کنترل سرعت پیچ توربین بادی با استفاده از کنترلکننده

Transcript

1 کنترل سرعت پیچ توربین بادی با استفاده از کنترلکننده شبکهی عصبی دینامیکی با خط تاخیری مهرنوش کمرزرین علیرضا یزدیزاده محمد حسین رفان و شادی عسگری دانشجوی کارشناسی ارشد گروه کنترل دانشگاه شهید بهشتی دانشیار گروه کنترل دانشگاه شهید بهشتی دانشیار گروه الکترونیک دانشگاه تربیت دبیر شهید رجایی دانشجوی کارشناسی ارشد گروه کنترل دانشگاه شهید بهشتی چکیده- انرژی باد از مهمتر ین منابع تجدیدپذیر است که در سالهای اخیر توسعه قابل توجهی داشته است. کنترل توربین باد یک چالش بزرگ در تولید این انرژی است. در این مقاله به منظور کنترل پیچ توربین باد با سرعت متغیر از یک روش تطبیقی مبتنی بر شبکه عصبی استفاده شده است. شبکههای استفاده شده دو نوع و بر اساس مدل استاتیکی پس انتشار خطا و دینامیکی با خط تاخیری میباشند. پس از آموزش مدل در مرحله تست تخمینی از زاویه پیچ در لحظه بعد به دست میآید. مقادیر حاصل از این تخمین در تنظیم پیچ به عنوان ورودی کنترلی توربین باد استفاده میشوند. شبیهسازیها و نتایج عددی نشان میدهند که توان خروجی با استفاده از کنترل مبتنی بر شبکه عصبی دینامیکی نسبت به روشهای پسانتشار خطا و روش کالسیکی کنترل مقدار نامی توان را با سرعت بیشتر و خطای کمتری دنبال میکند. کلمات کلیدی توربین بادی شبکه عصبی استاتیکی پس انتشار خطا شبکه عصبی دینامیکی با خط تاخیری کنترل پیچ. مقدمه باد منبع انرژی تجدید پذیری است که به طور گسترده در سراسر دنیا در دسترس استk اولین تالشها برای استفاده از انرژی باد توسط ایرانیان در به کارگیری آسیابها آغاز شدk امروزه انرژی باد به طور فزاینده سوخت- های فسیلی بر محیط زیست است ]-[k استراتژیهای کنترلی نقش مهمی در سیستمهای تبدیل انرژی باد در بهینهسازی توان خروجی توربینهای بادی ایفا میکنندk کنترل سرعت نیازمند یک طبقه بندی کلی سرعت باد به دسته است که در شکل نشان داده شده استk در این شکل سرعت nr a_ به عنوان سرعت بادی است که در آن توربین شروع به تولید توان میکندk سرعتهای کمتر برای راهاندازی توربین باد موثر نیستk نرخ سرعت ) rated v) سرعت بادی است که در آن توربین به نرخ توان خود میرسدk سرعت ) cut out v) حداکثر سرعت وزش بادی است که در آن توربین بادی هنوز میتواند به تولید ادامه دهدk فراتر از این سرعت باد روتور برای حفظ تیغه ژنراتور الکتریکی و دیگر قطعات از خرابی خاموش میشود ][k مناطق عملیاتی مطلوب منطقههای و هستندk منطقهی محدودهی سرعت باد بین v cut in و v rated است که منطقهی نرخ توان پایین نامیده میشودk از آنجا که توان تولید شده در این منطقه تابع مکعبی از سرعت باد است وظیفهی اصلی کنترلکننده بدست آوردن توان خروجی از سرعت باد استk منطقهی محدودهی سرعت باد بین v rated و v cut out را پوشش میدهد که منطقهی نرخ توان باال نامیده میشودk از آنجایی که توان مکانیکی تولید شده توسط روتور محدود است کار اصلی کنترلکننده در این منطقه نگهداشتن خروجی در محدودهی نرخ توان خود است ][k تاکنون از شبکههای عصبی در شناسائی و کنترل سیستمهای زیادی استفاده شده است که از جمله میتوان به شناسایی سیستمهای غیرخطی با استفاده از شبکهی عصبی تاخیری شناسایی سیستمهای غیر خطی با استفاده از شبکهی عصبی دینامیکی شناسایی سیستمهای