1011205洪志明专题演讲-国立高雄海洋科技大学轮机工程系暨研究所.ppt

Elman類神經網路之基礎理論(2/6) 第一層：輸入層(Input Layer)：對於輸入層中第i個神經元而言，其輸入與輸出如式(17)所示 ： 第二層：隱藏層(Hidden Layer) ：其輸入與輸出如式(18) 所示： (17) (18) * 第三層：承接層(Context Layer) ：其輸入與輸出如式(19)所示： Elman類神經網路之基礎理論(3/6) 第四層：輸出層(Output Layer)：將所輸入此神經元的訊號做加總之計算，對於輸出層中的第o個神經元而言，其輸入與輸出如(20)所示： (19) (20) * 利用遞迴連鎖律規則來計算每一層之誤差量，再根據所得之誤差量來修正權重值， 。 首先必須定義一誤差函數E，如式(21)所示： Elman類神經網路之基礎理論(4/6) 其中：Pout：發電機之輸出功率；Pref：發電機之額定參考功率；e：追蹤誤差 (21) * 輸出層：倒傳遞回來的誤差如式(22)所示： 其輸出層與隱藏層間之連結權重值每次更新疊代如式(23)所示： 輸出層與隱藏層之間連結權重值可根據式(24)來調變： Elman類神經網路之基礎理論(5/6) (22) (23) (24) * 承接層與隱藏層間之連結權重值每次更新疊代如式(25)所示： 承接層與隱藏層之間連結權重值可根據式(26)來調變： 輸入層與隱藏層間之連結權重值每次更新疊代如式(27)所示： 輸入層與隱藏層之間連結權重值可根據式(28)來調變： Elman類神經網路之基礎理論(6/6) (25) (26) (27) (28) * 前言 混合發電系統之模型與原理 靜態同步補償器之原理與分析 類神經網路之基礎與應用 混合發電系統之最大功率追蹤控制 混合發電系統之模擬結果 結論 * 大綱 風力發電系統之最大功率追蹤(1/3) 為了提高風力發電與太陽能發電之最大功率輸出，其發電系統需配合使用最大功率追蹤之控制器，使得風力發電與太陽能發電均在最大功率輸出下運轉，除了可提高供電效率、系統穩定度外，也可降低環境污染。 由於風速屬於不穩定的能源，將導致輸出的功率亦變得不穩定，為了維持穩定的輸出功率以及避免超出額定輸出，必須做輸出功率控制。傳統的風力最大功率輸出方法有許多種，如擾動觀察法與模糊控制法等，其控制方式是藉由量測風力發電機之各種參數，經由最大功率追蹤控制法得到一訊號，由此訊號來控制發電系統中的升降壓轉換器之開關切換週期，使其為最大功率輸出。 Induction Generator AC/DC Converter MPPT Control + - - + DC/AC Inverter Wind Grid Coordinate Translator Field-weakening PWM Current Control PWM Current Control Anemometer Grid Operation Control Battery energy storage 圖19 風力發電機之旋角控制系統 本文所使用之功率控制方法為旋角控制，於高風速時可同時調整多個葉片角度，可減低風的推力，使發電機不至於損壞；於低風速時亦可調整其葉片，增加葉片受風面積，以提高發電機之功率輸出，如圖19所示。 如圖20所示，為旋角控制系統之架構，若發電機輸出功率大於系統要求之參考功率，則啟動旋角控制系統，其控制系統利用比例-積分控制器控制旋角，藉由改變旋角之受風面積，使風力渦輪機輸出功率維持在最大輸出功率。 風力發電系統之最大功率追蹤(2/3) 圖20 旋角系統之比例-積分控制器 * + - PI Controller + - Turbine/Generator System 如圖21所示，為本文所設計之旋角控制器，藉由線上學習法則來調整控制器內之權重參數，使其產生最佳βc值，提高旋角控制系統之響應，使得發電機能很快進入最大輸出功率點。 風力發電系統之最大功率追蹤(3/3) 圖21 旋角系統之ENN控制器 * + - ENN Controller + - Turbine/Generator System + - 如圖22所示，為傳統擾動觀察法，此法構造簡單，只需量測太陽能電池輸出之電壓與電流，藉由週期性的增加或減少負載的大小，以改變太陽能電池的端電壓與輸出功率，並觀察、比較負載變動前後之輸出電壓及輸出功率的大小，