JP2013176228A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- JP2013176228A JP2013176228A JP2012039277A JP2012039277A JP2013176228A JP 2013176228 A JP2013176228 A JP 2013176228A JP 2012039277 A JP2012039277 A JP 2012039277A JP 2012039277 A JP2012039277 A JP 2012039277A JP 2013176228 A JP2013176228 A JP 2013176228A
- Authority
- JP
- Japan
- Prior art keywords
- layer
- power control
- intelligent power
- hybrid intelligent
- output
- 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
Images
Landscapes
- Control Of Eletrric Generators (AREA)
Abstract
【課題】風力発電に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を適用し、発電パワー出力の高出力化を図る。
【解決手段】本発明は、損失最小化の方式で、永久磁石同期発電機61の速度コントロールに用いられるハイブリッドファジィスライドモデルと、タービンのピッチ角コントロールのためのオンライントレーニングのリカレントニューラルネットワークの設計に関し、動態バックプロパゲーションラーニングアルゴリズムがコントローラの調節に用いられ、異なる回転速度において、永久磁石同期発電機が定格速度以下で、最大パワーポイントを追跡でき、ならびに回転装置より最大エネルギーを出力できる。
【選択図】図6A
【解決手段】本発明は、損失最小化の方式で、永久磁石同期発電機61の速度コントロールに用いられるハイブリッドファジィスライドモデルと、タービンのピッチ角コントロールのためのオンライントレーニングのリカレントニューラルネットワークの設計に関し、動態バックプロパゲーションラーニングアルゴリズムがコントローラの調節に用いられ、異なる回転速度において、永久磁石同期発電機が定格速度以下で、最大パワーポイントを追跡でき、ならびに回転装置より最大エネルギーを出力できる。
【選択図】図6A
Description
本発明はパワーコントロール方法及びシステムに係り、ファジィスライドモード(fuzzy sliding mode)とオンライントレーニングのリカレントニューラルネットワーク(on-line training recurrent neural network,RNN)を使用する方法であって、ならびにシステム中で、該方法は、永久磁石同期発電機(PMSG)の速度コントロールとタービン(turbin)のピッチ角コントロール(pitch angle control)を用いる、一種のハイブリッドインテリジェントパワーコントロール方法及びシステムに関する。
周知のとおり、一般に発電は、恒常の速度と使用パワーをデジタルアダプタで変換して変更操作する。変速タービンにより、各種の回転速度下で、最大パワー操作点で操作を行うことができ、回転軸速度の最適化により、最大効率を達成できる。このような特性は、変速装置変換システムの特性と長所であり、最大パワーコントロールを達成するために、いくつかのコントロール方法が提出されているものの、ほとんどは、単一型のコントロールモードとされる。
永久磁石同期発電機は、最近の研究が不断に増加しており、永久磁石同期発電機の理想の特性は堅固な構造、高い空隙流通密度、ハイパワー密度、高い回転トルクの慣性比、高い回転トルクである。さらに、誘導電動機と比較すると、永久磁石同期発電機は高効率という長所を有している。回転子損耗が少なく、定格速度下で、比較的低い負荷電流を有するためである。発電機パラメータに対する結合コントロールの能力の変化は比較的敏感でなく、ならびに永久磁石同期発電機の制御のコントロール性は予測可能である。
周知の、機械センサ(風力速度のセンサと位置センサ)のない交流パワー出力は約80%である。周知の、DFIG直列接続の非線形コントロールを、変速に用いたタービンは、その回転速度予測のエラーレートが相当に大きい。周知のヒルクライミングアルゴリズム(Hill-climbing Algorithm)の研究は、タービントルクを考慮するが、いずれにしても、一種のインテリジェントメモリのオンライントレーニングプロセス(on-line training process)が必要である。周知の二種類の方法によるパワー出力の調整、すなわち、ピッチ角(pitch angle)とパワー負荷のコントロールは、いずれも、タービンを調整する操作であるが、パワー係数(power coefficient)の偏差が大きすぎる。
本発明はファジィスライドモードコントローラ(fuzzy sliding mode controller)を使用し、ファジィ推論メカニズム(fuzzy inference mechanism)、及び適応性演算法を、永久磁石同期発電機の速度コントロールに応用する。
ファジィスライドモードコントローラは、切換え面(switching surface)に整合されて操作され、システムにスライドモード発生時に、このシステムの動態動作をフィードバックしてシステムの強健(robust)状態をコントロールする。一般にスライドモードコントロール(sliding mode control)中、往々にして不確実性の上界(the upper bound of uncertainties)があり、このため、実際の応用の時には、パラメータ変化と外部機械の振動等を含む不確定境界値は獲得しにくい。本発明ファジィスライドモード位置コントローラは、上述の困難を解決して、簡単なファジィ推論メカニズム(fuzzy inference mechanism)、不確実性の上界(the upper bound of uncertainties)を予測するのに用いられる。
本発明はある実施例において、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を提供し、それは、ファジィ推論メカニズム(fuzzy inference mechanism)を実行して発電機をコントロールするファジィスライドモードコントローラ(fuzzy sliding mode controller)と、オンライントレーニング(on-line training)方法を実行して該発電機に結合されたタービンのピッチ角をコントロールすることで、最大のパワー出力を達成する、リカレントニューラルネットワーク(recurrent neural network,RNN)ピッチ角コントローラ(pitch angle controller)と、を包含し、そのうち、該タービンは該タービンに接続された羽根のピッチ角が調整されることで該タービンに入力された変化に応答し、並びに該ファジィ推論メカニズム(fuzzy inference mechanism)により該発電機の軸速度をコントロールして最大パワー出力を達成する。
本発明の別の実施例は、ハイブリッドインテリジェントパワーコントロール方法を提供し、それは、ファジィスライドモードコントローラ(fuzzy sliding mode controller)を使用してファジィ推論メカニズム(fuzzy inference mechanism)を実行して発電機をコントロールするステップと、リカレントニューラルネットワーク(recurrent neural network,RNN)ピッチ角コントローラ(pitch angle controller)を使用してオンライントレーニング(on-line training)方法を実行して該発電機に結合されたタービンのピッチ角をコントロールすることで、最大のパワー出力を達成するステップと、を包含する。
