TWI684142B - 發電整合系統 - Google Patents
發電整合系統 Download PDFInfo
- Publication number
- TWI684142B TWI684142B TW107134846A TW107134846A TWI684142B TW I684142 B TWI684142 B TW I684142B TW 107134846 A TW107134846 A TW 107134846A TW 107134846 A TW107134846 A TW 107134846A TW I684142 B TWI684142 B TW I684142B
- Authority
- TW
- Taiwan
- Prior art keywords
- several
- learning
- power generation
- standard deviation
- grid
- Prior art date
Links
- 230000005611 electricity Effects 0.000 title abstract description 3
- 238000001514 detection method Methods 0.000 claims abstract description 16
- 238000010248 power generation Methods 0.000 claims description 38
- 239000013598 vector Substances 0.000 claims description 31
- 238000004422 calculation algorithm Methods 0.000 claims description 26
- 230000006870 function Effects 0.000 claims description 24
- 230000008859 change Effects 0.000 claims description 23
- 238000004364 calculation method Methods 0.000 claims description 15
- 238000005457 optimization Methods 0.000 claims description 13
- 239000002245 particle Substances 0.000 claims description 8
- 238000000034 method Methods 0.000 claims description 7
- 230000003044 adaptive effect Effects 0.000 claims description 2
- 238000006467 substitution reaction Methods 0.000 claims description 2
- 230000010354 integration Effects 0.000 claims 3
- 230000000694 effects Effects 0.000 description 11
- 238000006243 chemical reaction Methods 0.000 description 5
- 230000000087 stabilizing effect Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000006698 induction Effects 0.000 description 3
- 230000006378 damage Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 239000002028 Biomass Substances 0.000 description 1
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 241001465754 Metazoa Species 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 239000002803 fossil fuel Substances 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010792 warming Methods 0.000 description 1
Images
Abstract
一種發電整合系統，用以解決習知的再生能源發電系統，發電量不穩定及空間分配的問題。係包含：數個偵測元件，分別位於數個動力單元，各該動力單元連接一發電機；一學習網路，耦合連接該數個偵測元件；及數個控制單元，耦合連接該學習網路，該控制單元依據該學習網路之計算控制一轉子側變流器及一電網側變流器，該轉子側變流器及該電網側變流器分別電性連接該發電機之轉子及定子。
Description
本發明係關於一種電力系統，尤其是一種整合再生能源發電的發電整合系統。
