本文介绍了用于涡轮桨距角控制的永磁同步发电机（PMSG）和高性能在线训练递归神经网络（RNN）的混合模糊滑模损失最小化控制的设计。

反向传播学习算法用于调节RNN控制器。PMSG速度使用低于额定速度的最大功率点跟踪，其对应于低风速和高风速，并且可以从风中捕获最大能量。设计了具有积分运算切换面的滑模控制器，利用模糊推理机制估计不确定性的上界。

1.简介

最近，风力发电系统作为清洁和安全的可再生能源引起了极大的关注。风力发电可以通过使用电力电子转换器的恒速和变速操作来操作。由于风能产生的改善和闪烁问题的减少，变速发电系统比固定速度系统更具吸引力。并且风力涡轮机能够在最大功率操作点关于各种风速下，通过调整轴速度最佳地在所有风速达到最高效率。

RNN变桨控制系统的设计

RNN的体系结构

RNN具有三层，即，输入，隐藏和输出。在所示的三层神经网络图采用实施建议的RNN用于涡轮控制器。

图. RNN的体系结构。

matlab实现

clc;
clear;
close all;
setup;
dbstop if error
%%  RNN  
%  
useGPU = true;
dataType = 'single';
backward = true;

input = InputLayer(struct('batchSize',5,'useGPU',useGPU,'dataType',dataType,'backward',backward,'reverse',true));
embedd1 = EmbeddingLayer(struct('hidden_dim',512,'input_dim',input.vocabSize,'useGPU',useGPU,'dataType',dataType,'backward',backward));
rec1 = RecurrentLayer(struct('hidden_dim',512,'input_dim',512,'useGPU',useGPU,'dataType',dataType,'backward',backward));
rec2 = RecurrentLayer(struct('hidden_dim',512,'input_dim',512,'useGPU',useGPU,'dataType',dataType,'backward',backward));
loss = SoftmaxLayer(struct('hidden_dim',input.vocabSize,'input_dim',512,'useGPU',useGPU,'dataType',dataType,'backward',backward));

% train
MaxIter = 10000;
history_cost = zeros(1,MaxIter);
for i = 1 : MaxIter
    tic;
    target = input.fprop(struct('reverse',false,'fprop',true));
    loss.fprop(rec2.fprop(rec1.fprop(embedd1.fprop(target,size(target,2)),size(target,2)),size(target,2)),size(target,2));
    history_cost(1,i) = gather(loss.getCost(target));
    display(history_cost(1,i));
    
    embedd1.bprop(rec1.bprop(rec2.bprop(loss.bprop(target))));
    loss.update(@SGD);
    rec2.update(@SGD);
    rec1.update(@SGD);
    embedd1.update(@SGD);
    toc;
end