本論文 本論文 本論文 建構 一併網型鼠籠式感應風力發電系統，此由永磁同步伺 一併網型鼠籠式感應風力發電系統，此由永磁同步伺 一併網型鼠籠式感應風力發電系統，此由永磁同步伺 一併網型鼠籠式感應風力發電系統，此由永磁同步伺 一併網型鼠籠式感應風力發電系統，此由永磁同步伺 一併網型鼠籠式感應風力發電系統，此由永磁同步伺 一併網型鼠籠式感應風力發電系統，此由永磁同步伺 一併網型鼠籠式感應風力發電系統，此由永磁同步伺 一併網型鼠籠式感應風力發電系統，此由永磁同步伺 一併網型鼠籠式感應風力發電系統，此由永磁同步伺 一併網型鼠籠式感應風力發電系統，此由永磁同步伺 一併網型鼠籠式感應風力發電系統，此由永磁同步伺 一併網型鼠籠式感應風力發電系統，此由永磁同步伺 一併網型鼠籠式感應風力發電系統，此由永磁同步伺 一併網型鼠籠式感應風力發電系統，此由永磁同步伺 一併網型鼠籠式感應風力發電系統，此由永磁同步伺 一併網型鼠籠式感應風力發電系統，此由永磁同步伺 一併網型鼠籠式感應風力發電系統，此由永磁同步伺 一併網型鼠籠式感應風力發電系統，此由永磁同步伺 一併網型鼠籠式感應風力發電系統，此由永磁同步伺 一併網型鼠籠式感應風力發電系統，此由永磁同步伺 一併網型鼠籠式感應風力發電系統，此由永磁同步伺 一併網型鼠籠式感應風力發電系統，此由永磁同步伺 一併網型鼠籠式感應風力發電系統，此由永磁同步伺 一併網型鼠籠式感應風力發電系統，此由永磁同步伺 服馬達操作在定轉矩模式，擬風機 服馬達操作在定轉矩模式，擬風機 服馬達操作在定轉矩模式，擬風機 服馬達操作在定轉矩模式，擬風機 服馬達操作在定轉矩模式，擬風機 服馬達操作在定轉矩模式，擬風機 服馬達操作在定轉矩模式，擬風機 服馬達操作在定轉矩模式，擬風機 服馬達操作在定轉矩模式，擬風機 服馬達操作在定轉矩模式，擬風機 服馬達操作在定轉矩模式，擬風機 服馬達操作在定轉矩模式，擬風機 服馬達操作在定轉矩模式，擬風機 服馬達操作在定轉矩模式，擬風機 服馬達操作在定轉矩模式，擬風機 服馬達操作在定轉矩模式，擬風機 和齒輪箱的 和齒輪箱的 和齒輪箱的 和齒輪箱的 和齒輪箱的 轉矩 ，帶動 三相 鼠籠式感 應發電機，並經由交流 轉直換器以及應發電機，並經由交流 轉直換器以及應發電機，並經由交流 轉直換器以及應發電機，並經由交流 轉直換器以及應發電機，並經由交流 轉直換器以及應發電機，並經由交流 轉直換器以及應發電機，並經由交流 轉直換器以及應發電機，並經由交流 轉直換器以及應發電機，並經由交流 轉直換器以及應發電機，並經由交流 轉直換器以及應發電機，並經由交流 轉直換器以及應發電機，並經由交流 轉直換器以及應發電機，並經由交流 轉直換器以及應發電機，並經由交流 轉直換器以及應發電機，並經由交流 轉直換器以及應發電機，並經由交流 轉直換器以及應發電機，並經由交流 轉直換器以及應發電機，並經由交流 轉直換器以及應發電機，並經由交流 轉直換器以及應發電機，並經由交流 轉直換器以及應發電機，並經由交流 轉直換器以及應發電機，並經由交流 轉直換器以及應發電機，並經由交流 轉直換器以及應發電機，並經由交流 轉直換器以及應發電機，並經由交流 轉直換器以及變流器 變流器 變流器 將能量饋 入市電。其中交流轉直換器配合間接磁場導向控制鼠籠式感應發機 入市電。其中交流轉直換器配合間接磁場導向控制鼠籠式感應發機 入市電。其中交流轉直換器配合間接磁場導向控制鼠籠式感應發機 入市電。其中交流轉直換器配合間接磁場導向控制鼠籠式感應發機 入市電。其中交流轉直換器配合間接磁場導向控制鼠籠式感應發機 入市電。