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*BFernando 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nVmax。
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.2015.07.0710960-1481 /©2015 Elsevier公司保留所有权利2F. 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 ]利用扩展卡尔曼fi滤波估计，并在文献[ 5 ]的卡尔曼滤波器估计fi阐述了。
文献[ 6 ]对风速的一个有趣的估计提出了采用浸入不变性技术3可再生能源，86（2016）38e48由风力涡轮机捕获的功率是由一一一新世界报u_ M¼下午¼rpr2cðLÞV3PW二J是转子惯量；Tm是机械转矩，T是电磁转矩：E其中R是空气的密度，R是转子扫掠半径，C（L）是功率系数fi高效和大众的风速。
l是尖端速度P比（TSR），下面的表达式3pTE¼4 FIQ：朗姆酒LB（1）的机械转矩之间的比率给出捕获功率和转子转速：大众转子速度在哪里？。
下午一CðLÞ通过实验测量得到的功率系数fi有效数据—测试或使用刀片元矩理论，它de—在尺寸和叶片的几何起。
一些作品P2¼rPR3（2）TM¼v：W嗯l系统的状态是fi内德在dq电流比例—租金和转子速度：已经提出了表征C（L）的表达，喜欢的工作P文献[ 27 ]。
虽然CP的一般特性不仅取决于L，但也对叶片间距Q，目前工作的目的是提高风力发电机在区域2的EFfi效率，和q 被视为fi固定，即问≡0。
以下特性取自文献[ 28 ]中使用的工作。
T2j33rXB的Li s Li二Q；SD；嗯一在那里，我¼1,2,3是一个额外的缩放因子。
我CþC该系统的整体模型CP1lP2CðLÞ¼E保罗PP4Llx_¼FðX；VÞþGðXÞU（3）（4）W在¼¼CP1 21，C 125.2165，C 9.7798和C 0.0068¼，¼。
这P3P4哪里函数有一个已知的最高点C¼0:48在争论P *我¼价值8.001。
*这个最大C值给出了最大捕获功率TTFðX；VÞB½F；F；F；GðXÞB½G；G；0W一二三一二P *对于给定的风速v。
这些事实可以利用解决W和TSR的方程（1）UM和获得最佳转速：RXF1¼L3plrs X X1 24ljs S2 3V LR一三三二（5）Wþ嗯¼*然后，对于一个给定的风速，主要控制目标是调节转子转速至其最佳值。
在DQ框架给出了永磁同步发电机模型通过（见参考文献。
【29,30 ]）2 3plrs X X3pfrs2x34js3二一F2¼Lþ（6）（7）（8）4ljs S1 3F3¼TSMðX；VÞg x三W3vli_¼RIþ李U V；DDQEDli_¼侯日立Uþ福Vkdevbx1G1¼lQQDEEQ我和我所在的dq电流；V和V的DQ电压；R DQDQ定子电阻和电感分别为定子电阻和电感永磁flUX；与电频率你了Ekdevbx2lG2¼（9）PUE¼嗯二pfs32lrs2¼G3V（10）用P对的数目对。
与控制信号和缩放机械扭矩，分别：由于所使用的拓扑，PMSG电流单位功率因子和DQ电压由电池电压VB的确定对dcedc转换器的占空比D [ 19 ]：DUB的ffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffi我二二DV¼问ffiffiffiffiffiffiffiffiffiffiffiffiffiK V DXX二D判定元件B一þ二二QLSLS二我þ我一D它是假定状态X2ℝ3测量的模型；参数是众所周知的，风速大众是未知的。