神经网络补偿控制输出功率优化风能转换系统的基于数据驱动的控制gydF4y2Ba

文摘gydF4y2Ba

由于风电的不确定性和由于风能转换系统(WECSs)具有很强的非线性特征,准确的wec模型很难建立。为了解决这个问题,选择数据驱动控制技术和数据驱动控制器wec设计基于马尔可夫模型。神经网络设计优化的输出系统基于数据驱动的控制系统模型。为了提高神经网络的训练效率,三个不同的学习规则进行了比较。风电场的分析结果和SCADA数据比较,和结果表明,该方法有效地减少发电机转速的波动,可以提高风力涡轮机的安全,wec输出的准确性提高,更多的风能捕获。gydF4y2Ba

1。介绍gydF4y2Ba

近年来,全球风能产业快速发展,风力发电已经成为最重要的可再生能源,风力发电机的装机容量增长速度已成为每年超过25%,和风能已经广泛应用于灌溉(gydF4y2Ba1gydF4y2Ba),城市供电(gydF4y2Ba2gydF4y2Ba),和许多其他领域。然而,仍有一些困难的问题在风能控制技术:如何获得最大输出功率的风力涡轮机是主要问题之一。国内外学者做了很多研究在捕获最大风能;最常见的控制策略是最大功率点跟踪控制翻译(MPPT) [gydF4y2Ba3gydF4y2Ba]。最大风能捕获通过控制风力发电机的输出误差速度,当风速变化时。PI控制(gydF4y2Ba4gydF4y2Ba,gydF4y2Ba5gydF4y2Ba],LQG控制[gydF4y2Ba6gydF4y2Ba,gydF4y2Ba7gydF4y2Ba),和模糊滑模控制gydF4y2Ba8gydF4y2Ba常用的控制方法。然而,调整PI控制器的参数几乎是通过大量的实验。他们将受到负载和风速的变化的影响,因此,PI调节器将失去灵活性。LQG控制方法没有建模精度高,系统输出误差太大。模糊滑模控制不能降低抖振现象;它将导致低的准确性和健壮的表现不佳。gydF4y2Ba

数据驱动的控制理论已逐渐成为一个热门研究领域国内外学者(gydF4y2Ba9gydF4y2Ba- - - - - -gydF4y2Ba14gydF4y2Ba]。可以使用数据驱动的控制理论设计控制器的一个复杂的非线性系统模型是未知的。控制方法具有普遍适用性,并成功地应用于许多领域,如飞行控制(gydF4y2Ba15gydF4y2Ba,gydF4y2Ba16gydF4y2Ba),模式识别(gydF4y2Ba17gydF4y2Ba),机器人控制(gydF4y2Ba18gydF4y2Ba,gydF4y2Ba19gydF4y2Ba]。gydF4y2Ba

然而,数据驱动控制器的缺点是参数摄动和过度的计算。数据驱动的方法是提高了许多知名学者(gydF4y2Ba20.gydF4y2Ba- - - - - -gydF4y2Ba23gydF4y2Ba]。一个新的数据驱动控制器设计在文献[gydF4y2Ba20.gydF4y2Ba];该方法只使用测量输入和输出数据的控制装置和担保有界输入有界输出稳定。这可以通过比较已知的数据驱动的方法与一般自适应控制方法。该方法具有实际应用价值,并且可以与其他控制方法相结合,因此控制器的成本大大降低。gydF4y2Ba

神经网络有纷争埋下伏笔——依赖于系统的精确数学模型分类能力强的空间数据模型。事实上,神经网络已经被成功地应用到风力发电控制系统(gydF4y2Ba24gydF4y2Ba- - - - - -gydF4y2Ba30.gydF4y2Ba]。文献[gydF4y2Ba24gydF4y2Ba- - - - - -gydF4y2Ba26gydF4y2Ba]介绍了神经网络预测控制wec的应用程序中,使用神经网络预测控制器补偿系统输出误差所引起的不确定性在wec参数;干扰输出减少当风力发电机在运行时。文献[gydF4y2Ba31日gydF4y2Ba,gydF4y2Ba32gydF4y2Ba]介绍观察者应用于风力发电机;强劲的性能和动态性能可以提高wec的观察员。当风速较大,可能超过额定输出功率值;这将会导致高风力发电机转矩负载。功率输出的质量wec优化通过控制叶片螺距角在文献[gydF4y2Ba27gydF4y2Ba,gydF4y2Ba28gydF4y2Ba),因此可以减少风力发电机关闭和过载。风力涡轮机的存在分析模型(gydF4y2Ba33gydF4y2Ba- - - - - -gydF4y2Ba36gydF4y2Ba)和模型基于输入输出数据(gydF4y2Ba29日gydF4y2Ba,gydF4y2Ba30.gydF4y2Ba,gydF4y2Ba37gydF4y2Ba],本文第二例。文献[gydF4y2Ba29日gydF4y2Ba,gydF4y2Ba30.gydF4y2Ba,gydF4y2Ba37gydF4y2Ba]介绍数据驱动wec基于神经网络控制器的设计,该方法收集风电场数据监控和数据采集(SCADA)系统,如风能利用系数、风力发电机转速和风速。使用数据驱动控制来确定输入和输出的控制对象,不同的控制方法是用来调节wec输出;结果证明,该方法可以有效地应用于不同的风力涡轮机。gydF4y2Ba

数据驱动控制器wec基于神经网络补偿控制是本文设计的。首先,一个10分钟由SCADA系统的风力发电机被选中的数据;数据驱动控制系统的马尔可夫参数可以通过wec的输入和输出数据。其次,控制器的增益可以得到封闭解微分黎卡提微分。gydF4y2Ba

为了提高wec控制精度和捕获更多的风能,神经网络补偿器是为了抵消wec为了未知的参数动态干扰引起的,选择不同的神经网络学习规则在培训过程中,神经网络,另一个用于优化风能利用系数,降低wec上的机械冲击。分析结果表明,这种方法可以捕获更多的风能和风力涡轮机可以增强的安全。gydF4y2Ba

2。问题描述gydF4y2Ba

风速和风向是不可控制的变量,风力发电机转速和扭矩是可控的变量(gydF4y2Ba29日gydF4y2Ba,gydF4y2Ba30.gydF4y2Ba,gydF4y2Ba37gydF4y2Ba,gydF4y2Ba38gydF4y2Ba]。风力涡轮机的SCADA系统是图所示gydF4y2Ba1gydF4y2Ba;系统可以监视多个风电场数据,例如,风力涡轮机、网格数据,变电站的数据。数据的输出功率,风力发电机速度,风力发电机转矩和风速的选择。gydF4y2Ba

风电场数据收集表gydF4y2Ba1gydF4y2Ba;10分钟数据用于本文的数据2010/07/02 00:10:00 a, 2010/07/20 02:20:00。gydF4y2Ba风速数据的采样时间,然后呢gydF4y2Ba是风力发电机数据之前的采样时间。gydF4y2Ba

根据文献[gydF4y2Ba1gydF4y2Ba),风能利用系数之间的关系和尖端速度比可以知道。如图gydF4y2Ba2gydF4y2Ba,速度比达到最佳值时,最大风能利用系数gydF4y2Ba大约是0.47,提示速度比最优值大约是7,和叶距角大约是0度;图具有普遍适用性的变速恒频风力发电机:gydF4y2Ba 让,gydF4y2Ba,(gydF4y2Ba1gydF4y2Ba),gydF4y2Ba风轮转矩,gydF4y2Ba空气密度,gydF4y2Ba风轮半径,gydF4y2Ba是风速。风速和风力发电机输出功率之间的关系如图gydF4y2Ba3gydF4y2Ba,gydF4y2Ba转矩系数,gydF4y2Ba提示速度比,gydF4y2Ba,gydF4y2Ba转子转速,gydF4y2Ba风能利用系数。之间的关系gydF4y2Ba和gydF4y2Ba可以表示为gydF4y2Ba。gydF4y2Ba

有多个wec未知参数和不确定性,系统具有很强的非线性特征,其模型很难建立。使用等效模型和忽略一些不确定性通常解决方案;然而,建模精度大大降低,严重影响控制效果。数据驱动控制只需要系统输入和输出数据。因此,数据驱动的风力发电系统的控制模型可以表示为gydF4y2Ba 在哪里gydF4y2Ba风力发电机输出功率。因为选择三组数据实验中,gydF4y2Ba可以根据实际需要选择作为一个不同的值。gydF4y2Ba系统状态,包括风力发电机速度、风力发电机转矩和风速。gydF4y2Ba是系统的控制输入。gydF4y2Ba和gydF4y2Ba重量是半正定对称矩阵,gydF4y2Ba,在那里gydF4y2Ba风力发电控制系统的马尔可夫参数:gydF4y2Ba

3所示。数据驱动控制方法gydF4y2Ba

引理1(见[gydF4y2Ba39gydF4y2Ba])。gydF4y2Ba微分黎卡提微分方程的封闭解gydF4y2Ba 在哪里gydF4y2Ba ,gydF4y2Ba块对角矩阵的维度gydF4y2Ba和gydF4y2Ba块对角矩阵的维度gydF4y2Ba。gydF4y2Ba

定理2。gydF4y2Ba对于给定的马尔可夫参数wec,引入一个封闭的微分黎卡提微分方程的解,可以表示为数据驱动控制器gydF4y2Ba:gydF4y2Ba 在哪里gydF4y2Ba是数据驱动控制器增益gydF4y2Ba数据驱动控制器状态吗gydF4y2Ba 在哪里gydF4y2Ba 在哪里gydF4y2Ba块对角矩阵的维度gydF4y2Ba和gydF4y2Ba块对角矩阵的维度gydF4y2Ba。gydF4y2Ba马尔可夫参数gydF4y2Ba可以通过输入gydF4y2Ba和输出gydF4y2Ba和列向量gydF4y2Ba和gydF4y2Ba是由gydF4y2Ba一步一步从开始的输入和输出数据gydF4y2Ba:gydF4y2Ba 然后,矩阵gydF4y2Ba和gydF4y2Ba在(gydF4y2Ba11gydF4y2Ba)可以由输入数据和输出数据。输入和输出数据之间的关系可以表示为(gydF4y2Ba12gydF4y2Ba)gydF4y2Ba 在哪里gydF4y2Ba ,gydF4y2Ba,矩阵gydF4y2Ba可以得到解决(gydF4y2Ba9gydF4y2Ba);当gydF4y2Ba,wec马尔可夫参数gydF4y2Ba可以提取gydF4y2Ba。gydF4y2Ba

测试时间从2010/07/21 00:30:10点到2010/07/29 00:25:30点,对应的控制输入数据和输出数据集gydF4y2Ba,gydF4y2Ba,gydF4y2Ba原来的输出功率和输出功率优化显示数据gydF4y2Ba4(一)gydF4y2Ba- - - - - -gydF4y2Ba4 (c)gydF4y2Ba。可以看出,数据驱动控制器可以有效地识别风力发电机输出功率和控制精度达到了预期的效果。gydF4y2Ba

4所示。神经网络优化gydF4y2Ba

如图gydF4y2Ba2gydF4y2Ba,速度比可以调节控制风力发电机的速度提高风能利用系数gydF4y2Ba。风力发电机转速优化的神经网络补偿器来提高风能捕获效率。神经网络性能评估(gydF4y2Ba40gydF4y2Ba- - - - - -gydF4y2Ba43gydF4y2Ba]表示为(gydF4y2Ba14gydF4y2Ba)gydF4y2Ba 在哪里gydF4y2Ba目标的输出补偿器和吗gydF4y2Ba。gydF4y2Ba是实际的补偿器的输出,这是什么gydF4y2Ba在(gydF4y2Ba17gydF4y2Ba)。神经网络有许多学习规则;不同的学习规则导致不同的训练效率,OUTSTAR学习规则用于训练神经网络补偿器,它旨在生成一个gydF4y2Ba米gydF4y2Ba维空间所需的输出向量。权向量gydF4y2BaOUTSTAR学习规则可以表示为gydF4y2Ba 在将数据驱动控制器之前,开环输入数据构成的gydF4y2Ba和输出数据构成gydF4y2Ba收集,行向量的gydF4y2Ba和gydF4y2Ba必须是线性无关的。输入的神经网络补偿器gydF4y2Ba,gydF4y2Ba,gydF4y2Ba;gydF4y2Ba是数据驱动控制器电流输入之间的错误吗gydF4y2Ba和以前的输入gydF4y2Ba。补偿器的输出gydF4y2Ba;gydF4y2Ba是神经网络电流输入之间的错误吗gydF4y2Ba和以前的输入gydF4y2Ba 随机方法具有普遍适用性,因此风力发电机,风力发电机,风力涡轮机3选择为研究对象,和学习规则EBPA和LMS用于训练神经网络补偿器。方程(gydF4y2Ba18gydF4y2Ba)给出了风力发电机输出功率平均绝对误差(MAE),标准偏差的平均绝对误差(MAE的SD),平均绝对相对误差(RMAE)和平均绝对相对误差的标准差RMAE (SD)gydF4y2Ba是控制输出,gydF4y2Ba实例的值,gydF4y2BangydF4y2Ba是样本数量。可以看出,该模型建立在收集到的数据与OUTSTAR稳定学习规则。输出误差和不同的训练规则表gydF4y2Ba2gydF4y2Ba:gydF4y2Ba

5。分析和结果gydF4y2Ba

风能利用的原始值和最优值系数比较图gydF4y2Ba5gydF4y2Ba,它可以知道风能捕获增加价值,通过调整变速比的速度比接近最优值,风能利用系数增加的价值。风力涡轮机1作为研究对象,选择5-17-1神经网络优化由风轮捕获风能。图gydF4y2Ba6(一)gydF4y2Ba给出了原始和最优发电机的速度。可以看出,最优发电机速度比原来的更稳定。图gydF4y2Ba6 (b)gydF4y2Ba给出了原始和最优的功率输出。可以看出,最优功率比原来的一个。gydF4y2Ba

6。结论gydF4y2Ba

wec本文数据驱动控制器是基于神经网络设计,数据驱动的马尔可夫参数控制器可以通过wec的输入和输出数据。为了克服数据驱动控制的不足,神经网络补偿器是用来弥补风力发电数据驱动控制系统的输出偏差;结果表明,该系统稳定性能得到了改进。gydF4y2Ba

10分钟风电场SCADA系统的数据收集,包括风力发电机输出功率、风力发电机的速度,风能利用系数,提示速度比率。方法首先决定了wec马尔可夫参数,通过调整控制系统输出数据驱动控制器增益,和神经网络是由不同的神经网络训练学习规则。结果表明,发电机转速波动可以减少,风力涡轮机操作的安全性高,更多的风能捕获,方法相对比较简单和容易理解。gydF4y2Ba

引用gydF4y2Ba

1. w·m·林和c . m .香港“智能方法变速风力发电机最大功率点跟踪控制策略生成系统,”gydF4y2Ba能源gydF4y2Ba,35卷,不。6,2440 - 2447年,2010页。gydF4y2Ba视图:gydF4y2Ba出版商的网站gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
2. c . y .李·h·陈x和y沈,“最大功率点跟踪翻译(MPPT)的小型风力发电机系统使用时滞方法,大小”gydF4y2Ba专家系统与应用程序gydF4y2Ba,38卷,不。10日,12058 - 12065年,2011页。gydF4y2Ba视图:gydF4y2Ba出版商的网站gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
3. h . Camblong i m . de喜悦,m·罗德里格斯和g·阿贝德”实验评估风力发电机最大功率点跟踪控制器,”gydF4y2Ba能量转换和管理gydF4y2Ba卷,47号18日至19日,第2858 - 2846页,2006年。gydF4y2Ba视图:gydF4y2Ba出版商的网站gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
4. e·a·Bossanyi”闭环控制器的风力涡轮机的设计,“gydF4y2Ba风能gydF4y2Ba,3卷,不。3、149 - 163年,2000页。gydF4y2Ba视图:gydF4y2Ba出版商的网站gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
5. e . Muljadi k·皮尔斯和p·米利,”一个保守的变速控制策略失速调节风力涡轮机、“技术。众议员NREL / cp - 500 - 24791,国家可再生能源实验室的数据,黄金,科罗拉多州,美国,2000年。gydF4y2Ba视图:gydF4y2Ba谷歌学术搜索gydF4y2Ba
6. 即Munteanu: a . Cutululis ai Bratcu,和e . Ceangǎ”优化变速风力发电系统基于LQG方法,”gydF4y2Ba控制工程实践gydF4y2Ba,13卷,不。7,903 - 912年,2005页。gydF4y2Ba视图:gydF4y2Ba出版商的网站gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
7. e . b . Muhando t . Senjyu h . Kinjo和t .船桥,“增强LQG控制器在线对风力发电机组的系统动态性能的增强,“gydF4y2Ba可再生能源gydF4y2Ba,33卷,不。8,1942 - 1952年,2008页。gydF4y2Ba视图:gydF4y2Ba出版商的网站gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
8. 诉Calderaro诉Galdi、施肥和p•夏诺表示:“最大的能源开采的模糊控制器变速风力发电系统中,“gydF4y2Ba电力系统研究gydF4y2Ba,卷78,不。6,1109 - 1118年,2008页。gydF4y2Ba视图:gydF4y2Ba出版商的网站gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
9. x m .田g·陈,陈,“基于数据的方法对多变量模型预测控制性能监视”gydF4y2BaNeurocomputinggydF4y2Ba,卷74,不。4、588 - 597年,2011页。gydF4y2Ba视图:gydF4y2Ba出版商的网站gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
10. j . van Helvoort b . de Jager, m . Steinbuch”与分析直接递归数据驱动控制器unfalsification更新”,gydF4y2Ba自动化gydF4y2Ba,43卷,不。12日,第2046 - 2034页,2007年。gydF4y2Ba视图:gydF4y2Ba出版商的网站gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
11. g . o . Guardabassi和s·m·Savaresi虚拟参考咨询直接设计方法:基于数据的离线方法控制系统设计”gydF4y2BaIEEE自动控制gydF4y2Ba,45卷,不。5,954 - 959年,2000页。gydF4y2Ba视图:gydF4y2Ba出版商的网站gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
12. z s侯和w·h·黄”,模范自由学习一类输出非线性系统的自适应控制,”gydF4y2Ba诉讼的美国控制会议gydF4y2Ba阿尔伯克基,页343 - 344 NM,美国,1997年6月。gydF4y2Ba视图:gydF4y2Ba谷歌学术搜索gydF4y2Ba
13. j . c .碎片和j·a . Cristion“模范自由控制的非线性随机系统离散时间测量,”gydF4y2BaIEEE自动控制gydF4y2Ba,43卷,不。9日,第1210 - 1198页,1998年。gydF4y2Ba视图:gydF4y2Ba谷歌学术搜索gydF4y2Ba
14. Z.-S。侯和J.-W。燕”,免费的基于自适应控制的高速公路匝道计量模型前馈迭代学习控制器,”gydF4y2Ba《自动化学报》gydF4y2Ba,35卷,不。5,588 - 595年,2009页。gydF4y2Ba视图:gydF4y2Ba谷歌学术搜索gydF4y2Ba
15. c . s . Byington m·沃森和d·爱德华兹,“数据驱动的神经网络方法剩余寿命预测飞机致动器组件,”gydF4y2Ba《IEEE航空会议论文集gydF4y2Ba,页3581 - 3589,纽约,纽约,美国,2004年3月。gydF4y2Ba视图:gydF4y2Ba谷歌学术搜索gydF4y2Ba
16. J.-X。徐和Z.-S。侯,”笔记数据驱动的系统方法,“gydF4y2Ba《自动化学报》gydF4y2Ba,35卷,不。6,668 - 675年,2009页。gydF4y2Ba视图:gydF4y2Ba出版商的网站gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
17. c·m·李和美国时称,“情绪识别使用数据驱动的模糊推理系统,”gydF4y2Ba言语交际的欧洲会议和技术gydF4y2Ba,第160 - 157页,2003年。gydF4y2Ba视图:gydF4y2Ba谷歌学术搜索gydF4y2Ba
18. m .同和j。j Saade”,一个高效的数据驱动的模糊方法来移动机器人的运动规划问题,“gydF4y2Ba模糊集和系统gydF4y2Ba,卷134,不。1,第82 - 65页,2003。gydF4y2Ba视图:gydF4y2Ba出版商的网站gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
19. a . Khoukhi“数据驱动的多级并行运动机器运动规划。”gydF4y2BaIEEE控制系统技术gydF4y2Ba,18卷,不。6,1381 - 1389年,2010页。gydF4y2Ba视图:gydF4y2Ba出版商的网站gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
20. z侯和美国金”,一种新颖的数据驱动控制方法对于一类离散时间非线性系统,”gydF4y2BaIEEE控制系统技术gydF4y2Ba,19卷,不。6,1549 - 1558年,2011页。gydF4y2Ba视图:gydF4y2Ba出版商的网站gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
21. z侯和Bu x模型自由自适应控制与数据辍学。”gydF4y2Ba专家系统与应用程序gydF4y2Ba,38卷,不。8,10709 - 10717年,2011页。gydF4y2Ba视图:gydF4y2Ba出版商的网站gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
22. l·d·s·科埃略·m·w·萨姆·r·r·Sumar a和a·r·科埃略”模范自由自适应控制设计使用evolutionary-neural补偿器”,gydF4y2Ba专家系统与应用程序gydF4y2Ba,37卷,不。1,第508 - 499页,2010。gydF4y2Ba视图:gydF4y2Ba出版商的网站gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
23. 英国亚穆纳河王妃,“灵敏度补偿控制:数据驱动的基于模型的自适应方法,”gydF4y2Ba《过程控制gydF4y2Ba,21卷,不。9日,第1286 - 1265页,2011年。gydF4y2Ba视图:gydF4y2Ba谷歌学术搜索gydF4y2Ba
24. k . Methaprayoon c . y . Vivatana Pong W.-J。李,j·r·廖”一个安风能评估融入单位承诺考虑预测的不确定性,”gydF4y2BaIEEE行业应用gydF4y2Ba,43卷,不。6,1441 - 1448年,2007页。gydF4y2Ba视图:gydF4y2Ba出版商的网站gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
25. m . c . Alexiadis p s Dokopoulos和h s Sahsamanoglou“风速和功率预测基于空间相关性模型,”gydF4y2BaIEEE能量转换gydF4y2Ba,14卷,不。3、836 - 842年,1999页。gydF4y2Ba视图:gydF4y2Ba出版商的网站gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
26. j . Sargolzaei和a . Kianifar建模与仿真的风力涡轮机Savonius转子使用人工神经网络估计的功率比和扭矩,”gydF4y2Ba仿真建模实践和理论gydF4y2Ba,17卷,不。7,1290 - 1298年,2009页。gydF4y2Ba视图:gydF4y2Ba出版商的网站gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
27. a . s . Yilmaz z .沉思,“螺旋角控制风力发电机额定风速以上由多层感知器和径向基函数神经网络,”gydF4y2Ba专家系统与应用程序gydF4y2Ba,36卷,不。6,9767 - 9775年,2009页。gydF4y2Ba视图:gydF4y2Ba出版商的网站gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
28. m .到了m . Sedighizadeh, a . Rezazadeh“风能转化系统使用逆神经模型算法控制,”gydF4y2Ba国际工程和应用科学杂志》上gydF4y2Ba,卷2,不。3,40-46,2010页。gydF4y2Ba视图:gydF4y2Ba谷歌学术搜索gydF4y2Ba
29. a . Kusiak和h .郑”优化风力发电机能量和功率因数的进化计算算法,”gydF4y2Ba能源gydF4y2Ba,35卷,不。3、1324 - 1332年,2010页。gydF4y2Ba视图:gydF4y2Ba出版商的网站gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
