TWI812382B - 波浪發電控制方法及系統 - Google Patents
波浪發電控制方法及系統 Download PDFInfo
- Publication number
- TWI812382B TWI812382B TW111129373A TW111129373A TWI812382B TW I812382 B TWI812382 B TW I812382B TW 111129373 A TW111129373 A TW 111129373A TW 111129373 A TW111129373 A TW 111129373A TW I812382 B TWI812382 B TW I812382B
- Authority
- TW
- Taiwan
- Prior art keywords
- generator
- power generation
- wave power
- learning
- stage
- Prior art date
Links
- 238000010248 power generation Methods 0.000 title claims abstract description 37
- 238000000034 method Methods 0.000 title claims abstract description 20
- 230000013016 learning Effects 0.000 claims abstract description 53
- 238000005457 optimization Methods 0.000 claims abstract description 36
- 239000013598 vector Substances 0.000 claims abstract description 35
- 238000004422 calculation algorithm Methods 0.000 claims description 30
- 239000002245 particle Substances 0.000 claims description 18
- 238000004364 calculation method Methods 0.000 claims description 9
- 230000005540 biological transmission Effects 0.000 claims description 6
- 230000005611 electricity Effects 0.000 claims description 5
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 230000006870 function Effects 0.000 claims description 4
- 230000001360 synchronised effect Effects 0.000 claims description 3
- 230000000694 effects Effects 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 4
- 230000010355 oscillation Effects 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000000630 rising effect Effects 0.000 description 2
- 239000013535 sea water Substances 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 239000002028 Biomass Substances 0.000 description 1
- 241000283201 Odobenidae Species 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000003345 natural gas Substances 0.000 description 1
- 239000003921 oil Substances 0.000 description 1
- 238000005381 potential energy Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000000087 stabilizing effect Effects 0.000 description 1
Images
Classifications
-
- 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
- Y02E10/30—Energy from the sea, e.g. using wave energy or salinity gradient
Landscapes
- Control Of Eletrric Generators (AREA)
Abstract
一種波浪發電控制方法，用以解決習知波浪發電系統供電不穩定及容易故障的問題。係包含：一輸入階段，偵測一發電機的實際運轉參數，再將該運轉參數及該運轉參數所對應之參考值轉換為數個輸入向量；一學習階段，將該數個輸入向量以一平均值及一標準差表示為數個近似值，再將該數個近似值分別乘以對應之數個連結權值並加總產生一輸出向量；一優化階段，由數個學習速率調整各該連結權值、該平均值及該標準差；及一控制階段，依據該輸出向量產生對應之一脈波寬度調變訊號，該脈波寬度調變訊號用於控制該發電機之運轉。本發明另揭示一種波浪發電系統。
Description
本發明係關於一種再生能源發電技術，尤其是一種穩定供電及輔助電網恢復的波浪發電控制方法及系統。