近年來全球暖化及能源短缺問題，迫使尋求適當的替代能源成為重要之課題，尤其是取自大自然、源源不絕的再生能源，例如：太陽能、風能、地熱、水力、潮汐、生質能等。由於再生能源的不可預測，如：日照時間、風速變化等，將再生能源轉換為方便利用之電能的發電系統，必須結合具有良好穩定度之控制器，用以維持電能轉換效率同時避免過大能量衝擊發電系統。
習知利用再生能源的發電系統，係可以使用齒輪箱(gear box)調變發電機轉速，用以穩定感應起電的速率；或者，發電系統將過剩之能源轉換為其它形式儲存，並在動力不足時用以驅動發電機維持運轉，惟，能量在轉換及傳遞的過程中容易消耗，導致發電系統的電能轉換效率不佳。
雖然，再生能源可以永續利用，且改用再生能源係可以減少碳排放以延緩全球氣候變遷，惟，用以轉換再生能源之發電站可能對環境產生影響及破壞當地生態系統，例如：開發水力而興建大壩導致生物棲息地遭破壞、風力發電需要空間分配而占用大量土地及轉動之扇葉影響飛行動物之動線等不良影響。因此，利用再生能源的發電系統較佳具有高效的電力輸出，
且最佳可以整合不同的再生能源，使有限的的電廠空間能夠產生超乎預期的電力。
有鑑於此，習知的再生能源發電系統確實仍有加以改善之必要。
為解決上述問題，本發明的目的是提供一種發電整合系統，可以穩定及最大化發電系統的輸出。
本發明的次一目的是提供一種發電整合系統，可以統計分析非線性數據並且自動學習。
本發明的又一目的是提供一種發電整合系統，可以提高系統的學習效率及加速演算過程。
本發明的再一目的是提供一種發電整合系統，可以匯整數個發電機之發電量，同時強化空間分配。
本發明的發電整合系統，包含：數個動力單元；數個偵測元件，位於該數個動力單元；數個發電機，各該發電機具有一定子及一轉子，該數個轉子分別連接該數個動力單元；數個轉子側變流器，該數個轉子側變流器分別電性連接該數個轉子；數個電網側變流器，該數個電網側變流器分別電性連接該數個定子，各該電網側變流器及各該數個定子並聯於一電網，電性連接於同一發電機之轉子側變流器及電網側變流器，係以背對背結構互相電性連接；數個學習網路，各該學習網路耦合連接該數個偵測元件，該學習網路具有一輸入層、一函數連結層、一隱藏層及一輸出層，由該輸入層接受該數個偵測元件觀測到的該數個動力單元之運轉數據，並產生數個輸入向量，該函數連結層依據該數個輸入向量產生數個展開項，該隱藏層以徑向基底函
數之一平均值、一標準差及該數個展開項產生數個近似值，該輸出層將該數個近似值分別乘以對應之一連結權值並加總產生一輸出向量；及數個控制單元，分別耦合連接該數個學習網路、該數個轉子側變流器及數個電網側變流器，各該控制單元依據該輸出向量產生對應的轉速控制訊號，用以控制各該轉子側變流器及各該電網側變流器調整各該發電機之運轉模式。
據此，本發明的發電整合系統，藉由整合數個不同動力源之發電機，係可以產生比單一發電機更大的發電量，另外，藉由轉速控制，係可以提升該數個發電機的電力轉換效率及穩定輸出電壓，如此，本發明係具有提升能源利用率及穩定供電等功效。
其中，該學習網路之關係式如下：y i =x 1,x 2
y j =1,x 1,sin(πx 1),cos(πx 1),x 2,sin(πx 2),cos(πx 2),x 1 x 2
其中，該學習網路具有一學習規則，該學習規則藉由該數個展開項、該數個近似值、該輸出向量、該連結權值、該平均值、該標準差及一誤差函數，計算一連結權值變化量、一平均值變化量及一標準差變化量。如此，該學習規則通過校正及重建數據，係具有自動學習的功效。
其中，該學習規則由該連結權值變化量、該平均值變化量及該標準差變化量，分別乘以對應該連結權值、該平均值及該標準差之三個學習速率，用以調整該連結權值、該平均值及該標準差。如此，該學習規則通過學習速率調整數值權重，係具有加速收斂演算結果的功效。
其中，該誤差函數定義為：
，另具有一誤差項
δ 0定義為：
，E為該誤差函數，
為轉子轉速參考值，ω r 為發電機轉子轉速，δ 0為該誤差項。如此，係具有分析機率與統計的功效。
其中，該學習規則係包括下列算式：
w ko (N+1)=w ko (N)+L w △w ko (N)
c jk (k+1)=c jk (k)+L m △c jk (k)
v jk (k+1)=v jk (k)+L s △v jk (k)其中，△wko為該連結權值變化量，△cjk為該平均值變化量，△vjk為該標準差變化量，L w 為該連結權值的學習速率，L m 為該平均值的學習速率，L s 為該標準差的學習速率。如此，該學習規則可以找出最佳權重，係具有提升統計分析效率的功效。
本發明另包含，一控制優化方法，分別以一差分進化演算法及一粒子群尋優演算法計算該學習速率，比較該差分進化演算法及該粒子群尋優演算法之計算結果，並選擇具有較佳適應性之演算法，所選擇之演算法將計算結果分別代入該差分進化演算法及該粒子群尋優演算法，判斷是否產生
明顯優化的計算結果，若判斷為否，則反覆進行比較、代入及判斷之步驟，若判斷為是，則得到最終的最佳適應性數值係優化後的學習速率。
其中，判斷是否產生明顯優化的計算結果，若判斷為否，而重複步驟的次數已達到一預設的重複次數時，得到最終的學習速率。如此，該控制優化方法可以在計算結果不易收斂時停止，係具有避免無限循環的功效。
其中，該數個動力單元係分別由數種不同再生能源驅動，例如：風能、潮汐能、波浪能等。如此，再生能源可以替代化石燃料，具有減緩氣候變遷及解決能源短缺問題的功效。
其中，該數個學習網路整合於一處理單元，該處理單元控制各該發電機之運轉模式，及穩定輸出至該電網之電力。如此，該處理單元可以同步監控該數個發電機之發電量，係具有穩定且最大化輸出電力的功效。
