CN113110333A - 一种风电机组变桨距控制的改进自抗扰控制器和系统 - Google Patents

一种风电机组变桨距控制的改进自抗扰控制器和系统 Download PDF

Info

Publication number
CN113110333A
CN113110333A CN202110411929.3A CN202110411929A CN113110333A CN 113110333 A CN113110333 A CN 113110333A CN 202110411929 A CN202110411929 A CN 202110411929A CN 113110333 A CN113110333 A CN 113110333A
Authority
CN
China
Prior art keywords
neural network
state observer
rejection controller
improved active
disturbance rejection
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.)
Pending
Application number
CN202110411929.3A
Other languages
English (en)
Inventor
左亚辉
谢源
姜珊
钱锴
任怀信
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 Dianji University
Original Assignee
Shanghai Dianji 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 Dianji University filed Critical Shanghai Dianji University
Priority to CN202110411929.3A priority Critical patent/CN113110333A/zh
Publication of CN113110333A publication Critical patent/CN113110333A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
    • G05B19/41885—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by modeling, simulation of the manufacturing system
    • 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
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/32—Operator till task planning
    • G05B2219/32339—Object oriented modeling, design, analysis, implementation, simulation language
    • 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
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]

Landscapes

  • Engineering & Computer Science (AREA)
  • Manufacturing & Machinery (AREA)
  • General Engineering & Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Wind Motors (AREA)

Abstract

本发明涉及一种风电机组变桨距控制的改进自抗扰控制器，与被控风机连接，用于控制被控风机的扰动，包括跟踪微分器、非线性组合模块、扩张状态观测器和BP神经网络模块，所述的BP神经网络模块嵌入于扩张状态观测器中，用于拟合部分扰动，并在线调节扩张状态观测器的参数；该系统工作时，扰动的估计包括两部分，具体为：BP神经网络模块预测的扰动值fBP和扩张状态观测器估计的扰动值
Figure DDA0003024183630000011
与现有技术相比，本发明具有抗干扰能力更强、范围更广、控制效果更好等优点。