由於全球能源需求增加且石油、天然氣及煤炭等化石能源儲量逐漸減少，尋求乾淨且蘊藏豐富的替代能源是科技與經濟持續發展的重要關鍵，尤其是取之於大自然並能夠持續補充的再生能源，例如：太陽能、風能、地熱、水力、海洋能及生物質能等，逐漸成為各國政府積極推動的能源利用形式。其中，地球表面的百分之七十是海水，而海水起伏運動的位能差可以用於發電，使海洋中的波浪成為巨量且永續的能量來源，惟，波浪狀況隨季節更替及風向轉換而隨機變化，係導致波浪能採集不穩定且發電轉換效率低，又，波浪能發電廠為離岸設置，造成發電後續的電網併聯、能源儲存等技術的難度增加。
習知的波浪發電系統透過過電壓保護保護電路防止瞬間大電流損壞電路設備，係透過短路連接電阻繞過轉子側變流器，以釋放轉子側的電流及過剩能量，但是，過電壓保護電路技術在電網故障或發電量不穩定時，無法有效輸出功率及幫助電網恢復運作，在波浪狀況不穩定且惡劣海象容易破壞機組零件的海面環境中，將導致習知的波浪發電系統係難以穩定供電並
成功商轉。
有鑑於此，習知的波浪發電控制方法及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波浪發電控制方法，係可以抑制波浪發電的振盪輸出以穩定供電。
本發明的次一目的是提供一種波浪發電控制方法，係可以提升能源利用率。
本發明的又一目的是提供一種波浪發電系統，係具有低電壓穿越能力。
本發明的再一目的是提供一種波浪發電系統，係可以維持低電壓供電以等待恢復正常供電。
本發明全文所記載的元件及構件使用「一」或「一個」之量詞，僅是為了方便使用且提供本發明範圍的通常意義；於本發明中應被解讀為包括一個或至少一個，且單一的概念也包括複數的情況，除非其明顯意指其他意思。
本發明的波浪發電控制方法，包含：一輸入階段，偵測一發電機的實際運轉參數，再將該運轉參數及該運轉參數所對應之參考值轉換為數個輸入向量；一學習階段，將該數個輸入向量以一平均值及一標準差表示為數個近似值，再將該數個近似值分別乘以對應之數個連結權值並加總產生一輸出向量；一優化階段，由數個學習速率調整各該連結權值、該平均值及該標準差；及一控制階段，依據該輸出向量產生對應之一脈波寬度調變訊號，該脈波寬度調變訊號用於控制該發電機之運轉。
本發明的波浪發電系統，包含：一發電機，由一動力單元驅動發電；一感測模組，位於該發電機，該感測模組偵測該發電機之數個運轉參數；一學習網路，耦合連接該感測模組，該學習網路接受該感測模組之該數個運轉參數及該數個運轉參數之參考值，及輸出一輸出向量；一控制單元，耦合連接該學習網路，該控制單元接收該輸出向量，以產生一脈波寬度調變訊號；一變流器，耦合連接該控制單元及該發電機，該變流器依據該脈波寬度調變訊號調整該發電機的運轉模式；及一逆變器，以背對背結構電性連接該變流器，該逆變器電性連接至一輸電網路。
據此，本發明的波浪發電控制方法及系統，藉由將該學習網路用於調整該發電機的運轉模式，係可以抑制動力來源變化或系統故障所導致的輸出功率振盪，係具有提升能源利用率、低電壓持續運轉及穩定供電等功效。
其中，在該輸入階段輸入之該運轉參數為一發電機轉子轉速及一直流鏈電壓實際值，該參考值為一轉子轉速參考值及一直流鏈電壓參考值。如此，該輸入階段藉由偵測發電機運轉參數並與預設目標值比較，係可以監控發電機的運轉狀況，係具有提升機器學習效果及用於發電控制的功效。
其中，該學習階段將該數個輸入向量以正交多項式展開，再以高斯函數形式的該平均值及該標準差表示為該數個近似值。如此，該學習階段利用統計學方法分析非線性數據，係具有歸納學習的功效。
其中，該優化階段係透過一差分進化演算法及一粒子群尋優演算法求取該數個學習速率。如此，該優化階段可以透過該數個學習速率調整數值權重，係具有提升統計分析效率的功效。
其中，該優化階段反覆進行疊代及比較該差分進化演算法及該粒子群尋優演算法的演算結果，直到取得最佳適應性數值的該數個學習速率。
如此，該優化階段係可以收斂求取最佳演算結果，係具有優化最終的演算結果的功效。
其中，該優化階段係透過一創新粒子群尋優演算法調整該數個學習速率。如此，該創新粒子群尋優演算法係可以依據當前與歷史最佳的速度及位置資訊調整演算結果，係具有進一步優化學習速率的功效。
其中，該發電機是永磁同步發電機，該動力單元是威爾斯渦輪機。如此，該發電機適合低速運轉，且波浪的上升或下降水柱作用於威爾斯渦輪機的葉片時，係可以推動該動力單元及該發電機朝相同方向旋轉，係具有持續驅動及穩定發電運轉的功效。
其中，該學習網路是一種模糊機率神經網路，並操作一差分進化演算法、一粒子群尋優演算法及一創新粒子群尋優演算法。如此，該學習網路係可以處理不確定的數據並進行收斂性分析，係具有優化輸出向量的功效。
其中，該發電機耦合連接該控制單元，該發電機的電流相位反饋至該控制單元。如此，該控制單元係可以依據該發電機的相位切換模式提供脈波寬度調變訊號，係具有穩定控制發電機運轉的功效。
S1:輸入階段
S2:學習階段
S3:優化階段
S4:控制階段
1:發電機
2:感測模組
3:學習網路
4:控制單元
5:變流器
6:逆變器
Zo:輸出向量
ω r :發電機轉子轉速
:轉子轉速參考值
V dc :直流鏈電壓實際值
Xi:輸入向量
Cjk:平均值
Vjk:標準差值
Zk:近似值
Wko:連結權值
L:學習速率
PWM:脈波寬度調變訊號
T:動力單元
G:輸電網路
〔第1圖〕本發明較佳實施例的方法流程圖。
〔第2圖〕本發明較佳實施例的優化階段流程圖。
〔第3圖〕本發明較佳實施例的波浪發電系統架構圖。
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；此外，在不同圖式中標示相同符號者視為相同，會省略其說明。
請參照第1圖所示，其係本發明波浪發電控制方法之較佳實施例的流程圖，係包含一輸入階段S1、一學習階段S2、一優化階段S3及一控制階段S4，由該輸入階段S1收集一發電機的實際運轉參數及其參考值，再交由該學習階段S2展開及運算後產生一輸出向量Zo，該優化階段S3係提供數個學習速率L以調整該學習階段S2的運算過程，該控制階段S4依據該輸出向量Zo控制該發電機之運轉。
