Key points are not available for this paper at this time.
Die technologische Entwicklung von Windenergiewandlungssystemen (WECS) wird darauf betont, die Einspeisung von Windenergie in das Versorgungsnetz reibungsloser und robuster zu gestalten. Sliding Mode Control (SMC) hat sich aufgrund seiner robusten Natur als beliebte Lösung für netzgebundene WECS erwiesen. Die Super Twisting Sliding Mode Control (STSMC), eine Variante der SMC, ist ein effektiver Ansatz, um das inhärente Schwingen in SMC zu unterdrücken und fehlerfreie Regelung bereitzustellen. Die Antistörungsfähigkeiten der STSMC verschlechtern sich aufgrund des nichtlinearen Teils, der auf einem variablen Annäherungsgesetz und der durch Störungen und Unsicherheiten verursachten Zeitverzögerung beruht. In diesem Papier werden die Antistörungsfähigkeiten der STSMC verbessert, indem die Eigenschaften künstlicher Intelligenz mit der STSMC kombiniert werden. Zunächst wird die STSMC sowohl für den inneren als auch für den äußeren Regelkreis eines doppelt gespeisten Induktionsgenerators (DFIG) basierten WECS entworfen. Dann wird ein auf künstlichen neuronalen Netzen (ANN) basierender Kompensationsterm hinzugefügt, um die Konvergenz und Antistörfähigkeit der STSMC zu verbessern. Das vorgeschlagene ANN-basierte STSMC-Paradigma wird mithilfe eines Prozessor-in-der-Schleife (PIL) basierten experimentellen Setups validiert, das in Matlab/Simulink durchgeführt wurde.
Sami et al. (Sat,) untersuchten diese Frage.