Description

一种风电机组变桨距控制的改进自抗扰控制器和系统
技术领域
本发明涉及风电技术领域，尤其是涉及一种风电机组变桨距控制的改进自抗扰控制器和系统。
背景技术
自抗扰控制器(ADRC)是一种在工业过程控制中应用的自动控制方法，其主要优点是能够自动跟踪系统中的随机扰动并对控制输出进行自动补偿，对被控对象的精确数学模型不存在很强的依赖性，具有很强的抗干扰能力和控制的鲁棒性，该种控制方法在工业过程控制中得到了越来越广泛的应用，其控制的优越性得到了现场工程技术人员的广泛认同。
传统的自抗扰控制器(ADRC)因具备较强的鲁棒性及抗干扰能力，已成功应用于风力发电机变桨距系统中，但仍存在一定的延迟，参数整定所需要的计算量较大、效率不高等缺陷。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种能够在线调节扩张状态观测(ESO)参数的风电机组变桨距控制的改进自抗扰控制器和系统，抗干扰能力更强、范围更广，控制效果更好。
本发明的目的可以通过以下技术方案来实现：
一种风电机组变桨距控制的改进自抗扰控制器，与被控风机连接，用于控制被控风机的扰动，包括跟踪微分器、非线性组合模块、扩张状态观测器和BP神经网络模块，所述的BP神经网络模块嵌入于扩张状态观测器中，用于拟合部分扰动，并在线调节扩张状态观测器的参数；
该控制器工作时，扰动的估计包括两部分，具体为：BP神经网络模块预测的扰动值fBP和扩张状态观测器估计的扰动值
Figure BDA0003024183610000011
进一步地，所述的BP神经网络模块调节的扩张状态观测器的参数包括β01、β02和β03。
其中，所述的扩张状态观测器的参数β01、β02和β03分别为BP神经网络整定ESO参数。
进一步地，所述的BP神经网络模块通过采样获得扩张状态观测器的三个输出参数z1、z2和z3，其中，z1和z2作为BP神经网络模块的输入，z3作为BP神经网络模块的输出。
其中，所述的扩张状态观测器的三个输出参数z1、z2和z3分别为状态观测器的输出信号的观测值。
进一步地，所述的BP神经网络模块为训练完成的BP神经网络预测模型。
更进一步地，所述的BP神经网络模块采用离线训练的方式，所述的BP神经网络为三层BP神经网络。
进一步地，该改进自抗扰控制器估计的总的扰动
Figure BDA0003024183610000021
更进一步地，该改进自抗扰控制器的数学表达式为：
Figure BDA0003024183610000022
Figure BDA0003024183610000023
e1＝z1-w
Figure BDA0003024183610000024
Figure BDA0003024183610000025
Figure BDA0003024183610000026
u0＝k1fal(v1-z1,α4,d)+k2fal(v2-z2,α4,d)
Figure BDA0003024183610000027
其中，v0为TD的输入信号，v1为输入跟踪信号，
Figure BDA0003024183610000028
为下次迭代式中的v1，v2为输入信号的微分提取信号，
Figure BDA0003024183610000029
为下次迭代式中的v2，fal()为韩京清所总结出的扩张状态观测器非线性函数，r为跟踪因子，w为未知外部扰动，u0为非线性组合输出新的控制量，uq为非线性状态误差，e1为输入输出信号的误差，αn表示幂函数指数值n，zi为状态观测器的第i个输出信号的观测值，b为补偿因子的估计值，fBP为BP神经网络模块预测的扰动值，
Figure BDA00030241836100000210
为扩张状态观测器估计的扰动值，
Figure BDA00030241836100000211
为下次迭代式中的z2，
Figure BDA0003024183610000031
为下次迭代式中的z1，d为线性段区间长度，k1、k2为整定参数。
一种改进自抗扰控制器的风电机组变桨距控制系统，包括相互连接的改进自抗扰控制器和被控风机，所述的改进自抗扰控制器为上述的改进自抗扰控制器。
与现有技术相比，本发明具有以下优点：
1)本发明通过神经网络(BP)自抗扰控制方法可以不依赖系统精确的模型，能够观测出系统参数的变化并且补偿掉，具有很强的鲁棒性，相对于常规的自抗扰控制方法，神经网络自抗扰控制能够在线调节扩张状态观测(ESO)参数，抗干扰能力更强、范围更广，控制效果更好，对于风力发电机组的变桨控制有很强的实用性，保障发电的质量和效率，尽可能的最大效率发电；
2)本发明的经过神经网络优化的自抗扰控制器，其扰动的估计分成了两部分，一部分是神经网络辨识的扰动值fBP，还有一部分才是扩张状态观测器(ESO)所估计的扰动值
Figure BDA0003024183610000032
总的扰动
Figure BDA0003024183610000033
相比之下，本发明的扩张状态观测器(ESO)只需要估计总扰动中的部分扰动，根据ADRC理论，观测器所需要观测的扰动量减小，可以提高观测器的观测精度。