本発明は、損失最小化の方式で、永久磁石同期発電機の速度コントロールに用いられるハイブリッドファジィスライドモデルと、タービンのピッチ角コントロールのための高性能オンライントレーニングのリカレントニューラルネットワーク(on-line training recurrent neural network,RNN)の設計に関する。動態バックプロパゲーションラーニングアルゴリズム(back-propagation learning algorithm)がRNNコントローラの調節に用いられる。異なる回転速度において、PMSGが定格速度以下で、最大パワーポイント追跡を使用でき、ならびに回転装置中より最大エネルギーを捕獲できる。スライドモードコントローラは、操作の切換え面(switching surface)に整合され、そのうち、ファジィ推論(fuzzy inference mechanism)が不確実性の上界(the upper bound of uncertainties)の予測に用いられる。
図1に示されるように、ギアボックス11を介して、タービン10が永久磁石同期発電機(PMSG)12と軸結合され、この部分の歯車加速の変換損失は無視され、永久磁石同期発電機(PMSG)はパワーコンバーター(power converter)13と直流負荷(DC Load)インバーター(inverter)14回路に接続され、外在エネルギーパワー(Pw)たとえば風力エネルギーパワーを機械パワー、たとえば風力タービンの出力パワー(Pm)に変換し、さらに交流電力パワー(Pe)に変換し、その後、直流電力パワー(Pdc)に変換する。このパワーは直接電力システムに供給され、加速歯車の変換損失は無視され得る。本発明はまた、ギアレスの直接駆動システムに用いられる。
最大のエネルギーを捕捉するため、パワー電子装置を取り付ける必要がある。該装置はタービン発電機とグリッドの間に位置し、この部分の周波数は定数である。もしタービン発電機に入力されるのが風力であれば、出力は発電機ロータを回転させるパワーである。異なる速度の風力タービンに対して、風力タービンより得られる出力機械パワーは以下のように表される。
pとAはそれぞれ羽根がスイープする空気密度と面積であり、
Vwは風速(m/sec)であり、
Cpはパワー係数(power coefficient)であり、尖端速度比tip speed ratio(TSR)λの非線形方程式とされる。
rは風力タービンの羽根半径であり、
ωrはタービン速度であり、
CpはTSRλと羽根ピッチ角竈の方程式である。
Vwは風速(m/sec)であり、
Cpはパワー係数(power coefficient)であり、尖端速度比tip speed ratio(TSR)λの非線形方程式とされる。
ωrはタービン速度であり、
CpはTSRλと羽根ピッチ角竈の方程式である。
図2に示されるように、公式(3)を使用して、典型的なCpとλの曲線を発生し、風力タービンは最良の速度比λoptを有し、最大パワー係数(power coefficient)Cpmaxをもたらし得て、β=0の時、公式(2)の尖端速度比(TSR)を、最良値λopt=6.9に調整し、最大パワー係数(power coefficient)がCpmax =0.4412に到達する時、最大パワー(power)獲得のコントロール目標が達成され、公式(1)と公式(2)より得られる。
公式(4)は最大パワー出力時の、タービンのパワーと速度間の関係である。最大パワー規格下で、該システムを調整する時、タービンパワーは発電機の定格パワーより大きくてはならないことを考慮する必要があり、一端発電機の定格パワーが定格風速を達成したら、出力パワーは制限されなければならない。変速風力発電機に対しては、機械アクチュエータ(mechanical actuator)を用い、羽根のピッチ角を変更することで、パワー係数(power coefficient)を下げ、並びに電力の定格パワーを維持する。最大パワー係数(power coefficient)で動作する時、ある風力発電機は風速より獲得される定格速度が発電機の定格パワーより低い。
3相永久磁石同期発電機(PMSG)は、その機械トルク(Tm)と電気トルク(Te)が以下のように表され、
永久磁石同期発電機(PMSG)の動態公式は、
weは電動機角速度
npは極数
Jは風力タービン発電機(WTG)慣性量
Bは発電機摩擦係数
永久磁石同期発電機(PMSG)の機械モジュール中、回転子回転の参考は、
及び
そのうち、
vd,vq =d,q軸固定子電圧
id,iq =d,q軸固定子電流
Ld,Lq =d,q軸固定子インダクタンス
λd,λq =d,q軸固定子磁束鎖
R=定子抵抗
Ws=変換機周波数
Ifd=等価d−軸磁化電流
Lmd=d−軸交互インダクタンス
電気トルク、及び発電機動態は、
である。
npは極数
Jは風力タービン発電機(WTG)慣性量
Bは発電機摩擦係数
永久磁石同期発電機(PMSG)の機械モジュール中、回転子回転の参考は、
vd,vq =d,q軸固定子電圧
id,iq =d,q軸固定子電流
Ld,Lq =d,q軸固定子インダクタンス
λd,λq =d,q軸固定子磁束鎖
R=定子抵抗
Ws=変換機周波数
Ifd=等価d−軸磁化電流
Lmd=d−軸交互インダクタンス
電気トルク、及び発電機動態は、
図3は永久磁石同期発電機(PMSG)31のコントロール構造コンフィギュレーションであり、電流コントロールPWM、電圧源変換器(VSC)32、インバーター(inverter)33、電流コントローラ(comparison current controller)34、場導向機械を包含し、場導向機械は、コーディネートトランスレーター(coordinate translator)35、ファジィスライドモードスピードコントローラ(fuzzy sliding mode speed controller)36、ピッチ角コントローラ(pitch control)37、交流グリッド(AC Grid)38を包含する。Pwは外在エネルギーパワーであり、Pmは風力タービンの出力パワーである。場導向機械を介し、永久磁石同期発電機(PMSG)システムが、合理的に図4中のコントロールブロック図中に表示され得る。そのうち、
トルク電流であり、スピードコントローラより発生する。
ファジィスライドモードスピードコントローラ(fuzzy sliding mode speed controller)36は、図3に示されるように、関係変数定義は以下のようであり、
そのうち、
△ωは回転子角度速度差であり、
ωrは発電機回転子角速度である。
同期発電機自身の安定状態パワー出力は以下のようであり、
以下のように表示可能であり、
そのうち、
公式(19)を考慮すると、方程式は以下のように表示可能であり、
そのうち、△A、△B、△Dは、J,B,Kt,及びTm等のパラメータで表示され得て、
Jは回転慣性量(the inertia moment)、
Tmは機械トルク(mechanical torque)、
Bは発電機の摩擦係数(friction coefficient of the generator)であり、
方程式(20)は、以下のように表示され得る。
F(t)は総合変化因子であって、以下のように表示され得る。
方程式(21)により、全体運転の切換え面は、システムパラメータA、Bより直接達成され得る。
△ωは回転子角度速度差であり、
ωrは発電機回転子角速度である。
同期発電機自身の安定状態パワー出力は以下のようであり、
Jは回転慣性量(the inertia moment)、
Tmは機械トルク(mechanical torque)、
Bは発電機の摩擦係数(friction coefficient of the generator)であり、
方程式(20)は、以下のように表示され得る。