کنترلکنندهی انعطافپذیر به وسیلهی شبکه عصبی و بهبود شبکهی عصبی در شناسایی کالسهبندی سیستمهای غیرخطی نام برد ]9-5[ کنترل پیچ توربین هم از دامنه وسیع کاربردهای شبکه عصبی مستثنی نیوده استk در سال 7 با استفاده از یک کنترلکنندهی عصبی خود تطبیق کنترل مستقل هر یک از پرهها انجام شده استk در این کار با استفاده از شبکهی عصبی CAMC ضرایب کنترلکنندهی DIP تنظیم شدهاست ][k در سال 7 و 8 در روشهایی با تعریف خطای خروجی اقدام به آموزش شبکهی عصبی و در نتیجه کنترل توربین کردهاند ] و [ و همچنین در سال با استفاده از شبکه عصبی به تنظیم پیچ سیستم سرعت متغیر پرداخته شده است ][k در سال کنترل پیچ متغیر را با استفاده از شبکه عصبی RBF RBF پیشنهاد کردهاندk در این مقاله کنترل به روش شبکهی عصبی در حاالت عملکردی مختلف توربین بادی سرعت متغیر با پیچ متغیر پیشنهاد شده استk در این مقاله به کنترل گشتاور در سرعتهای Cerebellar Model Articulation Controller Proportional Integral Derivative Radial Basis Function ۱۳۹۴ انجمن علوم مهندسی برق ایران ۱۰۳۰

2 8 6 (%) V Cut-in V Rated V Cut-out ( / ) شکل : محدودهی عملکردی توربین بادی با توجه به سرعت باد ][ پایینتر از سرعت نامی باد و کنترل پیچ توربین باد در سرعتهای باال و ارتباط نرم بین این دو حالت پرداخته شده استk کنترل شبکه عصبی از دینامیک غیر خطی توربین بادی بر اساس اندازهگیری ورودی و خروجی- های توربین تخمین میزندk وزنهای شبکه عصبی مقاوم بر اساس به روزرسانی قوانین بدست آمده از تجزیه و تحلیل تابع پایداری لیاپانوف بدست میآیندk الگوریتم پیشنهاد شده در این مقاله ابتدا بر روی مدل ریاضی ساده شدهی توربین باد تست شده استk سپس نتایج شبیهسازی بر روی یک توربین 5 مگاواتی اعمال شده است []k در سال ژانشان و همکاران روش کنترل توان خروجی ثابت در وزش باد متغیر در کنترل پیچ توربین باد با استفاده از شبکهی عصبی ارائه کردندk در این روش یک استراتژی کنترل بر اساس شبکهی عصبی به منظور تنظیم زاویه پره و سرعت چرخش سیستم توربین بادی ارائه شده استk در این روش از آنجایی که محدودهی تغییرات زاویهی پیچ توربین باد محدود است سیستم توربینه یا بادی به عنوان یک سیستمه یا غیر خطی با محرک ناشناخته در نظر گرفته میشودk به منظور رفع این مشکل از شبکهی عصبی استفاده از مشتقات جزئی و از یک شبکهی استاتیکی به عنوان یک جبرانگر استفاده شده است [5]k در این مقاله هدف کنترل پیچ توربین باد با استفاده از دو کنترلکنندهی مبتنی بر شبکهی عصبی دینامیکی و استاتیکی و مقایسهی نتایج این دو با کنترلکنندهی رایج کالسیک استk در ادامه ابتدا مدلی از باد و توربین بادی مورد مطالعه ارائه خواهد شدk در بخش سوم شبکهی عصبی شرح داده میشودk در این بخش روشهای شبکهی عصبی استاتیکی پس انتشار خطا و شبکه عصبی دینامیکی توضیح داده شدهاندk بخش چهارم پیادهسازی مدل کنترلکننده- تاخیری 5 های کالسیک و دو مدل پیشنهادی مبتنی بر شبکهی عصبی است در این بخش نتایج حاصل از شبیهسازیها ارائه میگردد و در نهایت بخش پنجم نتیجهگیری استk مدلسازی میزان متفاوت تابش خورشید به سطح زمین و تغییرات دمایی منجر به تولید باد میشودk سرعت باد پیوسته در حال تغییر است و اندازهی آن در هر بازهی زمانی یک متغیر تصادفی استk با توجه به طیف وندرهوون مشاهده