附图说明
图1为本发明改进自抗扰控制器风电机组变桨距控制系统的结构原理图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。显然，所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都应属于本发明保护的范围。
实施例
如图1所示，本发明公开了一种改进自抗扰控制器的风电机组变桨距控制系统，包括相互连接的改进自抗扰控制器和被控风机，改进自抗扰控制器用于控制被控风机的扰动，包括跟踪微分器、非线性组合模块、扩张状态观测器和BP神经网络模块，BP神经网络模块嵌入于扩张状态观测器中，用于拟合部分扰动，并在线调节扩张状态观测器的参数；
该系统工作时，扰动的估计包括两部分，具体为：BP神经网络模块预测的扰动值fBP和扩张状态观测器估计的扰动值
Figure BDA0003024183610000041
即该改进自抗扰控制器估计的总的扰动
Figure BDA0003024183610000042
BP神经网络模块调节的扩张状态观测器的参数包括β01、β02和β03，其中参数β01、β02和β03分别为BP神经网络整定ESO参数。
BP神经网络模块通过采样获得扩张状态观测器的三个输出参数z1、z2和z3，其中，z1和z2作为BP神经网络模块的输入，z3作为BP神经网络模块的输出，其中，三个输出参数z1、z2和z3分别为状态观测器的输出信号的观测值。
BP神经网络模块为训练完成的BP神经网络预测模型，采用离线训练的方式，BP神经网络为三层BP神经网络。
具体地，如图1所示，该改进自抗扰控制器的数学表达式为：
Figure BDA0003024183610000043
Figure BDA0003024183610000044
e1＝z1-w
Figure BDA0003024183610000045
Figure BDA0003024183610000046
Figure BDA0003024183610000047
u0＝k1fal(v1-z1,α4,d)+k2fal(v2-z2,α4,d)
Figure BDA0003024183610000048
其中，v0为TD的输入信号，v1为输入跟踪信号，
Figure BDA0003024183610000049
为下次迭代式中的v1，v2为输入信号的微分提取信号，
Figure BDA00030241836100000410
为下次迭代式中的v2，fal()为韩京清所总结出的扩张状态观测器非线性函数，r为跟踪因子，w为未知外部扰动，u0为非线性组合输出新的控制量，uq为非线性状态误差，e1为输入输出信号的误差，αn表示幂函数指数值n，zi为状态观测器的第i个输出信号的观测值，b为补偿因子的估计值，fBP为BP神经网络模块预测的扰动值，
Figure BDA00030241836100000411
为扩张状态观测器估计的扰动值，
Figure BDA00030241836100000412
为下次迭代式中的z2，
Figure BDA00030241836100000413
为下次迭代式中的z1，d为线性段区间长度，k1、k2为整定参数。
如图1，改进自抗扰控制器主要由跟踪微分器(TD)、非线性组合(NLSEF)、扩张状态观测器(ESO)和BP神经网络四部分组成，图1中各输入输出参数的含义为：v0为TD的输入信号，v1为输入跟踪信号，v2为输入信号的微分提取信号，e1为输入输出信号的误差，e2为信号微分误差，β01、β02和β03分别为BP神经网络整定ESO参数，z1、z2和z3分别为状态观测器的输出信号的观测值，u为控制量，u0为非线性组合输出新的控制量，b0为补偿因子的估计值，w为未知外部扰动，y为系统输出。
本发明是改进自抗扰控制器的风电机组变桨距控制方法，将BP神经网络被嵌入到自抗扰结构的ESO中，利用BP神经网络拟合部分扰动，减轻ESO观测负担，从而提高控制精度。ADRC可以对扰动进行观测和补偿，从而增强控制系统的鲁棒性。并且神经网络自抗扰控制能够在线调节扩张状态观测(ESO)参数，抗干扰能力更强、范围更广，控制效果更好。对于风力发电机组的变桨控制有很强的实用性，保障发电的质量和效率，尽可能的最大效率发电。本发明原理为：嵌入BP神经网络的ADRC较常规ADRC多出一个用于扩张状态观测器中三个重要参数β01、β02和β03整定的BP神经网络模块。通过采样获得观测器的三个输出参数z1、z2和z3，将z1、z2作为BP神经网络模块的输入变量，并将z3作为BP神经网络模块的输出变量。为了保证控制器的性能，采用离线训练的方式，训练一个三层BP神经网络，获得BP神经网络预测模型，然后将训练好的模型嵌入到ADRC控制器中。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的工作人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (10)

