定评价网络的预测误差为：
Figure FDA0002511732950000031
设定评价网络的待最小化的目标函数定义为：
Figure FDA0002511732950000032
其中，k表示迭代次数，Ve(k)为第k次迭代更新后的评价神经网络输出V(k)关于e的导数，B为常数，fe＝f(ω(t))-f(ωd(t))(ωd(t)为期望参考风轮角速度，ωd(t)＝ωopt(t))，g是与风力发电系统参数相关的常数，R、Q为单位矩阵，ue(k)为第k次迭代更新后动作网络输出的动作值，e为步骤S4中的误差e(t)，其不随迭代次数改变；
S63、设定评价网络权值更新规则为：
Wc(k+1)＝Wc(k)+ΔWc(k) (20)
Wc(k)是评价网络权值在第k次迭代的结果，ΔWc(k)是第k次迭代时评价网络权值的改变值；
Figure FDA0002511732950000041
其中，lc是评价网络学习步长，lc＞0；
Figure FDA0002511732950000042
Figure FDA0002511732950000043
Figure FDA0002511732950000044
为第k次迭代更新后的评价神经网络隐藏层输出的导数；
S64、评价网络将Ve(k)输出至动作网络。
6.如权利要求1所述风力发电系统最大功率跟踪自适应鲁棒控制方法，其特征在于，步骤S7进一步包含以下过程：
S71、首先判断是否进行动作网络更新迭代，当迭代次数k达到设定的动作网络更新上限值，或者评价网络的预测误差ea(k)小于设定的第二误差阈值，停止迭代；
S72、设定动作网络的预测误差为：
Figure FDA0002511732950000045
设定动作网络的目标函数为：
Figure FDA0002511732950000046
k表示迭代次数；Ve(k)等于步骤S63中评价网络的输出值；
S73、通过动作网络权值的迭代更新实现动作网络的迭代更新，设定动作网络权值更新规则为：
Wa(k+1)＝Wa(k)+ΔWa(k) (23)
Wa(k)是动作网络在第k次迭代的结果，Wa(k+1)是动作网络在第k+1次迭代的结果，ΔWa(k)是第k次迭代时动作网络权值的改变值；
Figure FDA0002511732950000047
其中，la是动作网络学习步长，
Figure FDA0002511732950000048
第k次迭代更新后的动作神经网络隐藏层的输出；
S74、将步骤S3中的误差e(t)作为动作网络的输入，通过动作网络输出更新的动作值ue(k)到评价网络。停止迭代后，将最后更新的动作值ue(k)作为ue(t)输出。
7.如权利要求1所述风力发电系统最大功率跟踪自适应鲁棒控制方法，其特征在于，步骤S8中通过求解风力发电系统传动模型数据驱动模型公式3得到稳态控制值ud(t)：
Figure FDA0002511732950000051
设计的鲁棒补偿项ur(t)定义为：
Figure FDA0002511732950000052
其中，θ为正常数，Kr是一个设计参数。
8.如权利要求1所述风力发电系统最大功率跟踪自适应鲁棒控制方法，其特征在于，步骤S9中所述映射函数规则为：
Te＝200*u(t) (26)
其中，Te为发电机转矩值，u(t)为控制值。
9.一种风力发电系统最大功率跟踪自适应鲁棒控制系统，适用于权利要求1-8中任意一项所述基于风力发电系统最大功率跟踪自适应鲁棒控制系统实现的风力发电系统最大功率跟踪自适应鲁棒控制方法，其特征在于，所述风力发电系统最大功率跟踪自适应鲁棒控制系统包含：
风速采集系统，用于实时采集风场风速数据并生成对应的风速信号；
最优风轮角速度计算模块，与风速采集系统连接，通过对接收的风速信号进行运算生成对应的最优风轮角速度；
风机信息采集模块，与风力发电机连接，用于实时采集风力发电机的风轮角速度；
角速度处理模块，与最优风轮角速度计算模块、风机信息采集模块连接，通过运算生成最优风轮角速度与风力发电机风轮角速度的差值；
自适应鲁棒控制模块，包括动作网络和评价网络；
所述动作网络与角速度处理模块信号连接，根据接收的角速度差值生成动作值，并将动作值传输给评价网络；
所述评价网络与角速度处理模块信号连接，根据接收的角速度差值生成与动作值对应的性能函数值，及性能函数值导数，并通过效用函数和动作值对评价网络进行学习训练，迭代更新性能函数值、性能函数值导数和评价网络；
同时，动作网络根据更新的性能函数值的导数进行学习训练，迭代更新动作网络和动作值；
控制信号生成模块，与动作网络信号连接，接收动作网络迭代更新后输出的最终动作值，结合计算得到的稳态控制值和鲁棒补偿值，生成控制值，并根据设定的映射函数生成与控制值对应的控制信号；
控制信号生成模块还与风力发电机信号连接，风力发电机根据控制信号调整风力发电机转矩，实现调整风轮角速度。
10.如权利要求9所述风力发电系统最大功率跟踪自适应鲁棒控制系统，其特征在于，所述动作网络、评价网络均为自定义神经网络，采用梯度下降法进行学习训练。
CN202010463490.4A 2020-05-27 2020-05-27 风力发电系统最大功率跟踪自适应鲁棒控制系统及方法 Active CN111608868B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010463490.4A CN111608868B (zh) 2020-05-27 2020-05-27 风力发电系统最大功率跟踪自适应鲁棒控制系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010463490.4A CN111608868B (zh) 2020-05-27 2020-05-27 风力发电系统最大功率跟踪自适应鲁棒控制系统及方法

