一种新的在线训练神经网络算法

一种新的在线训练神经网络算法

速度估计和PMSG风力发电系统的自适应控制

最大功率提取*

B

Fernando Jaramillo Lopez，Francoise Lamnabhi Lagarrigue *，godpromesse肯尼，

一个该DES signaux等系统，Supelec高原都moulon Gif sur伊维特，91192，法国

B该d'automatique等信息学系的精灵appliquee，电气，iut-fv Bandjoun，Universite de姜村，喀麦隆

这是一个值得注意的问题。

有一个房间

文章历史：

在本文中，自适应控制系统最大功率点跟踪单机PMSG风

涡轮系统（WTS）了。一种新的程序来估计风速导出。实现

这一神经网络识别fiER（NNI）是为了近似的机械转矩设计

WTS。有了这些信息，风速计算的基础上的最佳机械扭矩点。

NNI接近实时的机械转矩信号，它不需要离线训练

得到其最佳参数值。这样，它可以真正接近任何机械扭矩值

精度好。为了将转子转速调节到最优转速值，采用块反推

控制器导出。使用Lyapunov证明了一致渐近稳定的跟踪误差来源

争论。一个标准的被动为基础的控制器的数值模拟和比较

为了显示所提出的自适应方案的良好性能。

三月20日收到2014

以书面形式收到

2015七月4

接受25七月2015

可在线8月13日2015

关键词：

风力发电系统

风速估计

非线性系统

人工神经网络人工fi

反推控制

©2015 Elsevier公司保留所有权利。

1。介绍

使风产业的趋势是设计和建造变量—

高速涡轮机的公用事业规模安装[ 2 ]。

可再生能源发电的兴趣增加

由于污染排放，在其他原因。风

能源是各种可再生能源中最为成熟的能源之一技术，并得到了很多的青睐，在世界的许多地方[ 1 ]。

根据风速、VST可以在3区域操作，因为它

如图1所示。该地区1是当风速下

切入风速Vmin。没有最大效率发生在EFfi

这一地区。区域2是当风速高于Vmin但

在额定值V下。在该区域中，主控制器任务是

n

有两种类型的风力涡轮机系统：恒速

涡轮机（CST）和变速风力涡轮机（VST）。CST操作恒定的转子速度，并可以连接到公用电网

直接，以这种方式电源转换器是没有必要的。VST可以跟随风的变化，在可变转子速度。因为

变频电源，VST产生，电源转换器

将它们连接到公用电网或电阻性负载是必要的。

VST的主要优点是，他们可以操作的大部分时间

最大功率点。这一事实，和低负荷的VST有

增加了WTS的EFfi效率，它工作在其最大

功率点（MPP）。这是主要的操作区域。区域3

当风速高于V但切出风速下

n

Vmax。在该区域中，控制器的任务是保持捕获的PO—我们在fi固定或额定值，而不是试图最大化。另一个

重要的控制器任务在这个区域，是保持电气和

安全区域的结构条件。这是通过改变

叶片螺距。当风速高于Vmax，VST关机

为了保持系统的完整性。

这里介绍的工作，包括EFfi效率增加

2区经营WTS在MPP多尔本文的分析

是考虑到叶片的变桨角度解决zerod。

然而，这不是一件容易的事，因为系统的动态性

具有较强的非线性和广泛的操作

系统使线性技术不适合

问题。

*本研究已得到欧盟部分支持第七

框架计划FP7 / 2007e2013 ] [ 257462号协议下授予

hycon2英才网。

*对应作者。

电子邮件地址：jaramillo@lss.supelec.fr（F. Jaramillo Lopez），gokenne @雅虎。

com（G. Kenne），lamnabhi@lss.supelec.fr（F. Lamnabhi Lagarrigue）。/10.1016/j.renene.2015.07.071

0960-1481 /©2015 Elsevier公司保留所有权利

2

F. Hamill Lopez等。/可再生能源，86（2016）38e48

三十九

点的大部分时间。不同的作者面临的最大功率点跟踪

忽略发电机动态和使用电气的问题

扭矩作为一个实际的控制变量，见参考文献。[ 6 ]。有些作品

提出了债权取得一定的控制权

目标像[ 14e17 ]；但不稳定的理论

给出分析。文献[ 18 ]中，作者提出了一种无位置传感器变速风力发电系统的鲁棒控制方案—

最优转矩控制方法。参见参考文献

其他相关控制工程。文献[ 19 ]中，作者提出了一种

基于无源性控制器标准（分），考虑到

发电机动力学和平衡的渐近稳定性

点证明。该控制器工作缓慢变化

在风输入信号。

为了解决一些参数的不确定性，它是必要的

采用鲁棒控制技术实现控制目标。

这些技术之一是滑模控制（标准fiRST—

阶和高阶）[ 20e25 ]。在所有的鲁棒控制

技术，可以解决目前的问题，后退步进

本文选择的技术相对简单

[ 21,26 ]。

图1。VST的操作区域。

本文的主要贡献是一个

基于神经网络的风电在线训练新算法

速度估计块反步计划，以规范

风力机系统的最佳平衡点。风

速度计算与最佳机械转矩值，即

用神经网络识别fi二近似。实时动态—

动态非线性学习法（相对于离线训练亲—

程序）的权重向量，提出了神经网络，

证明了误差源的一致渐近稳定

李雅普诺夫稳定性定理。非线性学习律使

神经网络可以近似非常快速变化的数据。在这

形式，脱机培训与广泛的输入数据是没有必要的。

此外，良好的精度在任何操作条件，保证和

实现持续学习。块反推控制器

导出以调节最佳平衡点。大学—

整体跟踪误差原点的渐近稳定性

系统证明使用Lyapunov参数，性能

该控制器是一个分，提出了比较

同一制度。

基于风速估计的最大功率点控制

跟踪（MPPT）是通过计算最优转速达到

以最佳比例值的帮助和参考，估计—

风速信号。几种估算风的方法

速度已报告。功率平衡估计算法

其中包括求解代数风功率方程

文献[ 3 ]的解释。文献[ 4 ]利用扩展