ファジィスライドモードスピードコントローラ(fuzzy sliding mode speed controller)40の切換え面(switching surface)の設計は、図4のようであり、それは、ファジィスライドモードスピードコントローラ(fuzzy sliding mode speed controller)40、オンライトレーニングを実行するRNNピッチ角コントローラ(pitch controller)41、発電機(power generator)42を包含する。積分の順スライドモードコントローラを包含する切換え面は、以下のように設計される。
そのうち、
Cは、正の定数マトリックス集合であり、
Kは、状態フィードバックゲインマトリックスである。
Cは、正の定数マトリックス集合であり、
Kは、状態フィードバックゲインマトリックスである。
公式(23)より、もしシステム方程式(22)の状態軌跡が、方程式(23)の切換え面(switching surface)より捕捉されるなら、すなわち、
であり、システム方程式(22)の等価動態は、
である。
方程式(24)中、システム極点が右半面に位置する時、速度エラーx1(t)は零指数に収縮し、これにより、発散は発生せず、且つシステム動態は状態フィードバックコントロールシステムのようである。
スライドモードスピードコントローラ(sliding mode speed controller)の設計:
前述の切換え面を基礎とし、ファジィ条件に接近し且つ順スライドモードの存在を補償する演算法則を設計する。順スライドモード回転速度コントローラー形式は以下のようである。
そのうち、sgn(・)は信号関数であり、
fは、
を指す。
前述の切換え面を基礎とし、ファジィ条件に接近し且つ順スライドモードの存在を補償する演算法則を設計する。順スライドモード回転速度コントローラー形式は以下のようである。
スライドモードコントローラは、パラメータの変化と外界機械の乱動を包含するKfのファジィ推定(Fuzzy estimation)を、不確実性の上界(the upper bound of uncertainties)において用い、S,
切換え面(switching surface)のファジィ推論のメンバシップ関数(membership functions)を、[−2,2]に設定する。
ファジィスライドモードスピードコントローラ(sliding mode speed controller)40を使用し、該ファジィスライドモードスピードコントローラが、ファジィ推論メカニズム(fuzzy inference mechanism)を実行し、発電機42をコントロールし、及び、オンライントレーニング(on-line training)のRNNピッチ角コントローラ(pitch controller)41を使用し、オンライントレーニング(on-line training)方法を実行し、図4に示されるように、オンライントレーニング(on-line training)を実行するRNNピッチ角コントローラ41は、タービン発電機のピッチ角をコントロールすることで、最大の効率を達成し、該タービンは該発電機に結合され、図5のようである。そのうち、N:(負)Negative
ZE,Z:(零)Zero
P:(正)Positive
H:(巨大)Huge
NH:(負で巨大)Negative Huge
NB:(負で大)Negative Big
NM:(負で中)Negative Medium
NS:(負で小)Negative Small
PH:(正で巨大)Positive Huge
PS:(正で小)Positive Small
PM:(正で中)Positive Medium
PB:(正で大)Positive Big
PH:(正で巨大)Positive Huge
VS:(非常に小)Very Small
VB:(非常に大)Very Big
B:(大)Big
M:(中)Medium
ファジィスライドモードがコントロールするファジィ規則である。
ZE,Z:(零)Zero
P:(正)Positive
H:(巨大)Huge
NH:(負で巨大)Negative Huge
NB:(負で大)Negative Big
NM:(負で中)Negative Medium
NS:(負で小)Negative Small
PH:(正で巨大)Positive Huge
PS:(正で小)Positive Small
PM:(正で中)Positive Medium
PB:(正で大)Positive Big
PH:(正で巨大)Positive Huge
VS:(非常に小)Very Small
VB:(非常に大)Very Big
B:(大)Big
M:(中)Medium
ファジィ推論メカニズム(fuzzy inference mechanism)は、僅かに表1の25種類の規則のみ有する。たとえば、規則25はSが切換え面(switching surface)より離れ、
がPB(正で大)であり、これにより、比較的大きなKfが切換え面(switching surface)に対して必要である。規則13はSが切換え面(switching surface)上にあり、
が零であり、僅かだが非常に小さいKfが切換え面(switching surface)に対して必要である。
S,
は、それぞれ、
Kfが、
で、重心(the center of gravity:COG)よりファジー計算により求められ、そのうち、
は調整可能パラメータベクトル(adjusable parameter vector)であり、c1からc25はKfのメンバーシップ関数(membership functions)中心であり、
は起動強度ベクトル(fired stranght vector)である。
S,
Kfが、
リカレントニューラルネットワーク(recurrent neural network,RNN):
図6Aに示される3層階ニュートラルネットワークのように、ネットワーク構造は全部で3層に分けられ、それぞれ、第1層の入力層、第2層の中間層及び第3層の出力層とされる。RNNコントローラは、タービンにおいて運用され、Pwは風力パワー、Pmは風力タービンの出力パワー、eはタービン出力パワーの誤差である。
図6Aに示される3層階ニュートラルネットワークのように、ネットワーク構造は全部で3層に分けられ、それぞれ、第1層の入力層、第2層の中間層及び第3層の出力層とされる。RNNコントローラは、タービンにおいて運用され、Pwは風力パワー、Pmは風力タービンの出力パワー、eはタービン出力パワーの誤差である。
RNN入力は、
であり、そのうち、
である。第N次のサンプル定数の誤差(error)は、
e(N)=Pw−Pm と表され得て、エラー変換(change of error)は、
ce(N)=e(N)−e(N−1)
と表され得て、そのうち、e(N−1)は前の一つのサンプル時間の誤差(error)値である。
eはタービン出力パワーの誤差(error)であり、RNNピッチ角コントロールシステムにより、ピッチ角命令(pitch angle command)βcが評価される。
e(N)=Pw−Pm と表され得て、エラー変換(change of error)は、
ce(N)=e(N)−e(N−1)
と表され得て、そのうち、e(N−1)は前の一つのサンプル時間の誤差(error)値である。
eはタービン出力パワーの誤差(error)であり、RNNピッチ角コントロールシステムにより、ピッチ角命令(pitch angle command)βcが評価される。
図6Aに示されるように、RNNの常使用単位入力層、中間層、及び出力層は、それぞれ、2、9、1であり、そのうち、永久磁石同期発電機(PMSG)61、監督式学習とトレーニングプロセス(Supervised learning and training process)62と、リカレントニューラルネットワーク(recurrent neural network,RNN)の3層が相互に結合される。
第1層:入力層(Input Layer)
そのうち、
は第1層入力層の入力信号である。
は第1層入力層のノード関数である。
は第1層入力層の出力信号である。
Nは反復の次数である。
は第1層入力層動態関数(activation function)、シグモイド関数(sigmoid function)である。
Nは反復の次数である。
第2層:中間層(Hidden Layer)
中間層の基底関数形式には多くの形態がある。たとえば、線形関数(Linear Function)、ガウス関数(Gaussian Function)、ロジック関数(Logic Function)及び指数関数(Exponential function)等がある。
そのうち、
Nは反復次数、
は第2層中間層の出力信号、
は第2層中間層の入力信号、
は第2層中間層のノード関数、
は第2層中間層のリカレント単位の重み値
は第2層中、入力層と中間層を連結する重み値、
nは第2層中間層中のニューロン数、
は第2層中間層中の、動態関数(activation function),シグモイド関数(sigmoid function)である。
中間層の基底関数形式には多くの形態がある。たとえば、線形関数(Linear Function)、ガウス関数(Gaussian Function)、ロジック関数(Logic Function)及び指数関数(Exponential function)等がある。
Nは反復次数、
nは第2層中間層中のニューロン数、
第3層:出力層(Output Layer)
そのうち、
Nは反復次数、
は出力層の出力信号、
は第3層出力層中、中間層と出力層間を連結するのに用いられる重み値、
は第3層出力層中の、動態関数(activation function)である。
は第3層出力層中のノード関数である。
は第N次の、該第3層出力層の入力信号である。
Kは第3層出力層中のニューロン数である。
Nは反復次数、
Kは第3層出力層中のニューロン数である。
監督式学習とトレーニングプロセス(Supervised learning and training process):
一旦RNNが初期化されると、勾配下降(gradient descent)の監督式学習法則(Supervised learning Law)がこのシステムをトレーニングするのに用いられる。
動態バックプロパゲーションアルゴリズム(back-propagation algorithm)も同様に導き出され、RNNのパラメータ
をトレーニング形態調整し、リカレント方法を応用し、各1層の誤差を計算更新する。監督式学習(Supervised learning)の目的は、誤差関数(error function)Eの最小化であり、そのうち、
であり、そのうち、
Pwは外在エネルギーパワーであり、
Pmはタービンの出力パワーである。
一旦RNNが初期化されると、勾配下降(gradient descent)の監督式学習法則(Supervised learning Law)がこのシステムをトレーニングするのに用いられる。
動態バックプロパゲーションアルゴリズム(back-propagation algorithm)も同様に導き出され、RNNのパラメータ
Pwは外在エネルギーパワーであり、
Pmはタービンの出力パワーである。
第3層:重み値
更新
誤差項は、
そのうち、
emはパワー差値(Pw−Pm)、
は第3層出力層の出力信号、
は逆伝播された誤差、
Eは誤差関数(Error function)である。
重みは以下の式により調整され、すなわち、
そのうち、
は第3層更新中の、第2層中間層出力と第3層の連結重み値の毎次更新反復差量、
は第2層中間層の出力信号、
は第3層出力層の出力信号、
は第3層出力層中のノード関数、
は逆伝播された誤差、
Eは誤差関数(error function)である。
重み更新は、
により、そのうち、
は第2層中間層と第3層出力層の連結重み値の毎次修正量であり、
は第3層更新中の、第2層中間層出力と第3層の連結重み値の毎次更新反復差量であり、
は調整パラメータWjkの学習速度である。
誤差項は、
emはパワー差値(Pw−Pm)、
Eは誤差関数(Error function)である。
Eは誤差関数(error function)である。
第2層:
と
の更新
の適応性規則は、
の適応性規則は、
と
を更新し、
そのうち、
ηjは調整パラメータ
の学習速度であり、
ηijは調整パラメータ
の学習速度であり、
は第2層更新中の、第2層中間層リカレント単位の重み値であり、
は第2層更新中の、第2層中間層重み値の毎次更新反復差量であり、
は第2層更新中の、入力層と中間層を連結する重み値であり、
は第2層更新中の、第2層中間層と第1層出力層を連結する重み値の毎次更新反復差量である。
及び
を調整することで、誤差関数(error function)
を零に接近させる学習方法を導き出せる。
ηjは調整パラメータ
ηijは調整パラメータ
図6Bのフローチャートに示されるように、そのうちオンライントレーニング(on-line training)のリカレントニューラルネットワーク(recurrent neural network,RNN)は、以下のステップを包含する。
(a)ステップ621:リカレントニューラルネットワーク(recurrent neural network,RNN)変化量を初期化し、ステップ622に進む。
(b)ステップ622:構造学習プロセスに進むか否か評価し、イエスであれば、ステップ623に進み、ノーであれば、ステップ628に進む。
(c)ステップ623:新メンバーシップ関数(membership functions)のノードを増加するか否かを評価し、イエスであれば、ステップ624に進み、ノーであればステップ628に進む。
(d)ステップ624:新ノードを増加し、ステップ625に進む。
(e)ステップ625:新ノードとその他のノードに、相似性試験を行う。
(f)ステップ626:新ノードを受け入れ、ステップ628に進む。
(g)ステップ627:新ノードを削除し、ステップ628に進む。
(h)ステップ628:監督式学習プロセスを使用し、
をトレーニングする。
(i)ステップ629:試験を収縮し、誤差関数(error function)
がすでに最小化されたか否かを決定し、イエスであれば、停止し、ノーであれば、ステップ622に進み、反復する。
(a)ステップ621:リカレントニューラルネットワーク(recurrent neural network,RNN)変化量を初期化し、ステップ622に進む。
(b)ステップ622:構造学習プロセスに進むか否か評価し、イエスであれば、ステップ623に進み、ノーであれば、ステップ628に進む。
(c)ステップ623:新メンバーシップ関数(membership functions)のノードを増加するか否かを評価し、イエスであれば、ステップ624に進み、ノーであればステップ628に進む。
(d)ステップ624:新ノードを増加し、ステップ625に進む。
(e)ステップ625:新ノードとその他のノードに、相似性試験を行う。
(f)ステップ626:新ノードを受け入れ、ステップ628に進む。
(g)ステップ627:新ノードを削除し、ステップ628に進む。
(h)ステップ628:監督式学習プロセスを使用し、
(i)ステップ629:試験を収縮し、誤差関数(error function)
回転速度の正確な予測は、安定状態において用いられるのではなく、異なる回転速度の不確定モジュールが確定不能である時にも、スピーディーに伝統的な比例積分(proportional-integral,PI)コントローラに用いられ得る。
好ましい実施例中、スライドモードスピードコントローラ(sliding mode speed controller)とRNNピッチ角コントローラは風力変換システム(wind energy conversion systems,WECS)のコントロールに用いられ得る。
