CN114019791A - 光伏发电伺服系统的自适应神经网络动态面控制方法 - Google Patents
光伏发电伺服系统的自适应神经网络动态面控制方法 Download PDFInfo
- Publication number
- CN114019791A CN114019791A CN202110940374.1A CN202110940374A CN114019791A CN 114019791 A CN114019791 A CN 114019791A CN 202110940374 A CN202110940374 A CN 202110940374A CN 114019791 A CN114019791 A CN 114019791A
- Authority
- CN
- China
- Prior art keywords
- power generation
- neural network
- photovoltaic power
- servo system
- formula
- 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
Links
- 238000010248 power generation Methods 0.000 title claims abstract description 45
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 40
- 238000000034 method Methods 0.000 title claims abstract description 32
- 230000003044 adaptive effect Effects 0.000 title claims description 6
- 238000013178 mathematical model Methods 0.000 claims abstract description 7
- 238000013461 design Methods 0.000 claims description 25
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 230000006978 adaptation Effects 0.000 claims description 3
- 230000004907 flux Effects 0.000 claims description 3
- 238000012886 linear function Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 230000001629 suppression Effects 0.000 abstract description 4
- 238000013139 quantization Methods 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
Abstract
本发明提供一种基于离散时间的光伏发电伺服系统的自适应神经网络动态面控制方法,包括如下步骤:1)构造光伏发电伺服系统的数学模型;2)设计光伏发电伺服系统RBF神经网络逼近器,使其逼近得出步骤1)中光伏发电伺服系统模型内的未知函数;3)结合RBF神经网络逼近器设计出基于离散时间的光伏发电伺服系统自适应神经网络动态面控制器,引入磁滞量化器对控制信号进行幅值的量化。能够将RBF神经网络逼近器估计未知项;引入磁滞量化器对控制信号进行幅值的量化,提高了控制器抑制抖振的能力,实现数字控制,提高光伏发电伺服系统的抗干扰能力。
Description
技术领域
本发明涉及光伏发电领域,特别涉及基于离散时间的光伏发电伺服系统的自适应神经 网络动态面控制方法。
背景技术
光伏发电技术由于其原理和结构简单,发电场建设周期短,运行维护成本低且可开发 地区广,已受到世界各国的重视,由于光伏板对日位置的追踪精度直接影响光伏发电效率, 因此需要设计性能优异的控制器。对于具有不确定性的光伏发电伺服系统,结合实际控制 需要,光伏发电伺服系统控制器的设计应满足如下需求:1)控制器应使得伺服系统跟踪 误差满足实际控制精度需要,2)控制器应具有较好的抗干扰能力,能够保证系统稳定;3) 控制器设计简明,利于实时控制。在以前的工作中,对于光伏发电伺服系统控制器的设计 都是基于连续时间的,而离散时间控制方法更接近实际工程应用。本设计将提出一种基于 离散时间的光伏发电伺服系统的自适应神经网络动态面控制方法,并引入磁滞量化器对控 制信号进行幅值的量化,实现数字控制,提高控制器抑制抖振的能力。
发明内容
为了克服背景技术中的不足,本发明提供一种基于离散时间的光伏发电伺服系统的自 适应神经网络动态面控制方法,能够提高光伏发电伺服系统的跟踪精度。
为了达到上述目的,本发明采用以下技术方案实现:
基于离散时间的光伏发电伺服系统的自适应神经网络动态面控制方法,包括如下步骤:
1)构造光伏发电伺服系统的数学模型;
2)设计光伏发电伺服系统RBF神经网络逼近器,使其逼近得出步骤1)中光伏发电伺服系统模型内的未知函数;
3)结合RBF神经网络逼近器设计出基于离散时间的光伏发电伺服系统自适应神经网 络动态面控制器,引入磁滞量化器对控制信号进行幅值的量化。
进一步地,步骤1)所述的光伏发电伺服系统的数学模型如公式所示:
其中i=1,2,θir转子角度,viq为定子电压,iiq为定子电流,ωir为转子角速度,Ji为转 子惯量,TiL为负载转矩,fi为粘滞摩擦系数;式(1)中的系数定义如下:
式中,n,L1,L2,Lm,λ2s,R1,R2分别为极对数,定子电感,转子电感,互感,磁链,定子电 阻,转子电阻;
对系统模型进行规范化转换,令[θir ωir iiq]T=[xi1 xi2 xi3]T,公式由以下表示:
其中gi,θi,βi为系统的未知参数,Δi(xi1,t)为系统不确定部分,yi为系统输出,ui为控制信号;
通过使用欧拉方法,可以得到基于离散时间的系统模型,如下:
进一步地,步骤2)所述的光伏发电伺服系统RBF神经网络逼近器为:
其中ci∈Rm为第i个基函数的中心,φ∈R为基函数宽度。
进一步地,步骤3)包括如下步骤:
第一步:步骤3)所述的磁滞量化器为:
其中δi=(1-εi(t))/(1+εi(t)),0<εi(t)<1,参数 ai(t)决定了死区的Qi(ui)的大小,εi(t)用来衡量定量密度,公式中,是Qi的最新值,且当t∈[0,Ti,1],则有当t∈[Ti,h,Ti,h+1],其中 Ti,h(h=1,2,3…),0<Ti,1<Ti,2<Ti,3<…≤+∞表示Qi(ui)转换的当前时间;
第二步:定义跟踪误差:
si1(k)=yi(k)-yri(k) (8)
其中yri(k)为参考信号,根据式得:
设计虚拟控制律xi2d(k)为:
ki1为正设计参数,令xi2d(k)通过一阶低通滤波器,得到新的变量zi2(k+1):
第三步:定义第二个动态面误差:
si2(k)=xi2(k)-zi2(k) (12)
根据式得:
用RBF神经网络逼近未知函数,令:
hi2(k)近似为:
ki2,λi2和σi2为正设计参数,令xi3d(k)通过一阶滤波器,得到新的变量zi3(k+1):
第四步:定义第三个误差面:
si3(k)=xi3(k)-zi3(k) (19)
根据式得:
si3(k+1)=(1+Δta2)xi3(k)+Δta1xi2(k)+ΔtβiQ(ui(k))-zi3(k+1) (20)
关于Q(ui(k)),令:
利用和定义的参数ιi1(k)和ιi2(k),磁滞量化器用以下形式表示:
Q(ui(k))=ιi1(k)ui(k)+ιi2(k) (23)
得关于Q(ui(k))的不等式:
|Q(ui(k))-ui(k)|<a(k),if|ui(k)|<a(k) (25)
根据式-及式,得:
将式代入得:
令:
其中,使用RBF神经网络逼近未知函数,hi3(k)可以近似为:
ki3,λi3和σi3为正设计参数。
与现有技术相比,本发明的有益效果是:
本发明所述的方法能够将RBF神经网络逼近器估计未知项;引入磁滞量化器对控制信 号进行幅值的量化,提高了控制器抑制抖振的能力,实现数字控制,提高光伏发电伺服系 统的抗干扰能力。
附图说明
图1为本发明提出的方法和传统反步法的高度角跟踪性能及跟踪误差;
图2为本发明提出的方法和传统反步法的方位角跟踪性能及跟踪误差;
图3为本发明使用磁滞量化器和对数量化器的高度角量化控制信号;
图4为本发明使用磁滞量化器和对数量化器的方位角量化控制信号。
具体实施方式
以下结合附图对本发明提供的具体实施方式进行详细说明。
基于离散时间的光伏发电伺服系统的自适应神经网络动态面控制方法,包括如下步骤:
1)构造光伏发电伺服系统的数学模型;
所述的光伏发电伺服系统的数学模型如公式所示:
其中i=1,2,θir转子角度,viq为定子电压,iiq为定子电流,ωir为转子角速度,Ji为转 子惯量,TiL为负载转矩,fi为粘滞摩擦系数;式(1)中的系数定义如下:
式中,n,L1,L2,Lm,λ2s,R1,R2分别为极对数,定子电感,转子电感,互感,磁链,定子电 阻,转子电阻;
对系统模型进行规范化转换,令[θir ωir iiq]T=[xi1 xi2 xi3]T,公式可以由以下表示:
其中gi,θi,βi为系统的未知参数,Δi(xi1,t)为系统不确定部分,yi为系统输出,ui为 控制信号;
通过使用欧拉方法,可以得到基于离散时间的系统模型,如下:
2)设计光伏发电伺服系统RBF神经网络逼近器,使其逼近得出步骤1)中光伏发电伺服系统模型内的未知函数;
光伏发电伺服系统RBF神经网络逼近器为:
其中ci∈Rm为第i个基函数的中心,φ∈R为基函数宽度。
3)结合RBF神经网络逼近器设计出基于离散时间的光伏发电伺服系统自适应神经网 络动态面控制器,引入磁滞量化器对控制信号进行幅值的量化。
本步骤包括如下步骤:
第一步:步骤3)所述的磁滞量化器为:
其中δi=(1-εi(t))/(1+εi(t)),0<εi(t)<1,参数 ai(t)决定了死区的Qi(ui)的大小,εi(t)用来衡量定量密度,公式中,是Qi的最新值,且 当t∈[0,Ti,1],则有当t∈[Ti,h,Ti,h+1],其中 Ti,h(h=1,2,3…),0<Ti,1<Ti,2<Ti,3<…≤+∞表示Qi(ui)转换的当前时间;
第二步:定义跟踪误差:
si1(k)=yi(k)-yri(k) (8)
其中yri为参考信号,根据式得:
设计虚拟控制律xi2d(k)为:
ki1为正设计参数,令xi2d(k)通过一阶低通滤波器,得到新的变量zi2(k+1):
第三步:定义第二个动态面误差:
si2(k)=xi2(k)-zi2(k) (12)
根据式得:
用RBF神经网络逼近未知函数,令:
hi2(k)可以近似为:
ki2,λi2和σi2为正设计参数,令xi3d(k)通过一阶滤波器,得到新的变量zi3(k+1):
第四步:定义第三个误差面:
si3(k)=xi3(k)-zi3(k) (19)
根据式得:
si3(k+1)=(1+Δta2)xi3(k)+Δta1xi2(k)+ΔtβiQ(ui(k))-zi3(k+1) (20)
关于Q(ui(k)),令:
利用和定义的参数ιi1(k)和ιi2(k),磁滞量化器可以用以下形式表示:
Q(ui(k))=ιi1(k)ui(k)+ιi2(k) (23)
可得关于Q(ui(k))的不等式:
|Q(ui(k))-ui(k)|<a(k),if|ui(k)|<a(k) (25)
根据式-及式,可得:
将式代入可得:
令:
其中,使用RBF神经网络逼近未知函数,hi3(k)可以近似为:
ki3,λi3和σi3为正设计参数。
下面分析采用本方法的光伏发电伺服系统控制稳定性。
对于稳定性分析,选择Lyapunov函数
其中
Vi(k)的一阶前向差分为:
考虑以下的杨氏不等式:
在此基础上,进一步得到ΔVi(k):
通过选择参数使:
接下来对本发明所述的方法进行仿真分析:
表1伺服电机参数
在仿真中,控制器公式的设计参数选择为:
k11=0.05,k12=0.0007,k13=0.075,k21=0.045,k22=0.0001,k23=0.075;
一阶滤波器公式的时间参数选择为:
τ12=τ22=0.0006,τ13=τ23=0.0006;
自适应律设计公式的参数被选择为:
λ12=λ13=1.25,σ12=σ13=0.75,λ22=λ23=0.9,σ22=σ23=0.5;
为了验证所提出方案的有效性,对光伏发电伺服系统进行了仿真。
仿真结果如图1-4所示。图1-2给出了所提方法和传统反步法的高度角和方位角的跟 踪性能以及跟踪误差。图3-4显示了使用磁滞量化器和对数量化器的高度角和方位角的量 化控制信号,可以看出所提出的控制方法具有更小的稳态误差,而使用的磁滞量化器具有 较好的抑制抖振的能力。
本方法提出了一种基于离散时间的光伏发电伺服系统的自适应神经网络动态面控制 方法。使用RBF神经网络对系统的未知函数进行了逼近,使用动态面控制方法简化了控制 器的设计,降低了算法的复杂度。此外,引入磁滞量化器对控制信号进行量化,从而提高 了控制器抑制抖振的能力,实现了数字控制。
以上实施例在以本发明技术方案为前提下进行实施,给出了详细的实施方式和具体的 操作过程,但本发明的保护范围不限于上述的实施例。上述实施例中所用方法如无特别说 明均为常规方法。
Claims (4)
1.基于离散时间的光伏发电伺服系统的自适应神经网络动态面控制方法,其特征在于:包括如下步骤:
1)构造光伏发电伺服系统的数学模型;
2)设计光伏发电伺服系统RBF神经网络逼近器,使其逼近得出步骤1)中光伏发电伺服系统模型内的未知函数;
3)结合RBF神经网络逼近器设计出基于离散时间的光伏发电伺服系统自适应神经网络动态面控制器,引入磁滞量化器对控制信号进行幅值的量化。
2.根据权利要求1所述的基于离散时间的光伏发电伺服系统的自适应神经网络动态面控制方法,其特征在于:步骤1)所述的光伏发电伺服系统的数学模型如公式所示:
其中i=1,2,θir转子角度,viq为定子电压,iiq为定子电流,ωir为转子角速度,Ji为转子惯量,TiL为负载转矩,fi为粘滞摩擦系数;式(1)中的系数定义如下:
式中,n,L1,L2,Lm,λ2s,R1,R2分别为极对数,定子电感,转子电感,互感,磁链,定子电阻,转子电阻;
对系统模型进行规范化转换,令[θir ωir iiq]T=[xi1 xi2 xi3]T,公式由以下表示:
其中gi,θi,βi为系统的未知参数,Δi(xi1,t)为系统不确定部分,yi为系统输出,ui为控制信号;
通过使用欧拉方法,可以得到基于离散时间的系统模型,如下:
4.根据权利要求1所述的基于离散时间的光伏发电伺服系统的自适应神经网络动态面控制方法,其特征在于:步骤3)包括如下步骤:
第一步:步骤3)所述的磁滞量化器为:
其中δi=(1-εi(t))/(1+εi(t)),0<εi(t)<1,参数ai(t)决定了死区的Qi(ui)的大小,εi(t)用来衡量定量密度,公式中,是Qi的最新值,且当t∈[0,Ti,1],则有当t∈[Ti,h,Ti,h+1],其中Ti,h(h=1,2,3…),0<Ti,1<Ti,2<Ti,3<…≤+∞表示Qi(ui)转换的当前时间;
第二步:定义跟踪误差:
si1(k)=yi(k)-yri(k) (8)
其中yri(k)为参考信号,根据式得:
设计虚拟控制律xi2d(k)为:
ki1为正设计参数,令xi2d(k)通过一阶低通滤波器,得到新的变量zi2(k+1):
第三步:定义第二个动态面误差:
si2(k)=xi2(k)-zi2(k) (12)
根据式得:
用RBF神经网络逼近未知函数,令:
hi2(k)近似为:
ki2,λi2和σi2为正设计参数,令xi3d(k)通过一阶滤波器,得到新的变量zi3(k+1):
第四步:定义第三个误差面:
si3(k)=xi3(k)-zi3(k) (19)
根据式得:
si3(k+1)=(1+Δta2)xi3(k)+Δta1xi2(k)+ΔtβiQ(ui(k))-zi3(k+1) (20)
关于Q(ui(k)),令:
利用和定义的参数ιi1(k)和ιi2(k),磁滞量化器用以下形式表示:
Q(ui(k))=ιi1(k)ui(k)+ιi2(k) (23)
得关于Q(ui(k))的不等式:
|Q(ui(k))-ui(k)|<a(k),if|ui(k)|<a(k) (25)
根据式-及式,得:
将式代入得:
令:
其中,使用RBF神经网络逼近未知函数,hi3(k)可以近似为:
ki3,λi3和σi3为正设计参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110940374.1A CN114019791A (zh) | 2021-08-17 | 2021-08-17 | 光伏发电伺服系统的自适应神经网络动态面控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110940374.1A CN114019791A (zh) | 2021-08-17 | 2021-08-17 | 光伏发电伺服系统的自适应神经网络动态面控制方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114019791A true CN114019791A (zh) | 2022-02-08 |
Family
ID=80054339
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110940374.1A Pending CN114019791A (zh) | 2021-08-17 | 2021-08-17 | 光伏发电伺服系统的自适应神经网络动态面控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114019791A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117193009A (zh) * | 2023-10-07 | 2023-12-08 | 东北电力大学 | 光伏电板伺服系统的有限时间命令滤波控制方法及系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107065540A (zh) * | 2017-03-15 | 2017-08-18 | 东北电力大学 | 一种基于神经网络的自适应动态面分布控制方法 |
CN109245645A (zh) * | 2018-11-08 | 2019-01-18 | 贵州大学 | 一种永磁同步电机混沌系统自适应动态面控制方法 |
GB2572458A (en) * | 2018-03-28 | 2019-10-02 | Huaiyin Inst Technology | An adaptive sliding-mode control method of the permanent magnet synchronous motor based on dynamic surface technology |
CN110501912A (zh) * | 2019-04-01 | 2019-11-26 | 东北电力大学 | 满足预设输出跟踪性能的多机电力系统自适应模糊动态面滑模控制方法 |
CN111142386A (zh) * | 2020-01-08 | 2020-05-12 | 浙江机电职业技术学院 | 一种基于非均匀量化的不确定多智能体系统一致性控制方法 |
CN111766889A (zh) * | 2020-05-06 | 2020-10-13 | 东北电力大学 | 基于输出反馈的四旋翼自适应动态面滑模控制器 |
CN111769544A (zh) * | 2020-05-06 | 2020-10-13 | 东北电力大学 | 一种配备svc的多机电力系统分布式数字控制器 |
CN111766781A (zh) * | 2020-05-06 | 2020-10-13 | 东北电力大学 | 基于复合学习和dob的多机电力系统自适应动态面控制器 |
-
2021
- 2021-08-17 CN CN202110940374.1A patent/CN114019791A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107065540A (zh) * | 2017-03-15 | 2017-08-18 | 东北电力大学 | 一种基于神经网络的自适应动态面分布控制方法 |
GB2572458A (en) * | 2018-03-28 | 2019-10-02 | Huaiyin Inst Technology | An adaptive sliding-mode control method of the permanent magnet synchronous motor based on dynamic surface technology |
CN109245645A (zh) * | 2018-11-08 | 2019-01-18 | 贵州大学 | 一种永磁同步电机混沌系统自适应动态面控制方法 |
CN110501912A (zh) * | 2019-04-01 | 2019-11-26 | 东北电力大学 | 满足预设输出跟踪性能的多机电力系统自适应模糊动态面滑模控制方法 |
CN111142386A (zh) * | 2020-01-08 | 2020-05-12 | 浙江机电职业技术学院 | 一种基于非均匀量化的不确定多智能体系统一致性控制方法 |
CN111766889A (zh) * | 2020-05-06 | 2020-10-13 | 东北电力大学 | 基于输出反馈的四旋翼自适应动态面滑模控制器 |
CN111769544A (zh) * | 2020-05-06 | 2020-10-13 | 东北电力大学 | 一种配备svc的多机电力系统分布式数字控制器 |
CN111766781A (zh) * | 2020-05-06 | 2020-10-13 | 东北电力大学 | 基于复合学习和dob的多机电力系统自适应动态面控制器 |