Publications (2)

Publication Number Publication Date
CN111608868A true CN111608868A (zh) 2020-09-01
CN111608868B CN111608868B (zh) 2021-03-26

Family

ID=72205748

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010463490.4A Active CN111608868B (zh) 2020-05-27 2020-05-27 风力发电系统最大功率跟踪自适应鲁棒控制系统及方法

Country Status (1)

Country Link
CN (1) CN111608868B (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112418553A (zh) * 2020-12-07 2021-02-26 江苏科技大学 一种基于vmd-cnn网络的海上风电控制方法
CN112883652A (zh) * 2021-03-12 2021-06-01 重庆大学 考虑动态尾流的风电场有功功率离线预测控制器设计方法
CN113110069A (zh) * 2021-05-24 2021-07-13 武汉大学 一种基于磁悬浮平面电机迭代神经网络鲁棒控制方法
CN114427515A (zh) * 2022-01-30 2022-05-03 南京林业大学 基于数字孪生的风机最大功率点跟踪控制性能优化方法
CN115268559A (zh) * 2022-05-23 2022-11-01 北京华能新锐控制技术有限公司 用于永磁同步风力发电机的最大功率点跟踪鲁棒控制方法
US11585322B1 (en) 2022-05-26 2023-02-21 King Fahd University Of Petroleum And Minerals Wind turbine control apparatus and method therefor

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080106098A1 (en) * 2006-11-02 2008-05-08 Nicholas Wright Miller Methods and apparatus for controlling current in an electrical machine
CN202157900U (zh) * 2011-06-07 2012-03-07 华锐风电科技(集团)股份有限公司 一种基于内模pid的风电机组变桨控制系统
CN105971819A (zh) * 2016-05-04 2016-09-28 浙江大学 基于ude的风力发电机组变桨距鲁棒控制方法
CN107422741A (zh) * 2017-04-28 2017-12-01 西北工业大学 基于学习的保预设性能集群飞行分布式姿态追踪控制方法
CN108334672A (zh) * 2018-01-14 2018-07-27 浙江大学 基于有效风速估计的变速风力发电机组最大风能捕获方法
CN110566406A (zh) * 2019-10-16 2019-12-13 上海海事大学 基于强化学习的风电机组实时变桨距鲁棒控制系统及方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080106098A1 (en) * 2006-11-02 2008-05-08 Nicholas Wright Miller Methods and apparatus for controlling current in an electrical machine
CN202157900U (zh) * 2011-06-07 2012-03-07 华锐风电科技(集团)股份有限公司 一种基于内模pid的风电机组变桨控制系统
CN105971819A (zh) * 2016-05-04 2016-09-28 浙江大学 基于ude的风力发电机组变桨距鲁棒控制方法
CN107422741A (zh) * 2017-04-28 2017-12-01 西北工业大学 基于学习的保预设性能集群飞行分布式姿态追踪控制方法
CN108334672A (zh) * 2018-01-14 2018-07-27 浙江大学 基于有效风速估计的变速风力发电机组最大风能捕获方法
CN110566406A (zh) * 2019-10-16 2019-12-13 上海海事大学 基于强化学习的风电机组实时变桨距鲁棒控制系统及方法

