《International Journal of Electrical Power & Energy Systems》：Dynamic evolving neuro-fuzzy inference system-based maximum power tracking controller for variable speed WECS
编辑推荐：
研究人员介绍了首个基于动态进化神经模糊推理系统(DENFIS)的最大功率跟踪(MPPT)控制器，用于永磁同步发电机(PMSG)驱动的风力发电转换系统(WECS)；采用具有实时学习能力的在线进化神经模糊结构；消除了离线训练，降低了计算复杂度和模型依赖性；在高动态
研究人员介绍了首个基于动态进化神经模糊推理系统(DENFIS)的最大功率跟踪(MPPT)控制器，用于永磁同步发电机(PMSG)驱动的风力发电转换系统(WECS)；采用具有实时学习能力的在线进化神经模糊结构；消除了离线训练，降低了计算复杂度和模型依赖性；在高动态风况下实现了鲁棒的最大功率跟踪；与自适应神经模糊推理系统(ANFIS)相比，计算时间减少了高达11倍。
**论文解读文章**
**研究背景与问题**
风力发电已成为可持续电力的重要来源，但风能的固有波动性给系统稳定性和效率带来挑战。最大功率点跟踪（MPPT）控制策略被广泛采用以最大化能量捕获。传统方法如比例积分（PI）控制器、扰动观察法（P&O）等依赖固定数学模型，在快速风速变化下性能受限。基于人工智能（AI）的方法如人工神经网络（ANN）和自适应神经模糊推理系统（ANFIS）虽能改善非线性学习能力，但依赖静态离线训练数据集，需要重复训练和验证，难以适应长期系统退化与不可预测的环境变化。为此，研究人员提出基于动态进化神经模糊推理系统（DENFIS）的MPPT控制器，旨在实现实时自适应、高计算效率的鲁棒控制。该研究发表在《International Journal of Electrical Power》。
**研究内容与结论**
研究人员设计了一种DENFIS-PI混合控制器，用于永磁同步发电机（PMSG）驱动的风力发电转换系统（WECS）。该控制器以风速和桨距角为输入，输出最优参考功率，再通过PI内环调节Boost变换器占空比。在MATLAB/Simulink中搭建3kW独立系统模型，包含不控整流器和Boost变换器。仿真采用确定性、阵风和随机三种风速剖面，并与ANN和ANFIS控制器对比。结果表明：DENFIS在动态条件下实现可靠MPPT，初始阶段因规则演化存在约0.2s适应延迟，之后保持稳定，振荡最小；在随机风况下，ANN和ANFIS出现漂移，而DENFIS通过在线学习保持精准跟踪；计算效率方面，DENFIS每迭代处理时间24.92μs，比ANFIS（130μs）降低80.8%，仅比ANN（14.11μs）高76.6%；总体跟踪精度（MAPE 7.62%）接近ANFIS（7.57%），优于ANN（7.85%）。该研究首次将DENFIS应用于WECS的MPPT控制，为高动态非线性环境下的实时控制提供了高效、自适应的解决方案。
**关键技术方法**
研究人员主要采用以下关键技术方法：（1）**DENFIS模型**：基于一阶Takagi-Sugeno-Kang（TSK）模糊推理系统，采用进化聚类方法（ECM）动态生成和更新模糊规则；使用递归最小二乘估计（LSE）在线更新规则后件参数，无需离线训练。（2）**PI内环控制器**：将DENFIS输出的参考功率转换为参考电流，通过PI控制器调节Boost变换器占空比，实现对参考信号的精确跟踪。（3）**仿真平台**：基于MATLAB/Simulink（R2024a），采用可变步长求解器（ode45），相对容差1×10
-3，采样时间2×10
-5s。系统配置为3kW独立PMSG-WECS，包含不控整流器和Boost变换器，参数来自文献[21]。