其中，該數個動力單元包含風渦輪機及波浪威爾斯渦輪機，該數個動力單元設置於一離岸式發電廠。如此，當外在環境變化導致發電之動力來源不足時，兩種發電模式可以互相彌補，具有穩定電力供應及有效利用空間的功效。
1‧‧‧偵測元件
2‧‧‧學習網路
21‧‧‧輸入層
22‧‧‧函數連結層
23‧‧‧隱藏層
24‧‧‧輸出層
25‧‧‧學習規則
3‧‧‧控制單元
4‧‧‧動力單元
5‧‧‧發電機
51‧‧‧轉子
52‧‧‧定子
6‧‧‧轉子側變流器
7‧‧‧電網側變流器
8‧‧‧處理單元
ω r ‧‧‧發電機轉子轉速
V dc ‧‧‧直流鏈電壓實際值
β r ‧‧‧葉片旋角實際值
yi‧‧‧輸入向量
yj‧‧‧展開項
yk‧‧‧展開項
yo‧‧‧輸出向量
cjk‧‧‧平均值
vjk‧‧‧標準差
wko‧‧‧連結權值
Lw、Lm、Ls‧‧‧學習速率
G‧‧‧電網
〔第1圖〕本發明之一較佳實施例的網路架構圖。
〔第2圖〕本發明之一較佳實施例的流程圖。
〔第3圖〕本發明的發電整合系統之一較佳實施例的架構圖。
為讓本發明之上述及其他目的、特徵及優點能更明顯易懂，下
文特舉本發明之較佳實施例，並配合所附圖式，作詳細說明如下：請參照第1圖所示，其係本發明較佳實施例的網路架構圖，係包含數個偵測元件1、一學習網路2及數個控制單元3，該學習網路2分別耦合連接該數個偵測元件1及該數個控制單元3。
該數個偵測元件1可以是轉速感測器、旋角感測器、直流電壓感測器等，係用於觀測發電機動力來源的運轉狀況，例如：渦輪機轉速、風能、波浪能等，並將觀測結果數據化後傳送至該學習網路2。
該學習網路2可以是一種函數連結徑向基底類神經網路(Function-Link based Wilcoxon Radial Basis Function Network,FLWRBFN)，該學習網路2係包含一輸入層21、一函數連結層22、一隱藏層23及一輸出層24，由該輸入層21接受該數個偵測元件1之觀測結果及其參考值，如：發電機轉子轉速及其參考值(ω r 及
)、直流鏈電壓實際值及其參考值(V dc 及
)、葉片旋角實際值及其參考值(β r 及
)等，並產生數個輸入向量yi；該數個輸入向量yi進入該函數連結層22，藉由數個正交多項式展開該數個輸入向量yi，係產生數個展開項yj；在該隱藏層23，將該數個展開項yj以徑向基函數之平均值cjk及標準差vjk表示，而產生數個近似值yk；在該輸出層24，該數個近似值yk分別乘以對應之連結權值wko並加總產生一輸出向量yo；該學習網路2還可以具有一學習規則25，該學習規則25係藉由梯度陡降演算法(gradient descent algorithm)，以該數個展開項yj、該數個近似值yk、該輸出向量yo及一誤差函數E計算，並由三個學習速率Lw、Lm、Ls分別調整該連結權值wko、該平均值cjk及該標準差vjk，其中，該誤差函數E可以包含該數個偵測元件1之觀測結果及其參考值，例如：發電機轉子轉速及轉子轉速參考值。
在本實施例中，產生二個該輸入向量yi、八個該展開項yj、六
個該近似值yk，惟本發明不以此為限，其中，該輸入向量yi、該展開項yj、該近似值yk及該輸出向量yo之關係式如下：y i =x 1,x 2
y j =1,x 1,sin(πx 1),cos(πx 1),x 2,sin(πx 2),cos(πx 2),x 1 x 2
又，在本實施例中，該誤差函數E定義為：
，其中，
為轉子轉速參考值，ω r 為發電機轉子轉速，另具有一誤差項δ 0定義為：
，該學習規則25藉由下列算式可以計算得一連結權值變化量△wko、一平均值變化量△cjk及一標準差變化量△vjk：
c jk (k+1)=c jk (k)+L m △c jk (k)
v jk (k+1)=v jk (k)+L s △v jk (k)其中，L w 為該連結權值wko的學習速率，L m 為該平均值cjk的學習速率，L s 為
該標準差vjk的學習速率。
該數個控制單元3可以是脈波寬度調變(Pulse Width Modulation,PWM)訊號產生器，各該控制單元3係可以依據該輸出向量yo，產生對應的脈波寬度調變訊號，用以控制發電機之運轉。
請參照第2圖所示，其係本發明之較佳實施例的流程圖，該方法可以用於求取最佳之學習速率Lw、Lm、Ls，該方法之步驟可包含：分別操作差分進化演算法(Differential Evolution,DE)及粒子群尋優演算法(Particle Swarm Optimization,PSO)；比較該二演算法DE、PSO，並選擇較佳適應性之演算法；所選擇之演算法分享演算結果，該二演算法DE、PSO藉由疊代(Iteration)來強化適應性，以收斂求取最佳演算結果；再次比較比較該二演算法DE、PSO，並選擇較佳適應性之演算法；反覆進行疊代及比較之步驟，直到產生明顯優化的演算結果，或者達到一預設的重複次數；最終的最佳適應性數值為優化後的學習速率Lw、Lm、Ls，係可以用於本發明之轉速控制模組，使具有該轉速控制模組之發電機可以產生穩定且最大的發電量。該差分進化演算法及該粒子群尋優演算法，係所屬技術領域中具有通常知識者可以理解，在此容不贅述。
