Sensorless Wind Speed Estimation Using PSO for Multi-Objective Finite-State Predictive Torque Control in Grid-Connected Wind Turbines
Notice bibliographique
Résumé
This paper introduces a novel approach to improving the performance of grid-connected wind turbines by combining Particle Swarm Optimization (PSO)-based sensorless wind speed estimation with Multi-Objective Finite State Predictive Torque Control (FSPTC).Accurate wind speed estimation is crucial for efficient turbine operation, especially in sensorless systems where traditional sensors may be expensive or unreliable.The proposed method uses PSO to estimate wind speed.In traditional FS-PTC, fine-tuning these factors is necessary to balance torque and flux dynamics, which can complicate the control process and reduce efficiency.Our new method simplifies things by using a multi-objective finitestate predictive control strategy that simultaneously optimizes torque and flux without relying on these weighting factors, by substituting the singular cost function with two distinct cost functions.Thus, simplifying the control architecture.To evaluate our approach, we performed extensive MATLAB simulations and experimental validation with real-time control implemented through ControlDesk, dSPACE DS1104 and the DSP LAUNCHXL-F28379D under various wind conditions.The results were promising, showing significant improvements in how quickly the system stabilizes torque and flux outputs.Furthermore, our method reduces the computational load compared to conventional approaches, making it more practical for real-time applications in wind energy systems.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».