以上述べたことは、本発明の実施例にすぎず、本発明の実施の範囲を限定するものではなく、本発明の特許請求の範囲に基づきなし得る同等の変化と修飾は、いずれも本発明の権利のカバーする範囲内に属するものとする。
10 タービン
11 ギアボックス
12 永久磁石同期発電機(PMSG)
13 パワーコンバータ(power converter)
14 直流負荷(DC Load)インバーター(inverter)
31 永久磁石同期発電機(PMSG)
32 電流コントロールPWM電圧源変換器(VSC)
33 インバータ(inverter)
34 電流コントローラ(comparison current controller)
35 コーディネートトランスレーター(coordinate translator)
36 ファジィスライドモードスピードコントローラ(fuzzy sliding mode speed controller)
37 ピッチ角コントローラ(pitch control)
38 交流グリッド(AC Grid)
40 ファジィスライドモードスピードコントローラ(fuzzy sliding mode speed controller)
41 オンライントレーニング(on-line training)のRNNピッチ角コントローラ(pitch controller)
42 発電機
第1層入力層の入力信号
第1層入力層の出力信号
第2層中間層の出力信号
第2層中間層のリカレント単位の重み値
第2層中、入力層と中間層を連結する重み値
第3層中、中間層と出力層を連結する重み値
第3層中間層の出力信号
61 永久磁石同期発電機(PMSG)
62 監督式学習とトレーニングプロセス(Supervised learning and training process)
Pw 外在エネルギーパワー
Pm 風力タービンの出力パワー
11 ギアボックス
12 永久磁石同期発電機(PMSG)
13 パワーコンバータ(power converter)
14 直流負荷(DC Load)インバーター(inverter)
31 永久磁石同期発電機(PMSG)
32 電流コントロールPWM電圧源変換器(VSC)
33 インバータ(inverter)
34 電流コントローラ(comparison current controller)
35 コーディネートトランスレーター(coordinate translator)
36 ファジィスライドモードスピードコントローラ(fuzzy sliding mode speed controller)
37 ピッチ角コントローラ(pitch control)
38 交流グリッド(AC Grid)
40 ファジィスライドモードスピードコントローラ(fuzzy sliding mode speed controller)
41 オンライントレーニング(on-line training)のRNNピッチ角コントローラ(pitch controller)
42 発電機
61 永久磁石同期発電機(PMSG)
62 監督式学習とトレーニングプロセス(Supervised learning and training process)
Pw 外在エネルギーパワー
Pm 風力タービンの出力パワー
Claims (26)
- 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において、
ファジィ推論メカニズム(fuzzy inference mechanism)を実行して発電機をコントロールするファジィスライドモードコントローラ(fuzzy sliding mode controller)と、
オンライントレーニング(on-line training)方法を実行して該発電機に結合されたタービンのピッチ角をコントロールすることで、最大のパワー出力を達成する、リカレントニューラルネットワーク(recurrent neural network,RNN)ピッチ角コントローラ(pitch angle controller)と、
を包含することを特徴とする、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。 - 請求項1記載の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において、該タービンは変速のタービンであり、出力機械パワーは、
pとAはそれぞれタービンの羽根がスイープする空気密度と面積であり、
Vwは回転速度(m/sec)であり、
Cpはパワー係数(power coefficient)であり、尖端速度比(tip speed ratio,TSR)λの非線形方程式とされ、
該発電機は3相同期発電機であり、その機械トルク(Tm)と電気トルク(Te)は、
ωeは電気角速度、
npは極数、
Jは風力タービン発電機慣性量、
Bは発電機摩擦係数であることを特徴とする、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。 - 請求項2記載の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において、そのうちCpはパワー係数であり、尖端速度比(TSR)・の非線形方程式とされ、
ωrはタービン速度であり、
CpはTSRλと羽根ピッチ角βの方程式であり、
- 請求項2記載の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において、ファジィ推論メカニズム(fuzzy inference mechanism)は、切換え面(switching surface)とファジィパラメータKfによりコントロールされ、スライドモードスピードコントローラ(sliding mode speed controller)の切換え面(switching surface)は、
Cは正の定数マトリクスとされ、
Kは状態フィードバックゲインマトリクスとされ、
ファジィパラメータKfは、
該ファジィ推論メカニズム(fuzzy inference mechanism)のコントロール方式は、
- 請求項2記載の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において、ピッチ角コントローラ(pitch angle controller)はさらに、機械アクチュエータ(mechanical actuator)を包含し、該機械アクチュエータは、タービンのピッチ角を調整するのに用いられ、オンライントレーニング(on-line training)リカレントニューラルネットワーク(recurrent neural network,RNN)により、該タービンの機械パワー出力定格値(rated value)が維持され、且つ該タービンのパワーは永久磁石同期発電機の定格パワーより高くないことを特徴とする、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。
- 請求項1記載の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において、リカレントニューラルネットワーク(recurrent neural network,RNN)は3層の神経ネ
ットワークプロセスであり、第1層である入力層、第2層である中間層、第3層である出力層を包含することを特徴とする、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。 - 請求項6記載の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において、該中間層の基底関数形式は、線形関数(Linear Function)、ガウス関数(Gaussian Function)、ロジック関数(Logic Function)及び指数関数(Exponential function)のいずれかを選択することを特徴とする、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。