میشود که تمرکز انرژی در دو فرکانس مستقل است که این امر سبب میگردد تا مدل باد در شبیهسازیها به صورت حاصلجمع متوسط باد در منطقهی مورد بررسی و مجموعهای از اغتشاشات و نویز به صورت یک عامل سینوسی در نظر گرفته شودk v wind = V m + v )( یک مدل پیشنهادی به منظور مدلسازی باد به صورت رابطهی زیر ارائه شده است که در آن l یک متغیر تصادفی است ][k v = l(.5cos(π/)) )(.5cos(π/6) در این مقاله یک مدل توربین باد سه پره با محور افقی در نظر گرفته شده استk آیرودینامیک توربین بادی به توصیف نیروهای وارد بر توربین باد از طرف جریان باد میپردازدk که از بخشهای اصلی کنترل پیچ ضریب توان و گشتاور آیرودینامیکی تشکیل شده استk دو تئوری در توصیف این آیرودینامیک مطرح است: تئوری دیسک محرک و تئوری جزء پرهk قابلیت بهرهبرداری از توان باد از حاصلضرب ضریب توان ( p C( در توان باد حاصل میشود که ضریب توان به سرعت متوسط باد سرعت زاویههای روتور و شرایط جغرافی یا میگردد: )( بستگی دارد که از روابط زیر حاصل C p (λ, β) =. ( 6 λ i.5 λ.β 5) e i λ i = ( λ +.8β) (.5 β + ) λ = ωr v )( )5( و در آن λ نسبت سرعت نوک β زاویهی پیچ است ]6[k زاویهی پیچ: ضریب توان به ازای یک نسبت سرعت باالی مشخص به بیشترین مقدار خود میرسدk به عبارت دیگر در سرعت زاویهای خاصی برای روتور ضریب توان ماکزیمم میشودk زاویهی پیچ زاویهای است که سرعت زاویهای را به آن حد خاص نزدیک میکندk گشتاور آیرودینامیکی: توان تولیدی توسط توربین بادی و گشتاور روتور با استفاده از روابط زیر محاسبه میشود: P rot =.5C p ρv wind R rot Γ rot = (.5C p ρv wind πr rot ) ω rot )6( )7( Back Propagation Neural Network (BP-NN) 5 Time Delay Neural Network (TD-NN) ۱۰۳۱

3 C = [ ] D = k]9 )8( که در آن ρ چگالی هوا R rot شعاع روتور و ω rot سرعت زاویهای روتور استk مدل الکترومکانیکی: مدل مکانیکی شامل شفت بادی توربین روتور شفت ژنراتور و جعبه دنده استk معادالت گشتاور رفتار مکانیکی توربین بادی را نشان میدهد بنابراین گشتاور آیرودینامیکی در تقابل با گشتاور الکترومکانیکی قرار داده میشود که با استفاده از جفت معادله کوپل شده )8( و )9( محاسبه میگرددk همچنین با در نظر گرفتن محور ژنراتور به عنوان یک جسم سخت سرعت زاویهه یا آن با توجه به رابطهه یا تعریف شدهاند ]6[: )8( ژنراتور و نرخ گشتاور زیر محاسبه میشوند که پارامترها مطابق با جدول ω T = ( J T ) [Γ T D((ω T ω G ) K(θ T θ Gθ ))] ω G = ( J G ) [ Γ G + D((ω T ω G ) + K(θ T θ Gθ ))] J T = n D = D qg + D rq ( n) K = K rq ( n) Γ gen rated = P mec ω n )9( )( )( )( )( ω n = π P for 6Hz Power freqency )( شکل بلوک دیاگرام سادهای از توربین باد را نشان میدهدk سیستم کنترل توربین باد به شدت به رفتار دینامیکی توربین باد بستگی داردk آگاهی از رفتار دینامیکی سیستم موجب افزایش دقت مدل میگرددk )5( مدل فضای حالت توربین به صورت زیر در نظر گرفته شده است: x = Ax + Bu + Ψu D y = Cx + Du )6( بردار حالت x که در آن y ورودی کنترل است صورت زیر تعریف میگردند ][: خروجی u = [ β T gen ] u D = v wind بردار رابطههای )5( و )6( میتواند به صورت زیر نیز بیان گردد ]7- x(k + ) = Ax(k) + Bu(k) + Ψu D (k) y(k) = Cx(k) + Du(k) )9( جدول : معرفی پارامترهای مدلسازی ω f J Γ D d gen سرعت زاویهای K اصطکاک θ اینرسی rot گشتاور n میرایی شفت شبکهی عصبی ژنراتور سختی جابهجایی زاویهای روتور ضریب گیربکس شبکهی عصبی از جمله سیستمهای هوشمند است که با پردازش دادههای تجربی قوانین پنهان موجود در دادهها را به شبکه منتقل میکنندk شبکههای عصبی به دو دسته دینامیک و استاتیک طبقهبندی میگردندk شبکههای استاتیکی هیچ عنصر بازخوردی ندارند و هیچ تاخیری را در دادههای ورودی شبکه نمیپذیرند و خروجی مستقیما از ورودی با اتصاالت پیشخور محاسبه میشودk اما در شبکههای دینامیک خروجی نه تنها به ورودی جاری شبکه بلکه به ورودیها و خروجیها در حالت جاری و قبل وابسته استk شبکههای دینامیک عموما در شبیهسازی پدیدههای دینامیک قویتر از شبکههای استاتیک هستندk به این دلیل که شبکههای دینامیک حافظه زمانی دارند قابلیت آموزش الگوهای متوالی یا متغیر با زمان را دارند ][k - -شبکه عصبی پس انتشار خطا استاتیکی در این بخش برای اصالح وزنهای شبکه عصبی استفاده از روش متداول پس انتشار خطای استاتیك پیشنهاد شده استk روش پس انتشار خطای استاتیك بر مبنای روش گرادیان و معیار عملکرد به صورت مجموع مربعات خطا در گرههای خروجی تعریف میگرددk این روش دارای یک الیهی ورودی یک الیهی خروجی و حداقل یک الیهی مخفی استk در این روش سعی میگردد تا مربع خطای بین خروجیه یا شبکه و تابع هدف رابطهی )( حداقل گردد ]-[. E(W ) (t kd O kd ) )( d D k outputs ساختار این روش و همچنین به صورت جزئیتر ساختار برای یک نرون از الیهی مخفی که به یک نرون از الیهی خروجی متصل است در شکل نشان داده شده استk که در آن عالمت * نشاندهندهی عمل حاصل ضرب استk در این روش میزان اصالح وزنها برابر با حاصل و ماتریسهای n B A و D به A = [ (γ D d K frot ) D d K d K d D d J gen J gen (D d + K fgen ) J gen ] ζ B = [ ] α Ψ = [ ] )7( ۱۰۳۲

4 بیست و سومین کنفرانس مهندسی برق ایران دانشگاه صنعتی شریف ۲۰ تا ۲۴ اردیبهشت ۱۳۹۴ v wind C P Γ rotor - P,Q,V,I ضرب شکل : بلوک دیاگرام توربین باد عبارت چهار است: ( مشتق تابع غیرخطی که مقدار آن در خروجی جمعکننده )قبل از تابع غیرخطی( محاسبه میگردد. ( ورودی الیهk ( خطای پس انتشار شده در خروجی الیهk ( ضریب یادگیری Neuron P Hidden Layer out p,j W PQ,k Neuron q net Q,k df dnet out ( -out) Output Layer out Q,k * δ q,k + * * η W(n) pq,k e q Target q W(n +) pq,k الف Input Input Input Input 5 Input Layer Hidden Output Layer Layer Error back propagation error ب شکل : ساختار پس انتشار خطا. الف: ساختار اتصال یک نرون از الیهی مخفی به الیهی خروجی. ب: ساختار کلی روش پس انتشار خطا ][ براي تابع غیرخطی میتوان از سیگموئید یا تانژانت هایپربولیك استفاده نمود که روابط آنها به ترتیب به صورت زیر است ]-[: γ(x) = ( + e x ) )( γ(x) = ( e x ) ( + e x ) )( فلوچارت به کار گرفته شده در این روش به صورت شکل نشان داده شده استk قواعد یادگیری برای الیهی آخر و الیهی ما قبل آخر به صورت روابط زیر است ][k - -شبکه عصبی دینامیکی با خط تاخیری شبکههای عصبی دینامیکی به طور کلی قویتر از شبکههای استاتیکی استk هر چند که آموزش آن دشوارتر استk از آنجا که شبکهه یا پویا دارای حافظه هستند میتوان آنها را در آموزش و یادگیری الگوهای متوالی و یا متغیر با زمان استفاده کردk شبکه عصبی دینامیکی متشکل از یک شبکه پیشرو با یک یا چند خط تاخیری است که با استفاده از خطوط تاخیر به تولید دینامیک در ساختار میپردازدk شبکهی عصبی با خط تاخیری مشابه شبکهی عصبی پرسپترون میباشد با این تفاوت که شبکهی پرسپترون پیشرو است و در آنها هیچ مسیر فیدبکی وجود ندارد اما در شبکه با استفاده از خطوط تاخیری فیدبک از خروجی به شبکه اعمال میشودk استفاده از فیدبک باعث میشود تا شبکه عالوه بر دادههای ورودی دادههای خروجی را نیز در اختیار داشته باشدk همچنین تفاوت اصلی این دو شبکه وجود تاخیر است که موجب میگردد تا اطالعات ورودی در هر لحظه و در لحظات قبل و اطالعات خروجی در لحظات قبل در اختیار باشد و این امر باعث میگردد که ورودی شبکه غنی گرددk nin nhidden nout : E x : x X شکل : فلوچارت پیادهسازی الگور یتم پس انتشار خطا به منظور تنظیم وزنهای این شبکه از قواعد یادگیری مختلف خصوصا قواعد پس انتشار خطا استفاده میگرددk شکل 5 نمونهای از شبکه دینامیکی تاخیری را نشان میدهد ]9-[k ᶿir TD TD u y= i ᶿ شکل 5: بلوک دیاگرام شبکه عصبی دینامیکی با خط تاخیری ][ پیادهسازی و نتایج شبیهسازی هدف از به کاربردن کنترلکننده در کنترل پیچ توربین باد ثابت نگهداشتن توان به ازای تغییرات تصادفی سرعت باد و رسیدن سریعتر به w pq (n + ) = w pq,k (n) + w pq,k w pq,k = ηδ q,k out p,j δ q,k = out q,k ( out q,k )(T q out q,k ) w rp,j (n + ) = w rp,j (n) + w rp,j w rp,j = ηδ p,j out r,j δ p,j = out p,j ( out p,j )( q δ q,k w pq,k ) )( )( )5( )6( )7( )8( ۱۰۳۳

5 توان مطلوب استk در این مقاله از سه کنترلکنندهی DIP کنترلکننده با استفاده از شبکهی عصبی استاتیکی و دینامیکی با خط تاخیری به منظور تنظیم پیچ توربین باد در تغییرات سرعت باد استفاده شده استk با اعمال این روشهای کنترلی در محیط سیمولینک نرمافزار نتایج AMtaMb شبیهسازی به صورت زیر حاصل شده استk در شبیهسازیهای این مقاله از تانژانت هایپربولیك به عنوان تابع غیرخطی استفاده شد. برای تخمین پارامترهای مدل نیز میتوان حالت شناسایی موازی و یا حالت شناسایی سری-موازی را بکار گرفتk در حالت شناسایی سری-موازی بجای استفاده از خروجی مدل از خروجی سیستم استفاده میگرددk با فرض اینکه سیستم پایدار است در حالت شناسایی موازی تضمینی برای همگرایی پارامترهای مدل وجود نداردk این مشکل در حالت شناسایی سری-موازی برطرف شده استk در شبیهسازیها از حالت شناسایی سری-موازی استفاده شده استk در بلوک دیاگرام شکل 6 نحوه کنترل شبکهی عصبی در سیستم مشاهده میشودk نتایج شبیهسازی نشان میدهد که استفاده از این شبکهی عصبی به علت تطبیق خود با تغییرات نتایج بهتری از کنترلکنندهی کالسیک در اختیار قرار میدهدk شکل 7 نتایج توان خروجی از توربین با استفاده از کنترلکنندهی کالسیک شبکه عصبی استاتیکی پس انتشار خطا و دینامیکی با خط تاخیری را نشان میدهدk با توجه به شکل مالحظه میگردد که کنترل- کنندهی کالسیک در ابتدا دارای نوسانهای زیادی است این مورد در کنترلکنندهی پس انتشار خطا کمتر شده و در کنترلکنندهی دینامیکی با خط تاخیری به حداقل رسیده استk کنترل پیچ توربین بادی با استفاده از شبکهی عصبی دینامیکی توان مطلوب را با سرعت بیشتر و با تغییرات کمتر دنبال میکندk همچنین تغییرات زاویهی پیچ در این