1.一种风电机组变桨距控制的改进自抗扰控制器，与被控风机连接，用于控制被控风机的扰动，其特征在于，包括跟踪微分器、非线性组合模块、扩张状态观测器和BP神经网络模块，所述的BP神经网络模块嵌入于扩张状态观测器中，用于拟合部分扰动，并在线调节扩张状态观测器的参数；
该控制器工作时，扰动的估计包括两部分，具体为：BP神经网络模块预测的扰动值fBP和扩张状态观测器估计的扰动值
Figure FDA0003024183600000013
2.根据权利要求1所述的一种风电机组变桨距控制的改进自抗扰控制器，其特征在于，所述的BP神经网络模块调节的扩张状态观测器的参数共三个。
3.根据权利要求2所述的一种风电机组变桨距控制的改进自抗扰控制器，其特征在于，所述的BP神经网络模块通过采样获得扩张状态观测器的三个输出参数，并将其中两个作为BP神经网络模块的输入，剩下一个作为BP神经网络模块的输出。
4.根据权利要求3所述的一种风电机组变桨距控制的改进自抗扰控制器，其特征在于，所述的BP神经网络模块为训练完成的BP神经网络预测模型。
5.根据权利要求4所述的一种风电机组变桨距控制的改进自抗扰控制器，其特征在于，所述的BP神经网络模块采用离线训练的方式，所述的BP神经网络为三层BP神经网络。
6.根据权利要求2所述的一种风电机组变桨距控制的改进自抗扰控制器，其特征在于，所述的BP神经网络整定扩张状态观测器的参数分别为β01、β02和β03。
7.根据权利要求3所述的一种风电机组变桨距控制的改进自抗扰控制器，其特征在于，所述的扩张状态观测器的三个输出参数分别为z1、z2和z3，所述的三个输出参数z1、z2和z3分别为状态观测器的输出信号的观测值。
8.根据权利要求1所述的一种风电机组变桨距控制的改进自抗扰控制器，其特征在于，该改进自抗扰控制器估计的总的扰动
Figure FDA0003024183600000011
9.根据权利要求3所述的一种风电机组变桨距控制的改进自抗扰控制器，其特征在于，该改进自抗扰控制器的数学表达式为：
Figure FDA0003024183600000012
Figure FDA0003024183600000021
e1＝z1-w
Figure FDA0003024183600000022
Figure FDA0003024183600000023
Figure FDA0003024183600000024
u0＝k1fal(v1-z1,α4,d)+k2fal(v2-z2,α4,d)
Figure FDA0003024183600000025
其中，v0为TD的输入信号，v1为输入跟踪信号，
Figure FDA0003024183600000026
为下次迭代式中的v1，v2为输入信号的微分提取信号，
Figure FDA0003024183600000027
为下次迭代式中的v2，fal()为韩京清所总结出的扩张状态观测器非线性函数，r为跟踪因子，w为未知外部扰动，u0为非线性组合输出新的控制量，uq为非线性状态误差，e1为输入输出信号的误差，αn表示幂函数指数值n，zi为状态观测器的第i个输出信号的观测值，b为补偿因子的估计值，fBP为BP神经网络模块预测的扰动值，
Figure FDA0003024183600000028
为扩张状态观测器估计的扰动值，
Figure FDA0003024183600000029
为下次迭代式中的z2，
Figure FDA00030241836000000210
为下次迭代式中的z1，d为线性段区间长度，k1、k2为整定参数。
10.一种改进自抗扰控制器的风电机组变桨距控制系统，其特征在于，包括相互连接的改进自抗扰控制器和被控风机，所述的改进自抗扰控制器为权利要求1-9任一项所述的改进自抗扰控制器。
CN202110411929.3A 2021-04-16 2021-04-16 一种风电机组变桨距控制的改进自抗扰控制器和系统 Pending CN113110333A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110411929.3A CN113110333A (zh) 2021-04-16 2021-04-16 一种风电机组变桨距控制的改进自抗扰控制器和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110411929.3A CN113110333A (zh) 2021-04-16 2021-04-16 一种风电机组变桨距控制的改进自抗扰控制器和系统

