A variable speed wind generator maximum power tracking based on adaptative neuro-fuzzy inference system

Meharrar, A.; Tioursi, M.; Hatti, Mustapha; Stambouli, A. Boudghène

doi:10.1016/j.eswa.2010.12.163

Cited by 89 publications

(42 citation statements)

References 19 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Los resultados de este estudio muestran el buen desempeño del esquema propuesto de control a este tipo de sistemas en términos de robustez en la estabilidad lograda, como en los apropiados márgenes conseguidos en la respuesta transitoria. En [58], otro estudio analiza la viabilidad de los controladores basados en Sistemas de Inferencia Neuro-Difusa Adaptativa (ANFIS) para el control de sistemas complejos con incertidumbre, y han encontrado que estos sistemas tienen la capacidad de dividir los datos en grupos para incrementar el nivel de adhesión a ellos y producir mayor poder de adaptación, velocidades de respuesta más rápidas, y una mayor precisión y robustez ante perturbaciones inesperadas. Adicionalmente a esto, la literatura reporta numerosos estudios que proponen derivaciones o extensiones de la estructura de control presentada en la Fig.…”

Section: Modelos Neuro-difusos Para El Control De Sistemas Compleunclassified

Dinámica Estocástica o Compleja con Información Incompleta: Una Revisión desde el Control

Gómez¹,

Palacio²,

Valencia³

et al. 2013

Iteckne

View full text Add to dashboard Cite

Resumen-El control de procesos con dinámica estocástica o compleja es exitoso siempre y cuando se pueda estimar un modelo que se ajuste bien al comportamiento, sin embargo, esta suposición pierde validez en aplicaciones donde la información del sistema es reducida o incompleta, muy comunes en ambientes reales de la industria. La literatura presenta diferentes esquemas de control, siendo los modelos neuro-difusos los que reportan mejor desempeño. Estos modelos conjugan la capacidad de adaptación que tienen las redes neuronales con la robustez de los motores de inferencia que tiene la lógica difusa, para modelar el conocimiento de expertos mediante reglas de aprendizaje, identificar dinámicas complejas y aumentar la adaptabilidad del sistema a perturbaciones que en la práctica tienden a ser de naturaleza estocástica sumado, a veces, que la información del sistema sea restringida. Este artículo presenta una revisión sobre dificultades y soluciones derivadas del control de sistemas estocásticos o complejos con información incompleta. Se revisan las estructuras de control cuando la dinámica del sistema presenta vaguedad en los datos, la evolución hacia técnicas adaptativas, y el desempeño de las redes neuro-difusas ante procesos estocásticos o complejos con incertidumbre en los datos. De forma preliminar se establece que el control de este tipo de sistemas debe estar compuesto por modelos híbridos soportados en rutinas de optimización y análisis probabilístico que garanticen el tratamiento de las incertidumbres sin afectar el desempeño de las estructuras de control y la consistencia en la precisión.Palabras clave-Control adaptativo, sistemas estocás-ticos, redes neuronales, lógica difusa, modelos neurodifusos, información incompleta.Abstract-Control theory for processes with stochastic or complex dynamics has a successful performance as long as a model can be adjusted to the system behavior, although for real applications in the industry, where data can be reduced or incomplete, this statement may not be true. Different control schemes have been proposed and the literature reports promising results with neural fuzzy models. These models combine the adaptability of neural networks with the robust inference of fuzzy logic, in order to model expert knowledge by learning rules, identify complex dynamics and enhance the control adaptability when stochastic disturbances are present, which sometimes cause incomplete system data. This paper presents a review on the difficulties and solutions related to the control of stochastic or complex systems with incomplete data. This study, initially, discusses the control structures when the system data present notable uncertainty levels. Next, different adaptive control schemes are presented, and finally, nonlinear and stochastic control approaches based on neural fuzzy systems are reviewed. Thereby, in a preliminary way, this review establishes that a system under the conditions mentioned above should be controlled by hybrid models supported on probabilistic routines and optimizatio...

show abstract

Section: Modelos Neuro-difusos Para El Control De Sistemas Compleunclassified

Dinámica Estocástica o Compleja con Información Incompleta: Una Revisión desde el Control

Gómez¹,

Palacio²,

Valencia³

et al. 2013

Iteckne

View full text Add to dashboard Cite

show abstract

“…Some techniques need an accurate knowledge of the turbine parameters and the measurement of the wind speed [9]; some of them do not require the measurement of the wind system, but do implement an estimator [10]; some recent techniques do not require to measure any parameter, normally they are based in conventional algorithms improved by intelligent techniques like fuzzy logic, neural networks or genetics algorithms [11].…”

Section: Introductionmentioning

confidence: 99%

Overall Description of Wind Power

Lemus

Serna

2014

ing.cienc.

View full text Add to dashboard Cite

show abstract

“…Vector control based on intelligent control has been developed in [10][11][12][13][14]. In [1][2][3][4][5][6][7][8][9][10][11][12][13][14], the wind turbine is operated with pitch angle fixed. It causes the wind turbine can not be operated on a second region.…”

Section: Introductionmentioning

confidence: 99%

“…Variable speed wind generation system based on vector control has been developed in [1][2][3][4][5][6][7][8][9]. Vector control based on intelligent control has been developed in [10][11][12][13][14]. In [1][2][3][4][5][6][7][8][9][10][11][12][13][14], the wind turbine is operated with pitch angle fixed.…”

Section: Introductionmentioning

confidence: 99%

Maximum Output Power Tracking of Wind Turbine Using Intelligent Control

2011

View full text Add to dashboard Cite

Abstrak Kecepatan generator dikendalikan dengan PI-fuzzy logic controller (PI-FLC) berbasis direct field oriented control (DFOC). Sudut pitch turbin dikendalikan dengan recurrent Elman neural network (RENN). Hasil simulasi dengan simulink Matlab menunjukkan bahwa aplikasi kedua pengendali ini sukses meregulasi daya output ketika kecepatan angin di atas rating turbin dan daya output generator dapat maksimum ketika kecepatan angin di bawah rating turbin. Kata kunci: MOPT, turbin angin, PI-FLC, RENN, DFOC Abstract Generator speed is controlled using PI Fuzzy Logic Controller (PI-FLC) based Direct Field Oriented Control (DFOC). Pitch angle of wind turbine is controlled using Elman Recurrent Neural Network (RENN).The simulation results with Matlab Simulink shows that the both controller was successfully regulates the output power when the wind speed above the wind turbine rated and the output power can be maximum when the wind speed below the wind turbine rated.

show abstract

A variable speed wind generator maximum power tracking based on adaptative neuro-fuzzy inference system

Cited by 89 publications

References 19 publications

Dinámica Estocástica o Compleja con Información Incompleta: Una Revisión desde el Control

Dinámica Estocástica o Compleja con Información Incompleta: Una Revisión desde el Control

Overall Description of Wind Power

Maximum Output Power Tracking of Wind Turbine Using Intelligent Control

Contact Info

Product

Resources

About