The main contribution of this paper

The main contribution of this paper is the combination of a novel online training neural network-based algorithm for wind speed estimation with block back-stepping scheme to regulate the optimum equilibrium point of wind turbine system. The wind speed is calculated with the optimal mechanical torque value, that is approximated with a neural network identifier. A real-time dynamic nonlinear learning law (as opposed to off-line training pro-cedure) of the weight vector is proposed for the neural network , and uniform asymptotic stability of the error origin is proved using Lyapunov arguments. The nonlinear learning law makes that, the neural network can approximate very fast changing data. In this form, off-line training with extensive input-data is not necessary. Also, good accuracy in any operation condition is guaranteed and continue learning is achieved. A Block-Backstepping controller is derived in order to regulate the optimum equilibrium point. Uniform asymptotic stability of the tracking error origin for the overall system is proved using Lyapunov arguments, and the performance of this controller is compared with an SPBC that was proposed for the same system.

ผลลัพธ์ (ไทย) 1:

สัดส่วนหลักของเอกสารนี้คือ ชุดนวนิยายออนไลน์ฝึกประสาทตามเครือข่ายอัลกอริทึมสำหรับประเมินความเร็วลมกับแผนการก้าวกลับบล็อกเพื่อกำหนดจุดสมดุลที่เหมาะสมของระบบกังหันลม มีคำนวณความเร็วลม มีค่าแรงบิดเครื่องจักรกลที่เหมาะสม ที่เลียนแบบ ด้วยตัวระบุเครือข่ายประสาท มีเสนอกฎหมายแบบเรียลไทม์แบบไม่เชิงเส้นการเรียนรู้ (ตรงข้ามกับออฟไลน์ฝึก pro-cedure) ของเวกเตอร์น้ำหนักสำหรับเครือข่ายประสาท และเสถียรภาพสม่ำเสมอ asymptotic กำเนิดผิดพลาดเป็นเครื่องพิสูจน์ใช้อาร์กิวเมนต์ของเลียปูนอฟ ทำให้กฎหมายไม่เชิงเส้นการเรียนรู้ที่ เครือข่ายประสาทสามารถประมาณการข้อมูลที่เปลี่ยนแปลงอย่างรวดเร็ว ในแบบฟอร์มนี้ ฝึกออฟไลน์ ด้วยข้อมูลมากมายไม่จำเป็น ยัง ความแม่นยำดีในเงื่อนไขการดำเนินการใด ๆ จะรับประกัน และได้เรียนรู้ต่อไป ควบคุมแบบ Backstepping บล็อกขึ้นมาเพื่อควบคุมจุดสมดุลที่เหมาะสม ยูนิฟอร์ม asymptotic เสถียรภาพของข้อผิดพลาดการติดตาม จุดเริ่มต้นของระบบโดยรวมจะพิสูจน์ใช้อาร์กิวเมนต์ของเลียปูนอฟ และประสิทธิภาพการทำงานของตัวควบคุมนี้ถูกเปรียบเทียบกับ SPBC ที่ถูกนำเสนอในระบบเดียวกัน

ผลลัพธ์ (ไทย) 2:

สนับสนุนหลักของการวิจัยนี้คือการรวมกันของการฝึกอบรมออนไลน์นวนิยายอัลกอริทึมที่ใช้โครงข่ายประสาทเทียมสำหรับการประมาณความเร็วลมกับบล็อกกลับก้าวโครงการในการควบคุมจุดสมดุลที่เหมาะสมของระบบกังหันลม ความเร็วลมที่มีการคำนวณมูลค่าที่แรงบิดทางกลที่ดีที่สุดที่เป็นห้วงที่มีการระบุเครือข่ายประสาท จริงเวลาแบบไดนามิกกฎหมายการเรียนรู้ที่ไม่เป็นเชิงเส้น (เมื่อเทียบกับปิดสายการฝึกอบรม cedure-Pro) ของเวกเตอร์น้ำหนักจะนำเสนอสำหรับเครือข่ายประสาทและสม่ำเสมอเสถียรภาพ asymptotic แหล่งกำเนิดของข้อผิดพลาดที่ได้รับการพิสูจน์โดยใช้ข้อโต้แย้ง Lyapunov กฎหมายการเรียนรู้ที่ไม่เป็นเชิงเส้นทำให้เครือข่ายประสาทสามารถใกล้เคียงกับการเปลี่ยนแปลงอย่างรวดเร็วของข้อมูล ในรูปแบบนี้ปิดสายการฝึกอบรมกับการป้อนข้อมูลที่กว้างขวางไม่จำเป็น นอกจากนี้ยังมีความถูกต้องอยู่ในสภาพที่ดีดำเนินการใด ๆ มีการประกันและการเรียนรู้อย่างต่อเนื่องจะประสบความสำเร็จ ตัวควบคุมบล็อก Backstepping มาเพื่อควบคุมการจุดสมดุลที่เหมาะสม ความมั่นคง asymptotic เครื่องแบบที่มาติดตามข้อผิดพลาดของระบบโดยรวมมีการพิสูจน์โดยใช้ข้อโต้แย้ง Lyapunov และประสิทธิภาพการทำงานของตัวควบคุมนี้คือเมื่อเทียบกับ SPBC ที่นำเสนอระบบเดียวกัน

ผลลัพธ์ (ไทย) 3:

ส่วนหลักของบทความนี้คือการรวมกันของนวนิยายออนไลน์การฝึกอบรมเครือข่ายประสาทขั้นตอนวิธีสำหรับความเร็วลมประมาณบล็อกกลับมาเหยียบชุดควบคุมที่เหมาะสมจุดสมดุลของระบบกังหันลม . ความเร็วลมคำนวณกับค่า แรงบิดที่เหมาะสมเชิงกลที่โดยประมาณ ด้วยโครงข่ายประสาทเทียมระบุ .เวลาจริงแบบไดนามิกเส้นเรียนกฎหมาย ( ตรงข้ามกับแบบฝึกโปร cedure ) น้ำหนักเวกเตอร์เสนอโครงข่ายประสาทเทียมและความมั่นคงของแหล่งที่มาชุดข้อผิดพลาดพิสูจน์โดยใช้ทฤษฎีเหตุผล เรียนกฎหมายก็ไม่เชิงว่าโครงข่ายประสาทเทียมสามารถประมาณการเปลี่ยนแปลงอย่างรวดเร็วของข้อมูล ในรูปแบบนี้การฝึกแบบมีข้อมูลอย่างละเอียด ไม่จําเป็น นอกจากนี้ที่ดีในการใด ๆเงื่อนไขรับประกันความถูกต้องและการเรียนรู้ต่อไปได้ บล็อก backstepping ควบคุมได้มาเพื่อควบคุมจุดสมดุลที่เหมาะสม ความมั่นคงของแหล่งที่มาสำหรับชุดของข้อผิดพลาดในการติดตามระบบโดยรวมจะพิสูจน์ได้โดยใช้ทฤษฎีอาร์กิวเมนต์และสมรรถนะของตัวควบคุมนี้เมื่อเทียบกับ spbc ที่เสนอในระบบเดียวกัน