**研究结果**
**7.1 离线结果**
DENFIS模型在合成数据集（风速5~25m/s，桨距角0°~20°）上训练，预测表现良好：MAE=0.188kW，RMSE=0.296kW，R2=0.985，MAPE=11.93%。预测误差在±0.5kW内，模型生成46个模糊规则，通过ECM动态捕获局部非线性。
**7.2 在线仿真结果与讨论**
**7.2.1 不同风速剖面仿真**
**Case 1: 确定性风剖面**（风速7~12m/s）
- 功率系数Cp：所有方法均接近0.43（Betz极限内），DENFIS初始延迟约0.2s，但在风速突变时振荡最小。
- 叶尖速比（TSR）：所有方法收敛至约7.15，DENFIS在突变时无显著振荡。
- 占空比：稳定在0.35，DENFIS在突变后恢复最快。
- 转子转速与电磁转矩：DENFIS跟踪准确，初始略有超调，ANFIS在突变时出现欠调。
- 有源功率：DENFIS输出约2.28kW，超调最低（1.45%），但调节时间较长（0.20s）。
- 直流母线电压与Boost变换器电压：DENFIS电压调节稳定，超调5.47%，但ANFIS超调更低（9.00%）。
- 跟踪精度：DENFIS转子转速精度97.33%，转矩99.87%，有源功率75.00%，变换器功率98.83%。总体MAPE 7.62%，接近ANFIS（7.57%）。
**Case 2: 阵风剖面**（风速3~12m/s，阵风时段3~6s）
- Cp与TSR：所有方法同样达到0.435，DENFIS初始延迟0.31s，但阵风期间无振荡。
- 占空比稳定在0.35，DENFIS无振荡。
- 转子转速与变换器功率：DENFIS有效跟踪，阵风期间无超调，输出功率约3kW。
**Case 3: 随机风剖面**（基于Dryden湍流模型）
- Cp约0.405，TSR约7.35。
- 转子转速：DENFIS适应性强，无漂移，而ANN和ANFIS因数据分布变化出现响应延迟。
- 变换器功率：DENFIS输出约2.98kW，峰值时间与ANN/ANFIS不同，反映动态调整。
**7.2.2 计算成本与求解器统计**
- 每迭代处理时间：ANN 14.11μs，DENFIS 24.92μs，ANFIS 130.00μs。DENFIS比ANFIS降低80.8%。
- 求解器重设频率：三者接近（1.816%~1.822%），均无失败步，表明数值稳定性好。
**总结讨论与结论**
讨论部分指出，DENFIS在功率稳定性方面最优，主动功率超调最低（1.45%），但机械转速超调略高（9.86%），这源于其在线规则演化机制引入的短暂相位滞后。ANFIS在电压调节和稳态精度上表现最佳，但计算负担极重（130μs/迭代）。ANN计算最轻，但缺乏适应性，电气侧超调较高。综合来看，DENFIS在跟踪精度、鲁棒性和计算效率之间取得最佳平衡，适用于高动态非线性环境。
**研究结论**：本研究提出了一种基于在线进化DENFIS的MPPT控制策略，并在动态风况下与ANN和ANFIS进行比较。结果表明，DENFIS实现了可靠的最大功率点跟踪，同时增强了系统稳定性、鲁棒性和瞬态响应。它有效调节了关键机电变量（如转子转速、电磁转矩、气动系数、直流母线电压和变换器输出），确保一致收敛到最优运行点。初始瞬态阶段因在线规则演化机制出现短暂适应延迟，但此后DENFIS表现出平滑、良好阻尼的响应，振荡极小。这一优势在随机风速变化下尤为明显，而ANN和ANFIS则出现超调增加和稳定性降低。比较分析表明，DENFIS在跟踪精度、阻尼和鲁棒性之间提供了平衡折中。ANFIS稳态精度高，ANN响应快，但两者均缺乏对快速变化条件的适应性。从计算角度看，DENFIS通过自适应规则演化保持了适中成本，在效率上优于ANFIS，同时保留了优于ANN的动态性能。总体而言，该控制器提供了一种鲁棒、自适应且计算高效的解决方案，非常适合高动态非线性环境中的实时WECS运行。
