Fully Connected Recurrent Neural Network MPPT Control Design For DFIG Wind Energy Conversion Systems
- سال انتشار: 1395
- محل انتشار: اولین کنفرانس بین المللی دستاوردهای نوین پژوهشی در مهندسی برق و کامپیوتر
- کد COI اختصاصی: CBCONF01_0943
- زبان مقاله: انگلیسی
- تعداد مشاهده: 482
نویسندگان
Department of Electrical Engineering, Imam Khomeini International University, Qazvin, Iran
Department of Electrical Engineering, Imam Khomeini International University, Qazvin, Iran
چکیده
This paper is proposing a new maximum-power-point-tracking (MPPT) control design based on recurrent neural networks with real-time recurrent learning (RTRL) algorithm for getting optimal efficiency from doubly-fed-induction-generator (DFIG) wind energy conversion systems. Chosen Recurrent neural network (RNN) is a fully connected RNN with RTRL unsupervised learning algorithm. The inputs to the network are the rotor speed and wind-turbine torque, and the output is the rotor speed command signal for the wind turbine. Simulation results verify the performance of the proposed algorithm.Keywords— maximum power point tracking ,doubly-fed induction generator,recurrent neural network,real-time recurrentکلیدواژه ها
maximum power point tracking ,doubly-fed induction generator,recurrent neural network,real-time recurrent learning,wind energy conversion systemمقالات مرتبط جدید
اطلاعات بیشتر در مورد COI
COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.
کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.