該輸入階段S1係偵測該發電機的運轉狀況並將偵測結果數據化，及輸入各測量數值所對應的參考值，例如：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
)，藉由收集上述數值，該輸入階段S1係可以產生數個輸入向量Xi。
該學習階段S2接收該數個輸入向量Xi並產生為該輸出向量Zo，詳言之，該學習階段S2將該數個輸入向量Xi以正交多項式(Orthogonal Polynomials)展開，再以高斯函數(Gaussian Function)之平均值Cjk及標準差Vjk表示為數個近似值Zk，再將該數個近似值Zk分別乘以對應之連結權值Wko並加總產生該輸出向量Zo。
請參照第1及2圖所示，該優化階段S3係透過差分進化演算法(Differential Evolution,DE)及粒子群尋優演算法(Particle Swarm Optimization,PSO)尋求該數個學習速率L，用於調整各該連結權值Wko、該平均值Cjk及該標準差Vjk，詳言之，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；該優化階段S3係
可以再次比較該二演算法DE、PSO，並選擇較佳適應性之演算法；透過反覆進行上述疊代及比較之步驟，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；最終的演算結果係最佳適應性數值為優化後的學習速率L。另外，該優化階段S3還可以透過創新粒子群尋優演算法(Innovative Particle Swarm Optimization,IPSO)進一步調整該數個學習速率L，係使每個粒子依據自身經歷及鄰近粒子的經歷調整自身位置，包括當前與歷史最佳的速度及位置資訊。
該控制階段S4係可以依據該輸出向量Zo，產生對應的脈波寬度調變訊號(Pulse Width Modulation,PWM)，用以控制該發電機之運轉。
請參照第3圖所示，其係本發明之波浪發電系統之架構圖，係具有一發電機1、一感測模組2、一學習網路3、一控制單元4、一變流器5及一逆變器6，該感測模組2位於該發電機1，該學習網路3分別耦合連接該感測模組2及該控制單元4，該控制單元4分別耦合連接該發電機1及該變流器5，該變流器5耦合連接該發電機1及該逆變器6。
該發電機1可以是永磁同步發電機(Permanent Magnet Synchronous Generator,PMSG)，在本實施例中，該發電機1係由一動力單元T驅動發電，該動力單元T可以是威爾斯渦輪機(Wells Turbine)，係可以用於振盪水柱型裝置，使上升或下降水柱所產生的氣流通過該動力單元T時，其對稱型葉片皆能夠朝相同方向旋轉，以持續驅動該發電機1運轉發電。
該感測模組2可以是轉速感測器、直流電壓感測器等，係用於觀測該發電機1的運轉狀況，並產生數個運轉參數。
該學習網路3可以是一種模糊機率神經網路(Fuzzy Probabilistic Neural Network,FPNN)，該學習網路3接受該感測模組2所產生之該數個運轉參數及其參考值，在本實施例中，係輸入該發電機轉子轉速
ω r 、及該轉子轉速參考值、該直流鏈電壓實際值V dc 及該直流鏈電壓參考值
，再透過模糊推論系統、類神經網路及線上學習演算，輸出該輸出向量Zo。另外，該學習網路3還可以透過差分進化演算法、粒子群尋優演算法及創新粒子群尋優演算法，求取該數個學習速率L以優化該輸出向量Zo。
該控制單元4可以是脈波寬度調變訊號產生器，該控制單元4由該學習網路3接收該輸出向量Zo，以產生該脈波寬度調變訊號PWM，用於控制該變流器5調整該發電機1的運轉模式，該發電機1的電流相位還可以反饋(Feedback)至該控制單元4，係具有調整該脈波寬度調變訊號PWM的作用。
該逆變器6係以背對背(Back to Back)結構電性連接該變流器5，又，該逆變器6電性連接至一輸電網路G，該逆變器6係可以穩定電力輸出，並由該輸電網路G收集該發電機1的發電量。
當該發電機1透過動力單元T收集波浪能時，該感測模組2偵測該發電機1的運轉狀況，再由該學習網路3及該控制單元4演算分析並優化該發電機1的電力輸出，係可以適用於在波浪狀況不穩定的海面上進行發電，使該發電機1具有低電壓穿越(Low Voltage Ride Through,LVRT)能力，能夠在低電壓、無功率輸出甚至短路故障的狀況下，該發電機1保持與該輸電網路G併聯並等待恢復正常供電。
綜上所述，本發明的波浪發電控制方法及系統，藉由將該學習網路用於調整該發電機的運轉模式，係可以抑制動力來源變化或系統故障所導致的輸出功率振盪，係具有提升能源利用率、低電壓持續運轉及穩定供電等功效。
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包含後附之申請專利範圍所記載的文義及均等範圍內之所有變更。
S1:輸入階段
S2:學習階段
S3:優化階段
S4:控制階段
Zo:輸出向量
ω r :發電機轉子轉速
V dc :直流鏈電壓實際值
Xi:輸入向量
Cjk:平均值
Vjk:標準差值
Zk:近似值
Wko:連結權值
L:學習速率
PWM:脈波寬度調變訊號
Claims (10)
- 一種波浪發電控制方法，包含：一輸入階段，偵測一發電機的實際運轉參數，再將該運轉參數及該運轉參數所對應之參考值轉換為數個輸入向量；一學習階段，將該數個輸入向量以一平均值及一標準差表示為數個近似值，再將該數個近似值分別乘以對應之數個連結權值並加總產生一輸出向量；一優化階段，由數個學習速率調整各該連結權值、該平均值及該標準差；及一控制階段，依據該輸出向量產生對應之一脈波寬度調變訊號，該脈波寬度調變訊號用於控制該發電機之運轉。
- 如請求項1之波浪發電控制方法，其中，在該輸入階段輸入之該運轉參數為一發電機轉子轉速及一直流鏈電壓實際值，該參考值為一轉子轉速參考值及一直流鏈電壓參考值。
- 如請求項1之波浪發電控制方法，其中，該學習階段將該數個輸入向量以正交多項式展開，再以高斯函數形式的該平均值及該標準差表示為該數個近似值。
- 如請求項1之波浪發電控制方法，其中，該優化階段係透過一差分進化演算法及一粒子群尋優演算法求取該數個學習速率。
- 如請求項4之波浪發電控制方法，其中，該優化階段反覆進行疊代及比較該差分進化演算法及該粒子群尋優演算法的演算結果，直到取得最佳適應性數值的該數個學習速率。
- 如請求項1之波浪發電控制方法，其中，該優化階段係透過一創新粒子群尋優演算法調整該數個學習速率。
- 一種波浪發電系統，用於執行如請求項1至6中任一項之方 法，包含：一發電機，由一動力單元驅動發電；一感測模組，位於該發電機，該感測模組偵測該發電機之數個運轉參數；一學習網路，耦合連接該感測模組，該學習網路接受該感測模組之該數個運轉參數及該數個運轉參數之參考值，及輸出一輸出向量；一控制單元，耦合連接該學習網路，該控制單元接收該輸出向量，以產生一脈波寬度調變訊號；一變流器，耦合連接該控制單元及該發電機，該變流器依據該脈波寬度調變訊號調整該發電機的運轉模式；及一逆變器，以背對背結構電性連接該變流器，該逆變器電性連接至一輸電網路。
- 如請求項7之波浪發電系統，其中，該發電機是永磁同步發電機，該動力單元是威爾斯渦輪機。
- 如請求項7之波浪發電系統，其中，該學習網路是一種模糊機率神經網路，並操作一差分進化演算法、一粒子群尋優演算法及一創新粒子群尋優演算法。
- 如請求項7之波浪發電系統，其中，該發電機耦合連接該控制單元，該發電機的電流相位反饋至該控制單元。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| TW111129373A TWI812382B (zh) | 2022-08-04 | 2022-08-04 | 波浪發電控制方法及系統 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| TW111129373A TWI812382B (zh) | 2022-08-04 | 2022-08-04 | 波浪發電控制方法及系統 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| TWI812382B true TWI812382B (zh) | 2023-08-11 |
| TW202407214A TW202407214A (zh) | 2024-02-16 |
Family
ID=88585941
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| TW111129373A TWI812382B (zh) | 2022-08-04 | 2022-08-04 | 波浪發電控制方法及系統 |
Country Status (1)
| Country | Link |
|---|---|
| TW (1) | TWI812382B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TW201307679A (zh) * | 2011-08-02 | 2013-02-16 | Univ Nat Sun Yat Sen | 具有旋角控制之風力發電裝置 |
| JP2016136001A (ja) * | 2015-01-23 | 2016-07-28 | 中国電力株式会社 | 予測装置 |
| CN110685857A (zh) * | 2019-10-16 | 2020-01-14 | 湘潭大学 | 一种基于集成学习的山地风电机组行为预测模型 |
| CN111259525A (zh) * | 2020-01-09 | 2020-06-09 | 曲阜师范大学 | 一种非线性不稳定风力机舱悬浮系统的模型预测控制方法 |
| JP2021188566A (ja) * | 2020-05-29 | 2021-12-13 | 中国電力株式会社 | 水力発電施設の動作制御装置 |
| TW202208746A (zh) * | 2020-08-20 | 2022-03-01 | 國立勤益科技大學 | 風力發電機故障診斷系統及其方法 |
-
2022
- 2022-08-04 TW TW111129373A patent/TWI812382B/zh active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TW201307679A (zh) * | 2011-08-02 | 2013-02-16 | Univ Nat Sun Yat Sen | 具有旋角控制之風力發電裝置 |
| JP2016136001A (ja) * | 2015-01-23 | 2016-07-28 | 中国電力株式会社 | 予測装置 |
| CN110685857A (zh) * | 2019-10-16 | 2020-01-14 | 湘潭大学 | 一种基于集成学习的山地风电机组行为预测模型 |
| CN111259525A (zh) * | 2020-01-09 | 2020-06-09 | 曲阜师范大学 | 一种非线性不稳定风力机舱悬浮系统的模型预测控制方法 |
| JP2021188566A (ja) * | 2020-05-29 | 2021-12-13 | 中国電力株式会社 | 水力発電施設の動作制御装置 |
| TW202208746A (zh) * | 2020-08-20 | 2022-03-01 | 國立勤益科技大學 | 風力發電機故障診斷系統及其方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| TW202407214A (zh) | 2024-02-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Lin et al. | Neural-network-based MPPT control of a stand-alone hybrid power generation system | |
