《Engineering Applications of Artificial Intelligence》：Harnessing artificial neural networks for improved control of wind turbines based on brushless doubly fed induction generator
編輯推薦：
為優化配備 BDFIG 的風力發電機性能，解決傳統 PI 控制器響應速度與精度局限，研究人員開展基于 ANN 的風力發電機功率控制研究。結果表明 ANN 控制器動態響應更快、靜態誤差更低且無超調，為提升風電系統穩定性與能效提供新路徑。
在全球能源需求激增與環境問題凸顯的背景下，風能作為可持續發電的戰略選擇備受關注，配備雙饋感應發電機（DFIG）的風力 turbines 更是清潔能源轉型的核心力量。然而，現有研究面臨兩大瓶頸：一是多數采用淺層神經網絡架構（如 2-3-7-5-1 結構），缺乏對學習過程和內部參數優化的深入探索，難以精準捕捉無刷雙饋感應發電機（BDFIG）復雜動態特性；二是傳統控制策略（如模糊邏輯、PI 控制）對風速波動和參數變化敏感，且缺乏充分實驗驗證，導致風電系統能效與穩定性提升受限。
為突破上述困境，國外研究人員圍繞 BDFIG 風力發電機控制展開研究，相關成果發表于《Engineering Applications of Artificial Intelligence》。
研究采用 Python 與 MATLAB/Simulink 構建風力系統詳細模型，創建包含 12 個變量（各 1000 個樣本）的標準化數據庫，用于訓練 5 層人工神經網絡（ANN）架構（10-16-32-64-2）。同時，利用粒子群算法（PSO）優化比例積分（PI）控制器參數，通過對比實驗驗證 ANN 控制器性能。
模型構建與控制策略設計
研究首先對風力系統進行建模，風速采用諧波疊加函數Vv(t)=V0+∑i=1nAi?sin(ωi?t+φi)描述，涵蓋風、渦輪、BDFIG 及變流器的動態特性。針對 BDFIG 定子雙繞組與轉子籠型結構的磁極匹配約束，采用直接矢量控制策略，通過 PI 調節器優化變流器能量轉換，避免磁耦合干擾。
神經網絡架構與訓練
設計多層感知機（MLP）作為功率控制核心，輸入層 10 神經元對應系統狀態變量，輸出層 2 神經元負責調節有功與無功功率。通過測試三種隱藏層結構，最終選定 10-16-32-64-2 五層架構，利用標準化數據庫訓練網絡，通過調整權重（w）和偏置（b）最小化成本函數，實現對 BDFIG 復雜非線性特性的魯棒性擬合。
性能對比與實驗驗證
對比實驗顯示，ANN 控制器動態響應時間為 0.02–0.06 秒，顯著快于 PSO 優化 PI 控制器的 0.15–0.30 秒；靜態誤差低至 0.1%–1.58%（PI 控制器為 2.58%–3.79%），且完全消除 PI 控制器高達 734.72W 的設定值超調。與同類研究相比，ANN 的平均動態響應（0.043 秒）遠超 Meroufel 等人的 4.83 秒，且網絡結構更復雜，驗證了其在快速跟蹤與抗干擾能力上的優勢。
研究提出的五層 ANN 架構與矢量控制結合方案，顯著提升了 BDFIG 風力發電機的動態響應速度與控制精度，解決了傳統 PI 控制的超調與參數敏感性問題，為風電系統高效穩定運行提供了新范式。該方法通過標準化數據庫與多層網絡的深度建模，增強了對復雜風能環境的適應性，為后續實際場景部署奠定了理論與實驗基礎。未來研究可進一步探索 ANN 在變風速條件下的魯棒性優化，推動其工程化應用，助力全球可再生能源系統的智能化升級。