روش نرمتر است اما در کنترلکنندهی کالسیک تغییرات زاویهی پیچ سریع بوده و یکنواخت نیستk با توجه به نتایج مشاهده میگردد که روش کنترل دینامیکی با خط تاخیری نتایج بهتری نسبت به دو روش استاتیکی پس انتشار خطا و کالسیک از خود نشان میدهدk همچنین نتایج حاصل بیانگر کارایی بهتر کنترل مبتنی بر شبکهی عصبی پس انتشار خطا نسبت به روش کالسیک استk برای مقایسهی کارایی هر یک از کنترلکنندهها معیارهایی تعریف شده استk خطای ردیابی به عنوان یکی از معیارها از رابطهی زیر بدست میآید: )9( جدول K f E = (y(k) y d (k)) y d (k) k= نتایج این مقدار در هر سه کنترلکنندهی کالسیک استاتیکی پس انتشار خطا و دینامیکی با خط تاخیری را نشان میدهدk Look Up Table الف Look Up Table Z -- Z -- ب شکل 6: بلوک دیاگرام کنترل پیچ توربین باد با استفاده از شبکهی عصبی. الف: پس انتشار خطا. ب: دینامیکی با خط تاخیری پارامترهای توربین بادی مورد مطالعه به صورت جدول در نظر گرفته شده است: جدول : پارامترهای توربین باد مورد مطالعه مساحت جاروب شده: چگالی توان: حداقل سرعت روتور: حداکثر سرعت روتور: سرعت باد برای شروع به کار: سرعت باد نرمال: حداکثر سرعت باد: 895 متر مربع / متر مربع بر کیلو وات الف ب شکل 7: مقایسهی توان خروجی دو روش کنترلی پیشنهادی بر مبنای شبکهی عصبی با روش کالسیک. الف: در بازهی زمانی تا ثانیه. ب: در بازهی زمانی تا 5 ثانیه 9/rd/min 7/ rd/min a/a a/a 5a/a ۱۰۳۴

6 International Conference On Neural Networks, ICNN'98, Anchorage, Alaska, USA, 998. [8] A. Yazdizadeh, K. Khorasani and R.V. Patel, Identification of A Two-Link Flexible Manipulator Using Adaptive Time Delay Neural Networks, IEEE Transaction On System, Man., and Cybernetic, Part B (),. [9] Fatemeh Nejadmorad, Alireza Yazdizadeh, G.L. Shabgahi, A. Pouresmaeil, An Improved Elman Neural Network for Identification of General Class of Nonlinear Systems, 6th IEEE Conference on Industrial Electronics and Applications (ICIEA ), Beijing, China on June -,. [] J. Xing, L. Guang, L. Ying, Z. Chun, The Neural Network Self- Adaptive Algorithm Application on Mechanism Pitch-Adjust System of Wind Turbine, Proceeding of International Conference on Electrical Machines and Systems, Seoul, Korea, 7. [] W. Xiangming, D. Zengdong, Y. Xingjia, Y. Shimin, Pitch- Regulated Mechanism of the Neural Network Control Based on Hebbina Supervised Learning Algorithm, Second IEEE Conference on Industrial Electronics and Applications, 7. [] M. Sedighizadeh, and A. Rezazadeh, Adaptive PID Controller Based on Reinforcement Learning for Wind Turbine Control, Proceedings of World Academy of Science, Engineering and Technology Volume 7, February 8. [] W.Lin and C.Hong, A New Elman Neural Network-Based Control Algorithm for Adjustable-Pitch Variable-Speed Wind- Energy Conversion Systems, IEEE TRANSACTIONS ON POWER ELECTRONICS, Vol. 6, NO.,. [] H. Jafarnejadsani, J. Pieper, J. Ehlers, Adaptive control of a variable-speed variable-pitch wind turbine using RBF neural