其中交流轉直換器配合間接磁場導向控制鼠籠式感應發機 入市電。其中交流轉直換器配合間接磁場導向控制鼠籠式感應發機 入市電。其中交流轉直換器配合間接磁場導向控制鼠籠式感應發機 入市電。其中交流轉直換器配合間接磁場導向控制鼠籠式感應發機 入市電。其中交流轉直換器配合間接磁場導向控制鼠籠式感應發機 入市電。其中交流轉直換器配合間接磁場導向控制鼠籠式感應發機 入市電。其中交流轉直換器配合間接磁場導向控制鼠籠式感應發機 入市電。其中交流轉直換器配合間接磁場導向控制鼠籠式感應發機 入市電。其中交流轉直換器配合間接磁場導向控制鼠籠式感應發機 入市電。其中交流轉直換器配合間接磁場導向控制鼠籠式感應發機 入市電。其中交流轉直換器配合間接磁場導向控制鼠籠式感應發機 入市電。其中交流轉直換器配合間接磁場導向控制鼠籠式感應發機 入市電。其中交流轉直換器配合間接磁場導向控制鼠籠式感應發機 入市電。其中交流轉直換器配合間接磁場導向控制鼠籠式感應發機 入市電。其中交流轉直換器配合間接磁場導向控制鼠籠式感應發機 入市電。其中交流轉直換器配合間接磁場導向控制鼠籠式感應發機 入市電。其中交流轉直換器配合間接磁場導向控制鼠籠式感應發機 入市電。其中交流轉直換器配合間接磁場導向控制鼠籠式感應發機 入市電。其中交流轉直換器配合間接磁場導向控制鼠籠式感應發機 入市電。其中交流轉直換器配合間接磁場導向控制鼠籠式感應發機 入市電。其中交流轉直換器配合間接磁場導向控制鼠籠式感應發機 入市電。其中交流轉直換器配合間接磁場導向控制鼠籠式感應發機 入市電。其中交流轉直換器配合間接磁場導向控制鼠籠式感應發機 入市電。其中交流轉直換器配合間接磁場導向控制鼠籠式感應發機 入市電。其中交流轉直換器配合間接磁場導向控制鼠籠式感應發機 入市電。其中交流轉直換器配合間接磁場導向控制鼠籠式感應發機 入市電。其中交流轉直換器配合間接磁場導向控制鼠籠式感應發機 轉速，直流 交轉速，直流 交轉速，直流 交轉速，直流 交轉速，直流 交轉速，直流 交轉速，直流 交轉速，直流 交變流器 變流器 變流器 控制 直流鏈電壓和系統輸出的虛功率。 直流鏈電壓和系統輸出的虛功率。 直流鏈電壓和系統輸出的虛功率。 直流鏈電壓和系統輸出的虛功率。 直流鏈電壓和系統輸出的虛功率。 直流鏈電壓和系統輸出的虛功率。 直流鏈電壓和系統輸出的虛功率。 直流鏈電壓和系統輸出的虛功率。 直流鏈電壓和系統輸出的虛功率。 直流鏈電壓和系統輸出的虛功率。 直流鏈電壓和系統輸出的虛功率。 直流鏈電壓和系統輸出的虛功率。 直流鏈電壓和系統輸出的虛功率。 直流鏈電壓和系統輸出的虛功率。 直流鏈電壓和系統輸出的虛功率。 由於發電 機輸出功率的 機輸出功率的 機輸出功率的 機輸出功率的 機輸出功率的 機輸出功率的 變化會對直流鏈電壓 變化會對直流鏈電壓 變化會對直流鏈電壓 變化會對直流鏈電壓 變化會對直流鏈電壓 變化會對直流鏈電壓 變化會對直流鏈電壓 變化會對直流鏈電壓 變化會對直流鏈電壓 追隨響應 追隨響應 追隨響應 追隨響應 造成影響，本論文發展出一小 造成影響，本論文發展出一小 造成影響，本論文發展出一小 造成影響，本論文發展出一小 造成影響，本論文發展出一小 造成影響，本論文發展出一小 造成影響，本論文發展出一小 造成影響，本論文發展出一小 造成影響，本論文發展出一小 造成影響，本論文發展出一小 造成影響，本論文發展出一小 造成影響，本論文發展出一小 造成影響，本論文發展出一小 波派翠模糊類神經網路控制器，取代傳統的比例積分改善直流鏈 波派翠模糊類神經網路控制器，取代傳統的比例積分改善直流鏈 