| Lu et al. | Recurrent wavelet-based Elman neural network with modified gravitational search algorithm control for integrated offshore wind and wave power generation systems | |
| Taoussi et al. | Comparative study between Backstepping adaptive and Field-oriented control of the DFIG applied to wind turbines | |
| Darabian et al. | Power system stability enhancement in the presence of renewable energy resources and HVDC lines based on predictive control strategy | |
| Eltamaly et al. | Maximum power extraction from utility-interfaced wind turbines | |
| Rahman et al. | Performance evaluation of ANN and ANFIS based wind speed sensor-less MPPT controller | |
| Al Zabin et al. | Rotor current control design for DFIG-based wind turbine using PI, FLC and fuzzy PI controllers | |
| Bakir et al. | Experimental evaluation of water cycle technique for control parameters optimization of double-fed induction generator-based wind turbine | |
| TWI812382B (zh) | 波浪發電控制方法及系統 | |
| TWI684142B (zh) | 發電整合系統 | |
| Putri et al. | Speed sensorless fuzzy MPPT control of grid-connected PMSG for wind power generation | |
| Nanda et al. | Classification of faults in a wind connected power system using artificial neural network | |
| Huang | Modified neural network for dynamic control and operation of a hybrid generation systems | |
| Zebiri et al. | Analysis and Design of Photovoltaic Pumping System based on Nonlinear Speed Controller. | |
| Amin et al. | Hybrid PSO-GSA algorithm-based optimal control strategy for performance enhancement of a grid-connected wind generator | |
| Rao et al. | Maximum power point tracking for wind generators using an expert systems | |
| Rahman et al. | An efficient wind speed sensor-less MPPT controller using artificial neural network | |
| Rahman et al. | An efficient wind speed sensor-less MPPT controller using adaptive neuro-fuzzy inference 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 | |
| Tan et al. | Optimized energy extraction in tidal current technology using evolutionary algorithm | |
| Thakre et al. | Architecture, advancement and assessment of a bladeless wind solar hybrid system in comparison to a traditional hybrid solar system | |
| Fargli et al. | Artificial intelligence techniques for controlling pv-wind powered rural zone in Egypt | |
| Rao et al. | ‘Neuro-Fuzzy Logic control of MPPT for inverter based wind generators | |
| Kordkandy et al. | Hydrogen gas production in a stand-alone wind farm |