- 請求項5記載の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において、オンライントレーニング(on-line training)のリカレントニューラルネットワーク(recurrent neural network,RNN)は、監督式学習とトレーニングプロセス(Supervised learning and training process)であり、勾配下降の監督式学習法則をこのシステムのトレーニングに用い、並びに動態パックプロパゲーションアルゴリズムで、トレーニング形態を通してRNNのパラメータ
Pmはタービンの出力パワーであることを特徴とする、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。 - 請求項11記載の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において、そのうち第3層は重み値
emはパワー差値(Pw−Pm)、
δkはバックプロパゲーションによる誤差、
Eは誤差関数、
δkはバックプロパゲーションによる誤差、
Eは誤差関数、
- 請求項11記載の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において、そのうち第2層は、
ηjは調整パラメータ
ηijは調整パラメータ
- 請求項11記載の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において、そのうち、オンライントレーニング(on-line training)のリカレントニューラルネットワーク(recurrent neural network,RNN)は、
(a)ステップ621:リカレントニューラルネットワーク(recurrent neural network,RNN)変化量を初期化し、ステップ622に進む
(b)ステップ622:構造学習プロセスに進むか否か評価し、イエスであれば、ステップ623に進み、ノーであれば、ステップ628に進む
(c)ステップ623:新メンバーシップ関数(membership functions)のノードを増加するか否かを評価し、イエスであれば、ステップ624に進み、ノーであればステップ628に進む
(d)ステップ624:新ノードを増加し、ステップ625に進む
(e)ステップ625:新ノードとその他のノードに、相似性試験を行う
(f)ステップ626:新ノードを受け入れ、ステップ628に進む
(g)ステップ627:新ノードを削除し、ステップ628に進む
(h)ステップ628:監督式学習プロセスを使用し、
(i)ステップ629:試験を収斂し、誤差関数(error function)
- ハイブリッドインテリジェントパワーコントロール方法において、
ファジィスライドモードコントローラ(fuzzy sliding mode controller)を使用してファジィ推論メカニズム(fuzzy inference mechanism)を実行して発電機をコントロールするステップと、
リカレントニューラルネットワーク(recurrent neural network,RNN)ピッチ角コントローラ(pitch angle controller)を使用してオンライントレーニング(on-line training)方法を実行して該発電機に結合されたタービンのピッチ角をコントロールすることで、最大のパワー出力を達成するステップと、
を包含することを特徴とする、ハイブリッドインテリジェントパワーコントロール方法。 - 請求項15記載のハイブリッドインテリジェントパワーコントロール方法において、ファジィ推論メカニズム(fuzzy inference mechanism)は、切換え面(switching surface)とファジィパラメータKfによりコントロールされ、該スライドモードスピードコントローラ(sliding mode speed controller)の切換え面(switching surface)は、
Cは正の定数マトリクスとされ、
Kは状態フィードバックゲインマトリクスとされ、
ファジィパラメータKfは、
該ファジィ推論メカニズム(fuzzy inference mechanism)のコントロール方式は、
- 請求項15記載のハイブリッドインテリジェントパワーコントロール方法において、ピッチ角コントローラ(pitch angle controller)はさらに、機械アクチュエータ(mechanical actuator)を包含し、該機械アクチュエータは、タービンのピッチ角を調整するのに用いられ、オンライントレーニング(on-line training)リカレントニューラルネットワーク(recurrent neural network,RNN)により、該タービンの機械パワー出力定格値(rated value)が維持され、且つ該タービンのパワーは永久磁石同期発電機の定格パワーより高くないことを特徴とする、ハイブリッドインテリジェントパワーコントロール方法。
- 請求項15記載のハイブリッドインテリジェントパワーコントロール方法において、該リカレントニューラルネットワーク(recurrent neural network,RNN)は3層の神経ネットワークプロセスであり、第1層である入力層、第2層である中間層、第3層である出力層を包含することを特徴とする、ハイブリッドインテリジェントパワーコントロール方法。
- 請求項18記載のハイブリッドインテリジェントパワーコントロール方法において、該中間層の基底関数形式は、線形関数(Linear Function)、ガウス関数(Gaussian Function)、ロジック関数(Logic Function)及び指数関数(Exponential function)のいずれかを選択することを特徴とする、ハイブリッドインテリジェントパワーコントロール方法。
- 請求項17記載のハイブリッドインテリジェントパワーコントロール方法において、該オンライントレーニング(on-line training)のリカレントニューラルネットワーク(recurrent neural network,RNN)は、監督式学習とトレーニングプロセス(Supervised learning and training process)であり、勾配下降の監督式学習法則をこのシステムのトレーニングに用い、並びに動態パックプロパゲーションアルゴリズムで、トレーニング形態を通してRNNのパラメータ
Pmはタービンの出力パワーであることを特徴とする、ハイブリッドインテリジェントパワーコントロール方法。 - 請求項23記載のハイブリッドインテリジェントパワーコントロール方法において、そのうち第3層は重み値
emはパワー差値(Pw−Pm)、
δkはバックプロパゲーションによる誤差、
Eは誤差関数、
δkはバックプロパゲーションによる誤差、
Eは誤差関数、
- 請求項23記載のハイブリッドインテリジェントパワーコントロール方法において、そのうち第2層は、
ηjは調整パラメータ
ηjkは調整パラメータ
- 請求項23記載のハイブリッドインテリジェントパワーコントロール方法において、そのうち、オンライントレーニング(on-line training)のリカレントニューラルネットワーク(recurrent neural network,RNN)は、
(a)ステップ621:リカレントニューラルネットワーク(recurrent neural network,RNN)変化量を初期化し、ステップ622に進む
(b)ステップ622:構造学習プロセスに進むか否か評価し、イエスであれば、ステップ623に進み、ノーであれば、ステップ628に進む
(c)ステップ623:新メンバーシップ関数(membership functions)のノードを増加するか否かを評価し、イエスであれば、ステップ624に進み、ノーであればステップ628に進む