波派翠模糊類神經網路控制器，取代傳統的比例積分改善直流鏈 波派翠模糊類神經網路控制器，取代傳統的比例積分改善直流鏈 波派翠模糊類神經網路控制器，取代傳統的比例積分改善直流鏈 波派翠模糊類神經網路控制器，取代傳統的比例積分改善直流鏈 波派翠模糊類神經網路控制器，取代傳統的比例積分改善直流鏈 波派翠模糊類神經網路控制器，取代傳統的比例積分改善直流鏈 波派翠模糊類神經網路控制器，取代傳統的比例積分改善直流鏈 波派翠模糊類神經網路控制器，取代傳統的比例積分改善直流鏈 波派翠模糊類神經網路控制器，取代傳統的比例積分改善直流鏈 波派翠模糊類神經網路控制器，取代傳統的比例積分改善直流鏈 波派翠模糊類神經網路控制器，取代傳統的比例積分改善直流鏈 波派翠模糊類神經網路控制器，取代傳統的比例積分改善直流鏈 波派翠模糊類神經網路控制器，取代傳統的比例積分改善直流鏈 波派翠模糊類神經網路控制器，取代傳統的比例積分改善直流鏈 波派翠模糊類神經網路控制器，取代傳統的比例積分改善直流鏈 波派翠模糊類神經網路控制器，取代傳統的比例積分改善直流鏈 波派翠模糊類神經網路控制器，取代傳統的比例積分改善直流鏈 波派翠模糊類神經網路控制器，取代傳統的比例積分改善直流鏈 波派翠模糊類神經網路控制器，取代傳統的比例積分改善直流鏈 波派翠模糊類神經網路控制器，取代傳統的比例積分改善直流鏈 波派翠模糊類神經網路控制器，取代傳統的比例積分改善直流鏈 波派翠模糊類神經網路控制器，取代傳統的比例積分改善直流鏈 波派翠模糊類神經網路控制器，取代傳統的比例積分改善直流鏈 波派翠模糊類神經網路控制器，取代傳統的比例積分改善直流鏈 波派翠模糊類神經網路控制器，取代傳統的比例積分改善直流鏈 波派翠模糊類神經網路控制器，取代傳統的比例積分改善直流鏈 波派翠模糊類神經網路控制器，取代傳統的比例積分改善直流鏈 波派翠模糊類神經網路控制器，取代傳統的比例積分改善直流鏈 波派翠模糊類神經網路控制器，取代傳統的比例積分改善直流鏈 波派翠模糊類神經網路控制器，取代傳統的比例積分改善直流鏈 電壓的暫態響應。另一方面，本論文亦提出 電壓的暫態響應。另一方面，本論文亦提出 電壓的暫態響應。另一方面，本論文亦提出 電壓的暫態響應。另一方面，本論文亦提出 電壓的暫態響應。另一方面，本論文亦提出 電壓的暫態響應。另一方面，本論文亦提出 電壓的暫態響應。另一方面，本論文亦提出 電壓的暫態響應。另一方面，本論文亦提出 電壓的暫態響應。另一方面，本論文亦提出 電壓的暫態響應。另一方面，本論文亦提出 電壓的暫態響應。另一方面，本論文亦提出 電壓的暫態響應。另一方面，本論文亦提出 電壓的暫態響應。另一方面，本論文亦提出 電壓的暫態響應。另一方面，本論文亦提出 電壓的暫態響應。另一方面，本論文亦提出 電壓的暫態響應。另一方面，本論文亦提出 電壓的暫態響應。另一方面，本論文亦提出 電壓的暫態響應。另一方面，本論文亦提出 電壓的暫態響應。另一方面，本論文亦提出 控制直流鏈電壓平方的 控制直流鏈電壓平方的 控制直流鏈電壓平方的 控制直流鏈電壓平方的 控制直流鏈電壓平方的 控制直流鏈電壓平方的 控制直流鏈電壓平方的 控制直流鏈電壓平方的 控制直流鏈電壓平方的 控制直流鏈電壓平方的 系統 動 態模型以及 態模型以及 基於改良型差分演化算法之 基於改良型差分演化算法之 基於改良型差分演化算法之 基於改良型差分演化算法之 基於改良型差分演化算法之 基於改良型差分演化算法之 ElmanElmanElmanElman 類神經網路控制器，利用 類神經網路控制器，利用 