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112418553A (zh) * 2020-12-07 2021-02-26 江苏科技大学 一种基于vmd-cnn网络的海上风电控制方法
CN112883652A (zh) * 2021-03-12 2021-06-01 重庆大学 考虑动态尾流的风电场有功功率离线预测控制器设计方法
CN112883652B (zh) * 2021-03-12 2022-10-28 重庆大学 考虑动态尾流的风电场有功功率离线预测控制器设计方法
CN113110069A (zh) * 2021-05-24 2021-07-13 武汉大学 一种基于磁悬浮平面电机迭代神经网络鲁棒控制方法
CN114427515A (zh) * 2022-01-30 2022-05-03 南京林业大学 基于数字孪生的风机最大功率点跟踪控制性能优化方法
CN114427515B (zh) * 2022-01-30 2023-03-10 南京林业大学 基于数字孪生的风机最大功率点跟踪控制性能优化方法
CN115268559A (zh) * 2022-05-23 2022-11-01 北京华能新锐控制技术有限公司 用于永磁同步风力发电机的最大功率点跟踪鲁棒控制方法
US11585322B1 (en) 2022-05-26 2023-02-21 King Fahd University Of Petroleum And Minerals Wind turbine control apparatus and method therefor

Also Published As

Publication number Publication date
CN111608868B (zh) 2021-03-26

Similar Documents

Publication Publication Date Title
CN111608868B (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
CN108334672B (zh) 基于有效风速估计的变速风力发电机组最大风能捕获方法
CN110566406B (zh) 基于强化学习的风电机组实时变桨距鲁棒控制系统及方法
CN109376493B (zh) 一种粒子群优化的径向基神经网络车辆速度跟踪方法
CN111931411B (zh) 压电驱动微定位平台Duhem动态迟滞建模方法
CN101598109B (zh) 一种风力发电机偏航系统的智能控制方法
Sedighizadeh et al. Adaptive PID controller based on reinforcement learning for wind turbine control
CN109507876B (zh) 一种基于信度推理的电推船舶电机pid参数整定方法
CN103184972B (zh) 兆瓦级异步双馈风机转矩/桨距控制器参数自整定方法
CN112523944B (zh) 一种风力发电机变桨系统自适应动态面控制方法
JP2013176228A (ja) ハイブリッドインテリジェントパワーコントロールシステム及び方法
Chen et al. Robust adaptive control of maximum power point tracking for wind power system
Hosseini et al. Improving response of wind turbines by pitch angle controller based on gain-scheduled recurrent ANFIS type 2 with passive reinforcement learning
CN112083753A (zh) 一种光伏并网逆变器的最大功率点跟踪控制方法
Rahman et al. Performance evaluation of ANN and ANFIS based wind speed sensor-less MPPT controller
CN114139778A (zh) 风电机组功率预测建模方法及装置
CN110535396A (zh) 基于bp神经网络的表面式永磁同步电机模型预测控制方法
CN110488600B (zh) Lqr优化型无刷直流电机调速神经网络pid控制器
CN112462608A (zh) 一种高速列车离散滑模轨迹及速度跟踪控制方法
Chaoui et al. Maximum power point tracking of wind turbines with neural networks and genetic algorithms
Yao et al. Pitch angle control of variable pitch wind turbines based on neural network PID
CN113494416B (zh) 一种基于lstm的变桨距控制方法设计
Kumari et al. A comprehensive review of traditional and smart MPPT techniques in PMSG based Wind energy conversion system
CN106499583B (zh) 基于rbf神经网络技术的风力发电机组系统辨识方法
Hu Research on fuzzy control of stepper motor based on adaptive neuro-fuzzy inference system

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