network, Electrical Power and Energy Conference (EPEC), IEEE, London, PP. 6, - Oct.. [5] W. Zhanshan, C. Chao, J. Kaili, Neural network adaptive control for constant output power of variable pitch wind turbine, IEEE International Conference on Vehicular Electronics and Safety (ICVES), Dongguan, PP. 65 7, 8- July. [6] J. Chen, J Chen, C. Gong, New Overall Power Control Strategy for Variable-Speed Fixed-Pitch Wind Turbines Within the Whole Wind Velocity Range, IEEE Transactions on Industrial Electronics, Vol. 6, NO. 7, pp ,. [7] S. Shokrzadeh, M.J. Jozani, E. Bibeau, Wind Turbine Power Curve Modeling Using Advanced Parametric and Nonparametric Methods, IEEE Transactions on Sustainable Energy, Vol. 5, NO., pp. 6-69,. [8] I.P. Girsang, J.S. Dhupia, E. Muljadi, M. Singh, J. Jonkman, Modeling and Control to Mitigate Resonant Load in Variable- Speed Wind Turbine Drivetrain, IEEE Journal of Emerging and Selected Topics in Power Electronics,, Vol., NO., pp ,. [9] L. Jianlin, X. Hongyan, Z. Lei, H. Shuju, Disturbance Accommodating LQR Method Based Pitch Control Strategy for Wind Turbines, Second International Symposium on Intelligent Information Technology Application IEEE, 8. [] S. Dai, C. Wang, M. Wang, Dynamic Learning From Adaptive Neural Network Controlof a Class of Nonaffine Nonlinear Systems, IEEE Transactions on Neural Networks and Learning Systems, Vol. 5, NO., pp. -,. [] I. Poultangari, R. Shahnazi, M. Sheikhan, RBF neural network based PI pitch controller for a class of 5-MW wind turbines using particle swarm optimization algorithm, ISA Transactions,.Vol 5, pp. 6 68,. [] A. Oonsivilai and A. Kenedy, Regression Function and Backpropagation through Time Training Method for Wind Turbine Neural Network Pitch-Controller, International Conference on Electrical Engineering/Electronics Computer Telecommunications Information Technology (ECTI-CON), Chaing Mai, pp. 6 65,. [] A. Yilmaz, Ö. Zafer, Pitch angle control in wind turbines above the rated wind speed by multi-layer perceptron and radial basis function neural networks, Expert Systems with Application, Vol. 6, pp , 9. [] J. de Jesu s Rubio, P. Angelov, J. Pacheco, Uniformly Stable Backpropagation Algorithm to Train a Feedforward Neural Network, IEEE Transactions on Neural Networks, Vol., NO.. pp ,. [5] A. Pouresmaeil Janbaz, A. Yazdizadeh, G.L. Shabgahi, Fatemeh Nejadmorad, R. Espanani, Neural Network-Based Controller Design Using Improved Kalman Filter Leraning for Power regulation in A Wind Turbine, Third Conference on Thermal Power Plants (Gas, Combined Cycle, Steam), Amirkabir University of Technology, Tehran, Iran on October 8-9, (Persian). [6] L. Meiqin, Delayed Standard Neural Network Models for Control Systems, IEEE Transactions on Neural Networks, Vol. 8, NO.5, pp. 76-9, 