Publications (1)

Publication Number Publication Date
CN113110333A true CN113110333A (zh) 2021-07-13

Family

ID=76717868

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110411929.3A Pending CN113110333A (zh) 2021-04-16 2021-04-16 一种风电机组变桨距控制的改进自抗扰控制器和系统

Country Status (1)

Country Link
CN (1) CN113110333A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113467230A (zh) * 2021-07-21 2021-10-01 珠海格力电器股份有限公司 一种磁轴承系统及其控制方法、装置、存储介质及处理器

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030199997A1 (en) * 2002-04-18 2003-10-23 Zhiqiang Gao Scaling and parameterizing a controller
CN105182750A (zh) * 2015-09-02 2015-12-23 中国人民解放军军械工程学院 一种线性/非线性自抗扰控制系统切换控制方法
CN109639194A (zh) * 2019-01-21 2019-04-16 广西师范大学 一种三轴云台伺服电机的神经网络与自抗扰的复合控制方法
CN110018638A (zh) * 2019-04-03 2019-07-16 江苏大学 交流径向磁轴承用神经网络自抗扰控制器及其构造方法
CN110209054A (zh) * 2019-06-11 2019-09-06 大连海事大学 基于rbf神经网络的无人船艇航向自抗扰控制系统
CN209842353U (zh) * 2019-04-03 2019-12-24 江苏大学 交流径向磁轴承用神经网络自抗扰控制器
CN110955145A (zh) * 2019-12-10 2020-04-03 哈尔滨理工大学 一种针对连续回转马达电液伺服系统的五阶自抗扰控制方法
US20200183342A1 (en) * 2018-12-11 2020-06-11 Dalian University Of Technology Steady state and transition state multi-variable control method of a turbofan engine based on an active disturbance rejection control theory (adrc)
CN111711407A (zh) * 2020-06-29 2020-09-25 上海海事大学 一种基于rbf神经网络优化adrc伺服电机控制方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030199997A1 (en) * 2002-04-18 2003-10-23 Zhiqiang Gao Scaling and parameterizing a controller
CN105182750A (zh) * 2015-09-02 2015-12-23 中国人民解放军军械工程学院 一种线性/非线性自抗扰控制系统切换控制方法
US20200183342A1 (en) * 2018-12-11 2020-06-11 Dalian University Of Technology Steady state and transition state multi-variable control method of a turbofan engine based on an active disturbance rejection control theory (adrc)
CN109639194A (zh) * 2019-01-21 2019-04-16 广西师范大学 一种三轴云台伺服电机的神经网络与自抗扰的复合控制方法
CN110018638A (zh) * 2019-04-03 2019-07-16 江苏大学 交流径向磁轴承用神经网络自抗扰控制器及其构造方法
CN209842353U (zh) * 2019-04-03 2019-12-24 江苏大学 交流径向磁轴承用神经网络自抗扰控制器
CN110209054A (zh) * 2019-06-11 2019-09-06 大连海事大学 基于rbf神经网络的无人船艇航向自抗扰控制系统
CN110955145A (zh) * 2019-12-10 2020-04-03 哈尔滨理工大学 一种针对连续回转马达电液伺服系统的五阶自抗扰控制方法
CN111711407A (zh) * 2020-06-29 2020-09-25 上海海事大学 一种基于rbf神经网络优化adrc伺服电机控制方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113467230A (zh) * 2021-07-21 2021-10-01 珠海格力电器股份有限公司 一种磁轴承系统及其控制方法、装置、存储介质及处理器

Similar Documents

Publication Publication Date Title
CN102439297A (zh) 风力发电装置的控制装置和控制方法
Zhang et al. Maximum power point tracking algorithms for wind power generation system: Review, comparison and analysis
CN111756038B (zh) 考虑调频特性的新能源电力系统等频差惯量估计方法
CN117150419B (zh) 基于数据分析的储能电源运行环境检测系统
CN104533716A (zh) 一种基于卡尔曼滤波的独立变桨载荷控制方法
CN111188732B (zh) 一种风力发电变桨鲁棒容错控制方法
CN113110333A (zh) 一种风电机组变桨距控制的改进自抗扰控制器和系统
CN111725840A (zh) 一种直驱风电机组控制器参数辨识方法
CN107346889B (zh) 考虑一二次调频及最小频率偏差的负荷削减优化模型构建方法
CN112651180A (zh) 一种一管多机水电机组调节系统微分方程计算方法
CN109450310B (zh) 一种抑制扰动的风力发电机组h∞鲁棒控制方法
CN114726210A (zh) 一种基于控制空间的DC-DC buck变换器控制方法
CN108762086B (zh) 基于模型预测控制的二次再热蒸汽温度控制装置及控制系统
Xu et al. Parameter optimization of robust non-fragile fractional order PID controller for pump turbine governing system
CN112343770A (zh) 一种基于观测器的风力发电机最佳转速有限时间跟踪控制方法
CN108875247B (zh) 一种配电网中分布式光伏电源功率快速优化方法
CN113359468B (zh) 基于鲁棒自适应与滑模变结构控制的风电机组容错控制方法
CN113250917B (zh) 海上风机阵列输出指令控制方法、系统、装置及存储介质
CN113031440B (zh) 基于反馈线性化与预测控制的风力机变桨距控制方法
CN115220352A (zh) 基于有限时间指令滤波器的自适应跟踪控制方法及系统
CN111752203B (zh) 变负荷空气分级动态控制系统及方法
CN110631003B (zh) 一种基于层级调度多模型预测控制的再热汽温调节方法
CN110018634B (zh) 一种提升控制力矩陀螺带宽的自适应框架控制系统及方法
Dang et al. A multi-objective optimal nonlinear control of variable speed wind turbine
Wang et al. Sliding mode control for maximum wind energy capture of DFIG-based wind turbine

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20210713