基于模糊自适应PID的风力发电系统变桨距控制

提出模糊自适应整定PID控制理论设计风力发电系统变桨距控制器.建立了风机及变桨距机构模型,以发电机转速测量值,发电机转速测量值与额定转速相比后误差为输入设计控制器.在随机风作用下对设计的模糊自适应整定PID控制器进行仿真,结果表明基于模糊自适应整定PID控制理论的变桨距控制器具有良好的动态性能及对风速扰动的鲁捧性,能够有效改善风力发电系统变桨距控制效果.     

基于模糊自适应PID的风力发电系统变桨距控制

提出模糊自适应整定PID控制理论设计风力发电系统变桨距控制器。建立了风机及变桨距机构模型,以发电机转速测量值,发电机转速测量值与额定转速相比后误差为输入设计控制器。在随机风作用下对设计的模糊自适应整定PID控制器进行仿真,结果表明基于模糊自适应整定PID控制理论的变桨距控制器具有良好的动态性能及对风速扰动的鲁捧性,能够有效改善风力发电系统变桨距控制效果。     

基于RBF神经网络整定PID的 风力发电变桨距控制

为了改善变速恒频风力发电系统在恒功率输出运行区域内的动态性能,在分析系统变桨距控制研究现状的基础上,基于RBF神经网络(RBFNN)整定PID控制理论设计风力发电系统变桨距控制器,建立了风力机及变桨距机构模型,以发电机转速测量值与额定转速相比后误差为输入设计控制器。在随机风作用下对设计的RBFNN整定PID控制器进行仿真,结果表明基于RBFNN整定PID控制理论的变桨距控制器具有良好的动态性能及对风速扰动的鲁捧性,能够有效改善风力发电系统变桨距控制效果     

基于模糊控制的风力发电系统变桨距控制器的设计

在介绍和对比了国内外风力发电技术的研究和应用状况的基础上,以获得最大风能捕获为目的,提出了风力发电系统变桨距控制器的设计。针对风力发电系统数学模型复杂,受参数变化和外部干扰严重,具有非线性、时变、强耦合的特点,将模糊控制引入到风力发电控制系统中,用模糊控制器作为变桨距系统的控制器,在风速高于额定风速的情况下,根据风速的变化调整桨叶节距角,从而调节发电机的输出功率,使风力发电机组的输出功率保持稳定。最后,利用Simulink构建整个控制系统,对系统进行Matlab仿真。结果表明,使用模糊控制变桨距控制器的风力发电系统确实具有更好的动态性能、收敛速度和静态误差,从而为今后进一步研究奠定了一定的基础。     

风电机组交流伺服变桨系统的优化研究

由于风速的随机性、不稳定性及气动效应的影响,使风力发电机组变桨距控制系统具有非线性、参数时变性、强耦合等特点,风力发电系统难于实现高精度控制,输出电能质量较差.为改善系统在恒功率输出运行区域内的动态性能,在分析风力发电系统变桨距控制研究现状的基础上,设计了基于交流伺服系统的风力发电系统变桨距控制器.最后,利用Matla...     

电气控制在风电中的典型应用

综述了电气控制在风力发电机组的应用。介绍风力发电的基本原理,在桨叶倾角控制方面,对液压变桨距系统和电动变桨距系统作了对比分析。同时介绍了模糊控制和神经网络控制的特点与应用,通过对比各种风力发电技术和各种控制方法优缺点,归纳出未来风力发电技术的发展趋势。     

变速恒频风力发电系统变桨距自抗扰控制

由于风能的随机性及气动效应的影响，变速恒频风力发电系统具有强非线性，难于实现高精度控制，输出电能质量较差。为了改善系统在恒功率输出运行区域内的动态性能，该文在分析变速恒频风力发电系统变桨距控制研究现状的基础上，基于自抗扰控制理论设计风力发电系统变桨距控制器。建立了风机及变桨距机构模型，以转速为量侧输入设计扩张状态观测器，观测系统状态及风速扰动，利用前馈环节予以补偿；同时，根据状态偏差配置非线性结构，抑制转速偏差。在随机风、阶跃风及阵风作用下对设计的自抗扰控制器进行数字仿真，结果表明基于自抗扰控制理论的变桨距控制器具有良好的动态性能及对风速扰动的鲁捧性，能够有效改善变风力发电系统桨距控制效果，工程实用价值较高。     

基于最优模糊推理的风电机组变桨距二维模糊PID控制器设计

风力发电系统已成为可再生能源利用中必不可少的一部分,它具有多变量、非线性以及不确定等特点,其变桨距功率调节技术逐渐成为主流技术。PID控制技术虽然能满足一般控制要求,但控制效果不很理想。在变桨距功率控制的基础上应用模糊PID控制,其中模糊PID控制器采用二维线性规则库和标准三角型隶属度函数的结构,通过MATLAB/Simulink仿真平台,验证模糊PID控制的合理性和优越性。     

模糊PID控制在风力发电变桨距系统中的应用

采用变桨距系统是提高风力发电机组性能的关键技术。介绍了变桨距系统的结构和工作原理,提出了利用模糊自适应PID技术来实现风力发电变桨距控制的技术方案。方案设计了自适应模糊PID控制器,采用模糊推理的方法实现PID控制参数Kp、Ki、Kd的自整定。仿真实验结果表明,基于自适应模糊PID控制器,采用模糊推理的方法实现PID控制算法的变桨控制器具有鲁棒性强、超调量小、稳态精度高,且在变桨控制中调控平稳,对传动系统及变桨执行机构损耗小等优点。     