Non-Patent Citations (1)
Title |
---|
张秀宇: "塔式光热电站定日镜的鲁棒自适应控制算法", 《中国电机工程学报》, vol. 39, pages 203 - 212 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117193009A (zh) * | 2023-10-07 | 2023-12-08 | 东北电力大学 | 光伏电板伺服系统的有限时间命令滤波控制方法及系统 |
CN117193009B (zh) * | 2023-10-07 | 2024-04-09 | 东北电力大学 | 光伏电板伺服系统的有限时间命令滤波控制方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106487297B (zh) | 一种基于无迹卡尔曼滤波算法的pmsm参数辨识方法 | |
Østergaard et al. | Estimation of effective wind speed | |
CN106774273B (zh) | 针对变时滞控制系统执行器故障的滑模预测容错控制方法 | |
CN106788086B (zh) | 考虑输入饱和的异步电机命令滤波有限时间模糊控制方法 | |
CN108964545B (zh) | 一种基于命令滤波的同步电机神经网络反步离散控制方法 | |
Deng et al. | An effective wind speed estimation based extended optimal torque control for maximum wind energy capture | |
CN111969597B (zh) | 带有svc的多机无穷大电力系统动态面积分滑模控制器 | |
CN110401391B (zh) | 异步电动机随机系统模糊自适应动态面控制方法 | |
Li et al. | Sensorless-based active disturbance rejection control for a wind energy conversion system with permanent magnet synchronous generator | |
CN112838797B (zh) | 基于改进指数趋近律的永磁同步电机模糊滑模控制方法 | |
CN101997471B (zh) | 基于pid预测函数的励磁控制方法 | |
Dang et al. | Model predictive control for maximum power capture of variable speed wind turbines | |
CN111142404A (zh) | 一种基于压电陶瓷驱动的微定位平台及其建模与控制方法 | |
CN112737435A (zh) | 一种基于t-s模糊滑模控制的步进电机抗干扰系统 | |
CN114019791A (zh) | 光伏发电伺服系统的自适应神经网络动态面控制方法 | |
CN111769544B (zh) | 一种配备svc的多机电力系统分布式数字控制器 | |
Elnaggar et al. | L1 adaptive Fuzzy control of wind energy conversion systems via variable structure adaptation for all wind speed regions | |
CN116991068A (zh) | 基于分布式预设时间梯度下降法的电机控制方法及系统 | |
Anbalagan et al. | Fuzzy membership-function-dependent design of aperiodic sample-data control scheme for nonlinear PMSG-based WECS with quantization measurements via refined looped Lyapunov functional | |
CN112343770B (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 | |
Shen et al. | HOSMD and neural network based adaptive super-twisting sliding mode control for permanent magnet synchronous generators | |
CN115788773A (zh) | 一种漂浮式风电机组多目标变桨控制、系统及设备 | |
Zoubaa et al. | Fractional order sliding mode control of wind turbines based on wind speed estimator | |
Zheng et al. | A fractional order controller design based on bode’s ideal transfer function and bode’s ideal cut-off ideas | |
CN112000017B (zh) | 一种分数阶水轮机调节系统的全局镇定控制方法 |
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 |