(d)ステップ624:新ノードを増加し、ステップ625に進む
(e)ステップ625:新ノードとその他のノードに、相似性試験を行う
(f)ステップ626:新ノードを受け入れ、ステップ628に進む
(g)ステップ627:新ノードを削除し、ステップ628に進む
(h)ステップ628:監督式学習プロセスを使用し、
(i)ステップ629:試験を収斂し、誤差関数(error function)
以上のステップを包含することを特徴とする、ハイブリッドインテリジェントパワーコントロール方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2012039277A JP5562366B2 (ja) | 2012-02-24 | 2012-02-24 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2012039277A JP5562366B2 (ja) | 2012-02-24 | 2012-02-24 | 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 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2013176228A true JP2013176228A (ja) | 2013-09-05 |
JP5562366B2 JP5562366B2 (ja) | 2014-07-30 |
Family
ID=49268636
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2012039277A Expired - Fee Related JP5562366B2 (ja) | 2012-02-24 | 2012-02-24 | 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 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP5562366B2 (ja) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104836498A (zh) * | 2015-04-21 | 2015-08-12 | 苏州德锐朗智能科技有限公司 | 一种基于人工神经网络的自整定pid发电机控制系统 |
CN105205564A (zh) * | 2015-09-29 | 2015-12-30 | 沈阳工程学院 | 基于测风塔神经网络的风电场弃风电量统计系统及方法 |
CN106849793A (zh) * | 2017-03-01 | 2017-06-13 | 西安交通大学 | 一种电动汽车用永磁同步电机模糊神经网络控制系统 |
CN109995288A (zh) * | 2019-04-10 | 2019-07-09 | 安徽理工大学 | 基于负载转矩反馈的永磁同步电机动态面控制 |
CN111585478A (zh) * | 2020-05-26 | 2020-08-25 | 佛山金华信智能科技有限公司 | 伺服电机驱动电压控制方法、装置、电子设备及存储介质 |
CN113107768A (zh) * | 2021-04-13 | 2021-07-13 | 曲阜师范大学 | 基于rbf神经网络自适应解耦的风力机舱两端悬浮控制方法 |
CN113411020A (zh) * | 2021-05-19 | 2021-09-17 | 西安理工大学 | 一种两轴音圈快速反射镜的神经网络滑模控制方法 |
CN114726273A (zh) * | 2022-03-30 | 2022-07-08 | 电子科技大学 | 一种基于改进滑模观测器的pcb盘式永磁同步电机无感控制系统及方法 |
CN115102444A (zh) * | 2022-07-14 | 2022-09-23 | 北京理工大学 | 一种永磁同步电机自适应积分滑模预测控制方法 |
-
2012
- 2012-02-24 JP JP2012039277A patent/JP5562366B2/ja not_active Expired - Fee Related
Non-Patent Citations (2)
Title |
---|
JPN6013041992; Kasiri, H.: 'A new hybrid optimal control for WECS using MLP Neural Network and Genetic neuro Fuzzy' Control, Instrumentation and Automation (ICCIA), 2011 2nd International Conference on , 20111229, 361-366 * |
JPN6013041994; Whei-Min Lin: 'Fuzzy sliding mode-based control for PMSG maximum wind energy capture with compensated pitch angle' Computer Communication Control and Automation (3CA), 2010 International Symposium on (Volume:2 ) , 20100507, 397-400 * |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104836498A (zh) * | 2015-04-21 | 2015-08-12 | 苏州德锐朗智能科技有限公司 | 一种基于人工神经网络的自整定pid发电机控制系统 |
CN104836498B (zh) * | 2015-04-21 | 2019-01-15 | 苏州德锐朗智能科技有限公司 | 一种基于人工神经网络的自整定pid发电机控制系统 |
CN105205564A (zh) * | 2015-09-29 | 2015-12-30 | 沈阳工程学院 | 基于测风塔神经网络的风电场弃风电量统计系统及方法 |
CN106849793A (zh) * | 2017-03-01 | 2017-06-13 | 西安交通大学 | 一种电动汽车用永磁同步电机模糊神经网络控制系统 |
CN106849793B (zh) * | 2017-03-01 | 2019-03-01 | 西安交通大学 | 一种电动汽车用永磁同步电机模糊神经网络控制系统 |
CN109995288A (zh) * | 2019-04-10 | 2019-07-09 | 安徽理工大学 | 基于负载转矩反馈的永磁同步电机动态面控制 |
CN111585478A (zh) * | 2020-05-26 | 2020-08-25 | 佛山金华信智能科技有限公司 | 伺服电机驱动电压控制方法、装置、电子设备及存储介质 |
CN113107768A (zh) * | 2021-04-13 | 2021-07-13 | 曲阜师范大学 | 基于rbf神经网络自适应解耦的风力机舱两端悬浮控制方法 |
CN113107768B (zh) * | 2021-04-13 | 2023-05-12 | 曲阜师范大学 | 基于rbf神经网络自适应解耦的风力机舱两端悬浮控制方法 |
CN113411020A (zh) * | 2021-05-19 | 2021-09-17 | 西安理工大学 | 一种两轴音圈快速反射镜的神经网络滑模控制方法 |
CN113411020B (zh) * | 2021-05-19 | 2022-07-01 | 西安理工大学 | 一种两轴音圈快速反射镜的神经网络滑模控制方法 |
CN114726273A (zh) * | 2022-03-30 | 2022-07-08 | 电子科技大学 | 一种基于改进滑模观测器的pcb盘式永磁同步电机无感控制系统及方法 |
CN115102444A (zh) * | 2022-07-14 | 2022-09-23 | 北京理工大学 | 一种永磁同步电机自适应积分滑模预测控制方法 |