7. [7] X. Yang, D. Liu, Y. Huang, Neural-network-based online optimal control for uncertain non-linear continuous-time systems with control constraints, IET. Control Theory & Applications, Vol. 7, NO. 7, pp. 7-7,. [8] H. Alaei, A. Yazdizadeh, Neural Network Using Baysian Algorithm for Estimation of Petroleum Reservoir, Kybernetes, Vol., No. 7,, Emerald Publication. [9] F. Nejadmorad, Alireza Yazdizadeh, A. Pouresmaeil Janbaz, A New Modified Elman Neural Network with Stable Learning Algorithms for Identification of Nonlinear Systems, pp: 7-9, Studies in Computational Intelligence, Elsevier,. شکل 8: مقایسهی تغییرات زاویه پیچ دو روش کنترلی پیشنهادی بر مبنای شبکهی عصبی با روش کالسیک. جدول : مقایسهی خطای ردیابی در سه کنترلکنندهی مورد ارز یابی کنترل پیچ توربین باد کنترلکننده کالسیک خطای ردیابی /7 78/6 5/ شبکهی عصبی استاتیکی پس انتشار خطا شبکهی عصبی دینامیکی با خط تاخیری نتیجهگیری استفاده از روشهای کنترل کالسیک جهت تنظیم ضرایب کنترلکنندهها دارای مشکالت خاصی از جمله تغییر مدل سیستم یا تغییر مقدار مطلوب خروجی سیستم و نیاز به تنظیم مجدد پارامترها خواهد بودk در این مقاله برای کنترل پیچ کنترل توربین باد از شبکهی عصبی پس انتشار خطا که به صورت استاتیکی است و شبکهی عصبی دینامیکی با خط تاخیری استفاده شده است که دارای مزایایی از جمله تنظیم خودکار و در نتیجه پاسخ بهتر در مقابل تغییرات سرعت باد استk همانطور که نتایج شبیهسازی نشان داده شده است شبکهی عصبی دینامیکی نسبت به شبکهی عصبی استاتیکی و آن نسبت به کنترلکنندهی کالسیک نتایج بهتری را حاصل کرده استk با توجه به نتایج با استفاده از شبکهی عصبی میزان فراجهش کاهش یافته و توان تولیدی در سرعتهای مختلف باد سریعتر به میزان مطلوب خود رسیده استk مراجع [] L. Shuhui, T.A. Haskew, K.A. Williams, R.P. Swatloski, Control of DFIG Wind Turbine with Direct-Current Vector Control Configuration, IEEE Transactions on Sustainable Energy, Vol., NO., pp.,. [] L. Chang-Chien, C. Sun, Y. Yeh, Modeling of Wind Farm Participation in AGC, IEEE Trans. Power Systems, Vol. 9, NO., pp. -,. [] Y. Xibo, L. Yongdong, Control of variable pitch and variable speed direct-drive wind turbines in weak grid systems with active power balance, IET Renewable Power Generation, Vol. 8, NO., pp. 9,. [] H. Xiaoqin, Q. Ying, W. Peng, Y. Junhu, Four-Dimensional Wind Speed Model for Adequacy Assessment of Power Systems with Wind Farms, IEEE Trans. Power Systems, Vol. 8, NO., pp ,. [5] A. Yazdizadeh, K. Khorasani, Adaptive Time Delay Neural Network Structures for Nonlinear System Identification, Journal Neurocomputing, pp -, March. [6] A. Yazdizadeh, K. Khorasani, Identification of a Class of Nonlinear Systems Using Dynamic Neural Network Structures, International Conference On Neural Networks (ICNN'97), Houston, Texas, USA, June 9-, 997. [7] A. Yazdizadeh, K. Khorasani, Identification of Nonlinear Systems Using Embedded Dynamic Neural Networks, The 998 IEEE ۱۰۳۵