請參照第3圖所示，其係本發明之發電整合系統之架構圖，係由不同再生能源驅動之數個動力單元4分別連接數個發電機5之轉子51，各該轉子51電性連接一轉子側變流器6，各該發電機5之定子52電性連接一電網側變流器7及一電網G，而且，電性連接於同一發電機5之轉子側變流器6及電網側變流器7，係以背對背(Back to Back)結構互相電性連接。如此，該數個發電機5之發電量由該電網G收集，該轉子側變流器6可以控制該轉子51的最大功率輸出，該電網側變流器7可以穩定該定子52輸出至該電網G之電壓。該發電機5可以是雙饋式感應發電機(Doubly Fed Induction
Generator,DFIG)，其運作方式係所屬技術領域中具有通常知識者可以理解，在此容不贅述。
另外，上述轉速控制模組係可以搭配運用於同一發電機5之轉子側變流器6及電網側變流器7，該數個偵測元件1位於該動力單元4，二該控制單元3分別耦合連接該轉子側變流器6及該電網側變流器7，該數個偵測元件1係可以提供該學習網路2觀測該動力單元4之運轉數據，再由各該控制單元3依據該學習網路2之運算結果，控制該轉子側變流器6及該電網側變流器7調整該發電機5之運轉模式。
另外，與該數個發電機5搭配運用之數個學習網路2還可以整合於一處理單元8，該處理單元8可以是電腦或數位信號處理器，如此，該處理單元8可以同步監控該數個發電機5之發電量，當驅動該數個動力單元4之再生能源不穩定時，由該處理單元8藉由各該個學習網路2調整各該發電機5之運轉模式，使匯整至該電網G的電力穩定且最大化。
在本實施例中，該數個動力單元4可以是風渦輪機及波浪威爾斯渦輪機，藉由在海面上建立離岸式發電廠，係可以整合不同的動力單元4，同時收集海上風力及波浪能量，當外在環境變化導致發電之動力來源不足時，兩種發電模式可以互相彌補，具有穩定電力供應及有效利用空間的功效。
綜上所述，本發明的發電整合系統，藉由整合數個不同動力源之發電機，係可以產生比單一發電機更大的發電量，同時有效利用電廠空間，另外，藉由轉速控制及其控制優化，係可以提升該數個發電機的電力轉換效率及穩定輸出電壓，如此，本發明係具有提升能源利用率、優化空間分配及穩定供電等功效。
雖然本發明已利用上述較佳實施例揭示，然其並非用以限定本發明，任何熟習此技藝者在不脫離本發明之精神和範圍之內，相對上述實施
例進行各種更動與修改仍屬本發明所保護之技術範疇，因此本發明之保護範圍當視後附之申請專利範圍所界定者為準。
1‧‧‧偵測元件
2‧‧‧學習網路
21‧‧‧輸入層
22‧‧‧函數連結層
23‧‧‧隱藏層
24‧‧‧輸出層
25‧‧‧學習規則
3‧‧‧控制單元
ω r ‧‧‧發電機轉子轉速
V dc ‧‧‧直流鏈電壓實際值
β r ‧‧‧葉片旋角實際值
yi‧‧‧輸入向量
yj‧‧‧展開項
yk‧‧‧展開項
yo‧‧‧輸出向量
cjk‧‧‧平均值
vjk‧‧‧標準差
wko‧‧‧連結權值
Lw、Lm、Ls‧‧‧學習速率
Claims (11)
- 一種發電整合系統，包含：數個動力單元；數個偵測元件，位於該數個動力單元；數個發電機，各該發電機具有一定子及一轉子，該數個轉子分別連接該數個動力單元；數個轉子側變流器，該數個轉子側變流器分別電性連接該數個轉子；數個電網側變流器，該數個電網側變流器分別電性連接該數個定子，各該電網側變流器及各該數個定子並聯於一電網，電性連接於同一發電機之轉子側變流器及電網側變流器，係以背對背結構互相電性連接；數個學習網路，各該學習網路耦合連接該數個偵測元件，該學習網路具有一輸入層、一函數連結層、一隱藏層及一輸出層，由該輸入層接受該數個偵測元件觀測到的該數個動力單元之運轉數據，並產生數個輸入向量，該函數連結層依據該數個輸入向量產生數個展開項，該隱藏層以徑向基函數之一平均值、一標準差及該數個展開項產生數個近似值，該輸出層將該數個近似值分別乘以對應之一連結權值並加總產生一輸出向量；及數個控制單元，分別耦合連接該數個學習網路、該數個轉子側變流器及數個電網側變流器，各該控制單元依據該輸出向量產生對應的轉速控制訊號，用以控制各該轉子側變流器及各該電網側變流器調整各該發電機之運轉模式。
- 如申請專利範圍第1項所述之發電整合系統，其中，該學習網路之關係式如下：y i =x 1,x 2 y j =1,x 1,sin(πx 1),cos(πx 1),x 2,sin(πx 2),cos(πx 2),x 1 x 2
- 如申請專利範圍第2項所述之發電整合系統，其中，該學習網路具有一學習規則，該學習規則藉由該數個展開項、該數個近似值、該輸出向量、該連結權值、該平均值、該標準差及一誤差函數，計算一連結權值變化量、一平均值變化量及一標準差變化量。
- 如申請專利範圍第3項所述之發電整合系統，其中，該學習規則由該連結權值變化量、該平均值變化量及該標準差變化量，分別乘以對應該連結權值、該平均值及該標準差之三個學習速率，用以調整該連結權值、該平均值及該標準差。
- 如申請專利範圍第4項所述之發電整合系統，其中，該誤差函數定義為：，另具有一誤差項δ 0定義為：
，E為該誤差函數，
為轉子轉速參考值，ω r 為發電機轉子轉速，δ 0為該誤差項。
- 如申請專利範圍第5項所述之發電整合系統，其中，該學習規則係包括下列算式：
- 如申請專利範圍第4項所述之發電整合系統，另包含一控制優化方法，分別以一差分進化演算法及一粒子群尋優演算法計算該學習速率，比較該差分進化演算法及該粒子群尋優演算法之計算結果，並選擇具有較佳適應性之演算法，所選擇之演算法將計算結果分別代入該差分進化演算法及該粒子群尋優演算法，判斷是否產生明顯優化的計算結果，若判斷為否，則反覆進行比較、代入及判斷之步驟，若判斷為是，則得到最終的最佳適應性數值係優化後的學習速率。
