Diese Studie schlägt eine neuartige sensorlose Strategie zur maximalen Leistungsaufnahme für variable Windenergiewandelsysteme vor, die einen permanentmagnetsynchronen Generator (PMSG) einsetzen. Die vorgeschlagene Methode integriert ein Fuzzy-probabilistisches neuronales Netzwerk (FPNN) mit einem verbesserten Partikelschwarm-Optimierungs (IPSO)-Algorithmus, um adaptive Lernfähigkeiten zu ermöglichen. Zusätzlich wird die Support-Vektor-Regressions (SVR)-Methode verwendet, um die Windgeschwindigkeit ohne mechanische Sensoren zu schätzen, wodurch die Systemzuverlässigkeit erhöht und der Wartungsbedarf reduziert wird. Eine Vanadium-Redox-Batterie (VRB) wird integriert, um die Leistungsstabilität unter schwankenden Windbedingungen zu verbessern. Simulationsergebnisse zeigen, dass der vorgeschlagene FPNN-IPSO-basierte Controller eine überlegene Leistung im Vergleich zu herkömmlichen Takagi–Sugeno–Kang (TSK) Fuzzy- und proportional-integralen (PI) Controllern erreicht. Insbesondere weist der FPNN-IPSO-Controller bemerkenswerte Verbesserungen in der durchschnittlichen Leistungsabgabe, der Nachverfolgungsgenauigkeit und der Gesamteffizienz des Systems auf. Die vorgeschlagene Methode steigert die Leistungsabgabe um 9,71 % im Vergleich zum PI-Controller und unterstützt den Plug-and-Play-Betrieb, was sie für die intelligente Mikrogrid-Integration geeignet macht. Diese Arbeit zeigt einen effektiven Ansatz für intelligente, sensorlose MPC-Kontrolle in hybriden Wind-Batterie-Mikrogrids.
Lu et al. (Do,) haben diese Frage untersucht.
Synapse has enriched 5 closely related papers on similar clinical questions. Consider them for comparative context: