标准规范下载简介和预览

人工神经网络用于控制风力光伏发电系统综述

人工神经网络（ArtificialNeuralNetworks，ANN）在风力和光伏发电系统的应用中展现出强大的潜力。这些系统通常面对着可变的天气条件、不稳定的能源输出等挑战，需要高效的控制策略来优化能量转换和存储效率。

人工神经网络能够通过模拟人脑神经系统的工作方式，从大量历史数据中学习并预测未来的行为模式，从而在风力发电与光伏发电系统中实现精准的功率预测、负荷预测以及优化运行管理。具体应用包括但不限于：

1.功率预测：ANN可以利用气象数据和过去的电力生产记录来预测未来一段时间内的风电或光伏输出功率，这对于电网调度至关重要。

2.能量管理：通过优化储能设备（如电池）的充放电策略，提高能源使用效率，减少弃风弃光现象。

3.故障诊断与维护：ANN可以识别系统异常运行状态，并预测潜在故障的发生概率gb50205-2001标准下载，帮助提前进行维修保养工作，降低停机风险和成本。

4.需求响应管理：根据电力市场的实时价格信号或用户行为模式，调整发电量以最大化经济效益。

综上所述，人工神经网络的应用能够显著提升风力发电与光伏发电系统的灵活性、稳定性和经济性。未来随着技术进步和数据积累，其在这一领域的应用前景将更加广阔。

风力发电机组控制系统的闭环框图。它包括一个主管控制块和自适应径向基函数（RBF）控制模块[75] 。

闭环系统响应阵风的pseudoaleatory序列。系统响应收敛到所需的一阶动力学[75] 。

Li等[76]用在应用的风速估计与鲁棒控制对风力涡轮机的功率系数曲线的电位漂移最大的风电提取神经网络原理的小型风力发电系统图。23表演提出了基于ANN的风速估计。训练计划图。24示出了仿真的结果。相对于传统的控制策略，该方法具有以下特点：

1。该风力涡轮机的最大机械功率可以很好地跟踪在动态和稳定状态。

2。神经网络为基础的风速估计器开发提供快速，准确的速度信息，以避免使用风速计。

3。一个神经网络为基础的方案，提出以弥补风力发电机组功率系数的电位漂移，无需额外的传感器。

提出了基于ANN的风速估计训练计划[76] 。

仿真结果。（一）电力系数与漂移误差。（二）发电机组的输出功率而无需给予补偿（平均误差= 10.7738）和补偿（平均误差= 4.2426）[76] 。

图。25显示了参数识别的神经网络配置。如该图所示，一个神经网络权重更新过程用于参数识别。图。26显示了MSE（均方误差）的估计，并与神经网络模型的测试测量数据之间。

神经网络配置参数辨识[77] 。

用神经网络模型的估计和测量的测试数据之间的MSE（均方误差）[77] 。

在耶尔马兹等人[78] ，一个良好的控制器，在系统中引入，通过使用人工神经网络开发的。多层感知器（MLP）和径向基函数（RBF）的使用和比较，作为俯仰角控制器。的输出功率和转速中的过速风力条件都成功限定在额定值。所提出的控制器的主要优点是，它很容易适应不同的条件，并且它具有快速应答的能力。

图。27，图。28  和  图 29显示了神经网络控制器（MLP和RBF），框图和仿真结果训练网络。网络错误都给予了证明神经网络控制器的误差趋于零的稳态响应的仿真结果。

间训练好的神经网络错误吨 = 16.8和南纬18.2度[78] 。

Koutroulis等人[79]所描述的工作组的最大功率点跟踪（MPPT）控制的一种替代方法。所提出的系统的框图所示图。30。MPPT处理是基于使用该工作组的输出电压和电流的测量，监测工作组的输出功率，并根据连续WG输出功率值之间的比较结果直接地调节DC / DC转换器的占空比。

所提出的系统框图[79] 。

有关于在风能转换系统的最大功率点跟踪（WECS）的几个其他研究[80]  和  [81] 。表7给出了神经网络的使用风力发电系统的概要。

使用人工神经网络的风电系统的列表。

用于混合动力系统的神经网络的应用程序被分成两部分：独立的混合动力系统和电网连接的混合动力系统的控制的控制。

3.3.1。自主混合动力系统的控制

据估计，数十亿人在偏远的小村庄特别是在发展中国家目前缺乏基于网格的电力服务。在许多情况下，电网延伸是因为人口分散，崎岖的地形，传输线，并与中央发电到偏远地区的分布相关联的更高的传输损耗成本很高的不切实际的。一个独立的，离网可再生能源系统是缩小在发展中国家的农村地区的用电缺口的重要选择[82] 。

Kumaravel等人[83]已经设计为一个独立的风光互补系统来管理功率的不同的能量源，所述存储单元和负载在系统中流动的总功率管理策略。利用MATLAB / Simulink的已开发的仿真模型，对混合能源系统。在不同情况下的系统性能已经通过开展模拟研究采用实际负荷需求分布和实际气象数据进行了验证。

图。31显示了智能电源管理控制器的整体控制方案。因为它是显示在图中，有对于其控制功率流的主要负载和延迟的负荷。光伏和风力发电系统的两个神经网络的结构图。32显示了交付可再生能源和建议的制度的负荷需求在典型的一天的仿真结果。

智能电源管理控制器的总体控制方案的框图[83] 。

交付可再生能源和建议的系统负载需求在典型的一天的模拟结果[83] 。

Fargli等人[84]已经开发出一种控制系统，它包括神经网络控制器（NNC）的光伏风的混合动力系统的部件之间实现协调以及控制所述能量流。

在混合光伏/风系统的这种操作，不同的情况下可能会出现：

1。由PV和风力发电机产生的总电流大于负载所需的电流。在这种情况下，能量剩余存储在电池和控制器使电池在充电状态。当电池SOC达到最大值时，控制系统停止充电过程中[84] 。

2。总的光伏和风力发电机电流小于所需要的负载电流，能量不足，则包括的存储，并且控制器使电池的放电状态。如果电池的容量下降到其最低水平，控制系统断开负载和不足能量的量[84] 。

3。的情况下逆变器的输入和总功率相等的情况，存储容量保持不变[84] 。

图。33表演提出神经网络控制系统。神经网络控制器试图通过光伏和风力发电机，控制功率流负载。图。34示出了电流产生与NNC在仿真期间。NNC有成功的跟踪参考负荷[84] 。

混合PW /风系统提出的控制系统[84] 。

电流产生与NNC在模拟期[84] 。

Lin等人[85]提出了一种独立的混合动力系统。该系统由太阳能发电，风力发电，柴油发动机，以及一个智能电源控制器。MATLAB / SIMULINK被用来建立动态模型与模拟系统。为了实现对有功功率控制快速稳定的响应，智能控制器由一个径向基函数网络（RBFN）和改进的Elman神经网络（ENN）的最大功率点跟踪（MPPT）的。风力涡轮机的桨距角由ENN控制，太阳能系统利用径向基函数网络，其中输出信号被用于控制DC / DC升压转换器，以实现最大功率点跟踪。图。35表明了该系统。

提出的混合动力系统[85] 。

表8示出的Elman型神经网络和传统的PI控制器的混合电源系统的风力涡轮机部件的性能比较。如表中所示，奥控制器具有比PI控制器更好的性能。

波尔多住宅资料图新奥的性能比较和PI控制器[85] 。

径向基函数网络用于追踪混合动力系统的光伏组件最大功率点。还P＆O算法被用于同样的目的。图。36所示为光伏发电系统的最大功率点跟踪RBFN网络和P＆O算法之间的比较。由于在数字showns，径向基函数网络具有更好的性能，同时跟踪单机混合动力系统的光伏子模块的最大功率点[85] 。

在另一项研究中，Farghally等人[86]提出了一个完整的光伏风光互补系统的尺寸根据他们的能源需求提供电力急救医院，学校和家庭建筑。计算机程序（HOMER Pro中。）解决该优化问题，以最小化目标函数考虑不同的约束，并提供最佳的风能，太阳能和电池额定值。此外，神经网络控制器被用于实现系统组件之间的协调，并控制能量开发流图。36）。

光伏系统的MPPT跟踪响应。[85] 。

阿里·阿拉维等人[87]讨论了预测的人工神经网络（ANN）为基础的原型控制器集成混合可再生能源为基础的水，电供应系统（IRWPSS）的最佳操作的发展。集成的系统，该系统已被组装时，由光电模块，柴油发电机，储能电池组和反渗透脱盐单元。电力负荷由典型的家庭和海水淡化厂。建议的人工神经网络控制器的设计实施，以采取柴油发电机决定ON / OFF状态，并在轻负载和高太阳辐射水平维持发电机的最低负荷水平和关掉柴油发电机维持发电机的高效率当不需要时基于预测信息。我们的主要目标是减少燃料的依赖，引擎的磨损是由于不完全燃烧和减少温室气体排放。结果的统计分析表明，对于测试集186例测试的R2R2值为0.979。这表明，基于神经网络模型在此工作开发可以高精确度在任何时间点的预测的功率使用和发电机的状态。

3.3.2。电网连接的混合动力系统的控制

电网连接的混合动力系统发电，并产生传输功率直接互联的网络。这样，发电和电力需求是用于控制产生的功率和功率流的量，如这些类型的系统的重要因素。基于神经网络的控制器能够同时控制发电和功率流控制。很少有这方面的研究监理通知单-模板，用于控制交流电网连接的风力光伏发电系统与人工神经网络的结构。

Younsi等人[88]提出了一种混合式的可再生能源系统，该系统收集风发生器（WG）与柴油发电机（DG），与飞轮储能系统（FESS）。该装置是基于永磁同步电机（PMSM）。混合动力系统是通过使用功率电子连接到交流电网。每个子系统的控制方法已经开发（风力发电机，柴油发电机，飞轮储能系统）和滑模控制已应用于永磁同步电机，它是一个强大的方法很不安模型，它可以很好地选择了风力生产的这是在很短的时间非常波动的可再生能源系统。该系统的控制也需要一个主管的发展。基于人工神经网络的这位导师（ANN）模型决定飞轮储能系统（充电/放电/无传输能量）的能量传输类型和需要决定柴油发电机ON / OFF状态。这两个参数被选择，以确定飞轮储能系统（电动机/发电机/不控制）的机器的控制模式和控制的柴油发电机。干预图。37显示了所提出的混合可再生能源系统的配置

混合动力可再生能源系统的配置[88] 。