- 如申請專利範圍第7項所述之發電整合系統，其中，判斷是否產生明顯優化的計算結果，若判斷為否，而重複步驟的次數已達到一預設的重複次數時，得到最終的學習速率。
- 如申請專利範圍第1項所述之發電整合系統，其中，該數個動力單元係分別由數種不同再生能源驅動，例如：風能、潮汐能、波浪能等。
- 如申請專利範圍第1項所述之發電整合系統，其中，該數個學習網路整合於一處理單元，該處理單元控制各該發電機之運轉模式，及穩定輸出至該電網之電力。
- 如申請專利範圍第1項所述之發電整合系統，其中，該數個動力單元包含風渦輪機及波浪威爾斯渦輪機，該數個動力單元設置於一離岸式發電廠。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| TW107134846A TWI684142B (zh) | 2018-10-02 | 2018-10-02 | 發電整合系統 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| TW107134846A TWI684142B (zh) | 2018-10-02 | 2018-10-02 | 發電整合系統 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| TWI684142B true TWI684142B (zh) | 2020-02-01 |
| TW202014936A TW202014936A (zh) | 2020-04-16 |
Family
ID=70413420
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| TW107134846A TWI684142B (zh) | 2018-10-02 | 2018-10-02 | 發電整合系統 |
Country Status (1)
| Country | Link |
|---|---|
| TW (1) | TWI684142B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114516320A (zh) * | 2020-11-17 | 2022-05-20 | 丰田自动车株式会社 | 行驶控制装置、行驶控制方法以及非临时性存储介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8334607B2 (en) * | 2008-12-08 | 2012-12-18 | Siemens Aktiengesellschaft | Control of the rotational speed of a wind turbine which is impeded to export electrical power to an electricity network |
| CN103835878A (zh) * | 2013-04-07 | 2014-06-04 | 南京理工大学 | 基于神经网络优化起始转速的最大功率点跟踪控制方法 |
| TW201530173A (zh) * | 2013-11-06 | 2015-08-01 | 迅應科技有限公司 | 電網頻率響應 |
| TW201623785A (zh) * | 2014-12-23 | 2016-07-01 | 台達電子工業股份有限公司 | 風力發電控制裝置及風力發電系統 |
-
2018
- 2018-10-02 TW TW107134846A patent/TWI684142B/zh not_active IP Right Cessation
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8334607B2 (en) * | 2008-12-08 | 2012-12-18 | Siemens Aktiengesellschaft | Control of the rotational speed of a wind turbine which is impeded to export electrical power to an electricity network |
| CN103835878A (zh) * | 2013-04-07 | 2014-06-04 | 南京理工大学 | 基于神经网络优化起始转速的最大功率点跟踪控制方法 |
| TW201530173A (zh) * | 2013-11-06 | 2015-08-01 | 迅應科技有限公司 | 電網頻率響應 |
| TW201623785A (zh) * | 2014-12-23 | 2016-07-01 | 台達電子工業股份有限公司 | 風力發電控制裝置及風力發電系統 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114516320A (zh) * | 2020-11-17 | 2022-05-20 | 丰田自动车株式会社 | 行驶控制装置、行驶控制方法以及非临时性存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| TW202014936A (zh) | 2020-04-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Wang et al. | Modelling of a PMSG wind turbine with autonomous control | |