30. a . Kusiak h .郑,z的歌,“风力发电优化数据挖掘和演化计算,”gydF4y2Ba可再生能源gydF4y2Ba,35卷,不。3、695 - 702年,2010页。gydF4y2Ba视图:gydF4y2Ba出版商的网站gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
31. 杨和诉Ajjarapu”speed-adaptive降维观测器的无传感器矢量控制的双馈式感应发生器变速风力涡轮机、”gydF4y2BaIEEE能量转换gydF4y2Ba,25卷,不。3、891 - 900年,2010页。gydF4y2Ba视图:gydF4y2Ba出版商的网站gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
32. j·j·卢比奥,m·菲格罗亚j .帕切科和m . Jimenes-Lizarraga“观察者设计风力发电机的数学模型为基础,“gydF4y2Ba国际期刊的创新计算、信息和控制gydF4y2Ba,7卷,不。12日,第6725 - 6711页,2011年。gydF4y2Ba视图:gydF4y2Ba谷歌学术搜索gydF4y2Ba
33. j·j·卢比奥、p·安格诺夫和j .帕切科”均匀稳定的反向传播算法训练前馈神经网络,”gydF4y2BaIEEE神经网络gydF4y2Ba,22卷,不。3、356 - 366年,2011页。gydF4y2Ba视图:gydF4y2Ba出版商的网站gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
34. 任x, x Lv标识扩展汉默斯坦系统使用动态自优化神经网络,”gydF4y2BaIEEE神经网络gydF4y2Ba,22卷,不。8,1169 - 1179年,2011页。gydF4y2Ba视图:gydF4y2Ba出版商的网站gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
35. c·k·安,”Takagi-Sugeno模糊hopfield神经网络gydF4y2Ba${\text{HgydF4y2Ba}}_{\mathrm{\infty gydF4y2Ba}}$非线性系统识别。”gydF4y2Ba神经处理信件gydF4y2Ba,34卷,不。1,59 - 70年,2011页。gydF4y2Ba视图:gydF4y2Ba出版商的网站gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
36. j·j·卢比奥,f·奥尔蒂斯,c . r . Mariaca和j . c .坠毁”的方法在线模式识别异常眼球运动,”gydF4y2Ba神经计算和应用gydF4y2Ba。在出版社。gydF4y2Ba视图:gydF4y2Ba出版商的网站gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
37. a . Kusiak >, m . y . Li”优化风力发电机性能与数据驱动模型”,gydF4y2BaIEEE可持续能源gydF4y2Ba,1卷,不。2、66 - 76年,2010页。gydF4y2Ba视图:gydF4y2Ba出版商的网站gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
38. 答:Kusiak >,“自适应控制与数据挖掘的风力涡轮机和群体智慧,”gydF4y2BaIEEE可持续能源gydF4y2Ba,卷2,不。1、几个,2011页。gydF4y2Ba视图:gydF4y2Ba出版商的网站gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
39. k . Furuta和m . Wongsaisuwan广义逆离散时间奇异黎卡提微分方程逆解,“gydF4y2BaIEEE自动控制gydF4y2Ba,26卷,不。2、395 - 398年,1981页。gydF4y2Ba视图:gydF4y2Ba谷歌学术搜索gydF4y2Ba
40. j·j·卢比奥、p·安格诺夫和j .帕切科”均匀稳定的反向传播算法训练前馈神经网络,”gydF4y2BaIEEE神经网络gydF4y2Ba,22卷,不。3、356 - 366年,2011页。gydF4y2Ba视图:gydF4y2Ba出版商的网站gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
41. 任x, x Lv标识扩展汉默斯坦系统使用动态自优化神经网络,”gydF4y2BaIEEE神经网络gydF4y2Ba,22卷,不。8,1169 - 1179年,2011页。gydF4y2Ba视图:gydF4y2Ba出版商的网站gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
42. c·k·安,”Takagi-Sugeno模糊hopfield神经网络gydF4y2Ba${\text{HgydF4y2Ba}}_{\mathrm{\infty gydF4y2Ba}}$非线性系统识别。”gydF4y2Ba神经处理信件gydF4y2Ba,34卷,不。1,59 - 70年,2011页。gydF4y2Ba视图:gydF4y2Ba出版商的网站gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
43. j·j·卢比奥,f·奥尔蒂斯,c . r . Mariaca和j . c .坠毁”的方法在线模式识别异常眼球运动,”gydF4y2Ba神经计算和应用gydF4y2Ba。在出版社。gydF4y2Ba视图:gydF4y2Ba出版商的网站gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba

版权gydF4y2Ba

版权©2012 t·李等。这是一个开放的分布式下文章gydF4y2Ba知识共享归属许可gydF4y2Ba,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。gydF4y2Ba