CN115102444B (zh) * | 2022-07-14 | 2024-04-12 | 北京理工大学 | 一种永磁同步电机自适应积分滑模预测控制方法 |
Also Published As
Publication number | Publication date |
---|---|
JP5562366B2 (ja) | 2014-07-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP5562366B2 (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 | |
Lin et al. | Hybrid intelligent control of PMSG wind generation system using pitch angle control with RBFN | |
US8774949B2 (en) | Hybrid intelligent control method and system for power generating apparatuses | |
CN105179164B (zh) | 基于t-s模糊模型的风能转换系统滑模控制方法及装置 | |
Hong et al. | Maximum power point tracking-based control algorithm for PMSG wind generation system without mechanical sensors | |
Sabzevari et al. | MPPT control of wind turbines by direct adaptive fuzzy-PI controller and using ANN-PSO wind speed estimator | |
Azzaoui et al. | Fuzzy-PI control of a doubly fed induction generator-based wind power system | |
Lin et al. | Hybrid control of a wind induction generator based on Grey–Elman neural network | |
Chetouani et al. | Self-adapting PI controller for grid-connected DFIG wind turbines based on recurrent neural network optimization control under unbalanced grid faults | |
Qiao | Intelligent mechanical sensorless MPPT control for wind energy systems | |
El Yaakoubi et al. | Novel power capture optimization based sensorless maximum power point tracking strategy and internal model controller for wind turbines systems driven SCIG | |
Thongam et al. | Neural network based wind speed sensorless MPPT controller for variable speed wind energy conversion systems | |
Chatri et al. | Improved high-order integral fast terminal sliding mode-based disturbance-observer for the tracking problem of PMSG in WECS | |
Barambones et al. | Adaptive robust control to maximizing the power generation of a variable speed wind turbine | |
Obeid et al. | A barrier function based-adaptive super-twisting controller for wind energy conversion system | |
Sivakumar et al. | Neural network based reinforcement learning for maximum power extraction of wind energy | |
Chatri et al. | Desired reference model and observer based on TS fuzzy control for PMSG based wind energy conversion system | |
Al-Toma et al. | Intelligent pitch angle control scheme for variable speed wind generator systems | |
Van et al. | Adaptive fuzzy logic control to enhance pitch angle controller for variable-speed wind turbines | |
Moghadasian et al. | Intelligent sensorless speed control of six-phase induction machine | |
Jabr et al. | Fuzzy gain tuner for vector control of doubly-fed wind driven induction generator | |
Lin et al. | MPPT control strategy for wind energy conversion system based on RBF network | |
Zhi-nong et al. | The intelligent control of DFIG-based wind generation | |
Dahri et al. | Robust sliding mode hybrid controller applied to a wind energy conversion system based on a doubly-fed induction generator to overcome mechanical parameters uncertainties | |
Nguyen et al. | Combined RBFN based MPPT and d-axis stator current control for permanent magnet synchronous generators |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20130827 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20140520 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20140610 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 5562366 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
LAPS | Cancellation because of no payment of annual fees |