| CN107069829B (zh) | 一种场站级虚拟同步机控制系统、方法及其应用 | |
| CN110808608A (zh) | 规模化新能源参与受端电网调频调压能力评估方法及系统 | |
| TWI684142B (zh) | 發電整合系統 | |
| Toual et al. | Power quality and capability enhancement of a wind-solar-battery hybrid power system | |
| Bibave et al. | A novel maximum power point tracking method for wind energy conversion system: A review | |
| Yan et al. | Master-slave wave farm systems based on energy filter with smoothed power output | |
| Gupta et al. | Constant torque control schemes for PMSG based wind energy conversion system | |
| Naidu et al. | A review on PMSG based wind energy conversion system | |
| Prakash et al. | A stand alone hybrid power generation system by MPPT control based on neural networks | |
| Palariya et al. | Modelling, control and simulation of MPPT for wind energy conversion using Matlab/Simulink | |
| TWI812382B (zh) | 波浪發電控制方法及系統 | |
| Kumar et al. | A Comparative Analysis of Wind Energy Conversion Systems Based on PMSG for Maximum Power Extraction | |
| Kordkandy et al. | Hydrogen gas production in a stand-alone wind farm | |
| Singh | Study and Control of Direct Driven Type-4 Grid Connected Wind Energy Conversion System | |
| Hossain | Perturb and observe based maximum power point tracking of wind power system | |
| Beldjaatit et al. | Studying, modeling, and simulation of wind turbine using MATLAB/Simulink | |
| Ibrahim et al. | Hybrid HCS-Fuzzy MPPT Algorithm for Hydrokinetic Energy Harnessing | |
| Nak et al. | A new controller for variable speed wind turbine generator | |
| Al Ansari et al. | DESIGN AND ANALYSIS ALGORITHM FOR RECONF | |
| Ouhaddach et al. | New MPPT optimizer for wind turbine energy sources | |
| Behara et al. | The Investigations of the Impacts of the Integration of Wind Energy into Distribution Network | |
| Samaria et al. | Modelling and simulation of wind turbine using pmsg | |
| Joshi et al. | Gain Scheduling Proportional Integral for Standalone Wind Energy System | |
| Kchaou et al. | Current Control Scheme of a Permanent Magnet Synchronous Generator in Wind Energy Conversion System Using Adaptive Sliding Mode Control |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| MM4A | Annulment or lapse of patent due to non-payment of fees |