基于自适应模糊神经网络的风速软测量

针对风力发电系统有效风速无法直接测量的问题,提出了基于自适应模糊神经网络的风速软测量方法,在该方法中利用优化的自适应模糊神经网络建立了风速软测量模型,以发电机功率、桨距角和风力机转速作为模型的输入,有效风速作为模型的输出,网络学习中采用可变的学习速率和可变的动量学习率.仿真结果表明,与传统的神经网络风速软测量模型相比,基于自适应模糊神经网络的风速软测量方法是有效的,风速的估计值较好地跟踪了有效风速的变化趋势,具有较高的准确性.     

基于粗糙集与模糊神经网络的变压器故障诊断方法

将基于粗糙集理论的模糊神经网络，应用于变压器故障诊断中，充分利用粗糙集理论对知识的约简能力模糊神经网络优良的分类能力，首先利用粗糙集方法对原始数据进行约简，形成精简的规则集，以此基础构建的模糊神经网络结构完全是由粗糙集最终约简规则决定的，具有良好的拓扑结构，网络规模大大减少，学习速度大为提高，而且保持了网络较好的分类能力。     

基于模糊神经网络的异步电机转速估计方法

根据异步电机的数学模型,提出基于模糊神经网络的异步电机转速估计方法。将传统参考自适应系统中原有的自适应调节机构用一个具有在线学习能力的模糊神经网络取代,得出了一种基于模糊神经网络的异步电机转速估计方法,并给出了速度估计器的模糊神经网络结构和学习算法。仿真结果表明,该方法能准确跟踪电机实际转速的变化,具有良好的性能。     

基于模糊神经网络的分段式直线电机提升系统的故障诊断

针对分段式直线提升系统的特点,应用基于模糊神经网络的故障诊断方法,将模糊逻辑与神经网络融合在一起,实现了对这一复杂系统的故障诊断。侧重介绍了模糊神经网络的结构和学习方法,并利用这些原理对直线电机本体进行故障诊断。仿真结果表明,该方法是有效的。     

模糊神经网络在噪声消除中的应用

提出了一种基于改进模糊聚类算法的训练模糊神经网络的算法,该方法采用遗传算法改进传统的模糊聚类算法,并给出了一个衡量聚类有效性的函数以确定聚类算法中的聚类总数,从而确定模糊神经网络结构,仿结果表明神经网络可成功的应用于噪声消除。     

基于模糊神经网络的感应电动机转速估计方法

根据感应电动机的数学模型,提出一种基于模糊神经网络的感应电动机转速估计的方法,并给出了速度估计器的模糊神经网络结构和学习算法。仿真结果表明,该方法能准确跟踪电动机实际转速的变化,具有良好的性能。     

基于模糊神经网络的故障诊断在永磁直线同步电动机中的应用

针对永磁直线同步电机的特点，应用基于模糊神经网络的故障诊断方法，将模糊理论与神经网络融合在一起，实现了对该电机故障的模糊诊断。介绍了模糊神经网络的结构和学习方法，利用了一种阈值向量故障判别方法，使永磁直线同步电动机的故障判别灵活、可靠。仿真结果表明，该方法是行之有效的。     

一种前向模糊神经网络控制系统的研究

基于模糊逻辑和神经网络技术提出一种具有快速学习算法的模糊神经网络控制系统。     

模糊神经网络负荷模型的内插外推能力

为了分析综合负荷模型的实用性,研究了综合负荷模型的内差外推能力。通过分析模糊神经网络综合负荷模型建模数据的特征,确定模糊模型的初始结构;通过模糊神经网络对建模数据的学习,获取模糊推理规则并调整隶属度函数的参数,进而辨识出模糊模型并调整隶属度函数;将电压、有功和无功作为模糊神经网络的广义模型输入,对综合负荷进行解耦建模。在综合负荷构成成分相同的3组数据中,用其中1组建模数据训练得出模糊模型的结构和参数去拟合其它2组建模实测数据,获得良好的拟合效果,从而验证了模糊神经网络综合负荷模型的良好的内插外推能力和收敛性。该特性对于综合负荷模型的实用化具有重要的指导意义。     

永磁同步电机的模糊混沌神经网络建模

采用模糊混沌神经网络建立了具有混沌特性的永磁同步电机(PMSM)模型。永磁同步电机在一定工作情况下呈现混沌运动，根据PMSM的数学模型得出其混沌特性曲线。将混沌神经网络与模糊理论相结合设计出协作型模糊混沌神经网络，并据此网络建立了永磁同步电机的模糊混沌神经网络结构模型，该模型在结构上为神经网络，具有混沌特性，在功能上是模糊系统；确定了模型的输出函数，并推导了模型的学习算法，仿真结果表明永磁同步电机的模糊混沌神经网络模型与原系统是等价的。     

神经网络在线学习模糊自适应控制及其应用

基于反馈误差学习法,提出了一种神经网络在线学习模糊自适应控制结构。利用模糊推理机产生的分目标学习误差训练神经网络,避免了控制器的输出产生振荡或进入饱和状态。工程应用表明,该方法将模糊推理引入神经网络学习中,可有效地提高系统的控制品质。