類神經網路控制器，利用 改良型差分演化算法找出最佳的 改良型差分演化算法找出最佳的 改良型差分演化算法找出最佳的 改良型差分演化算法找出最佳的 改良型差分演化算法找出最佳的 改良型差分演化算法找出最佳的 ElmanElmanElmanElman 類神經網路學習速率，以保證 類神經網路學習速率，以保證 類神經網路學習速率，以保證 類神經網路學習速率，以保證 ElmanElmanElmanElman 類神經網路不會 類神經網路不會 因為過大的 因為過大的 學習速率 學習速率 而發散。 發散。 有鑑於 有鑑於 改良型差分演化 改良型差分演化 改良型差分演化 演算法 演算法 演算法 所需的程式運算量太大，無法使用 所需的程式運算量太大，無法使用 所需的程式運算量太大，無法使用 所需的程式運算量太大，無法使用 所需的程式運算量太大，無法使用 所需的程式運算量太大，無法使用 所需的程式運算量太大，無法使用 所需的程式運算量太大，無法使用 所需的程式運算量太大，無法使用 所需的程式運算量太大，無法使用 所需的程式運算量太大，無法使用 所需的程式運算量太大，無法使用 所需的程式運算量太大，無法使用 所需的程式運算量太大，無法使用 所需的程式運算量太大，無法使用 Matlab & Simulink Real Time Matlab & Simulink Real Time Matlab & Simulink Real Time Matlab & Simulink Real Time Matlab & Simulink Real Time Matlab & Simulink Real Time Matlab & Simulink Real Time Matlab & Simulink Real Time Matlab & Simulink Real Time Matlab & Simulink Real Time Matlab & Simulink Real Time Matlab & Simulink Real Time Matlab & Simulink Real Time Matlab & Simulink Real Time Matlab & Simulink Real Time Matlab & Simulink Real Time Matlab & Simulink Real Time Matlab & Simulink Real Time Matlab & Simulink Real Time Matlab & Simulink Real Time Matlab & Simulink Real Time Matlab & Simulink Real Time Control ControlControlControlControlControl在線上使用 在線上使用 改良型差分演化算法 改良型差分演化算法 改良型差分演化算法 改良型差分演化算法 調整 ElmanElmanElmanElman 類神經網路 的學習速 學習速 率，因此 本論文使用模擬的方式 本論文使用模擬的方式 本論文使用模擬的方式 本論文使用模擬的方式 本論文使用模擬的方式 本論文使用模擬的方式 本論文使用模擬的方式 本論文使用模擬的方式 本論文使用模擬的方式 本論文使用模擬的方式 離線建表 ，並提出兩種建表方式 ，並提出兩種建表方式 線上 更新 學習速率。 學習速率。 最後，本論文採用 最後，本論文採用 最後，本論文採用 最後，本論文採用 PSIM PSIM模擬以及實作來驗證併網型鼠籠式感應 模擬以及實作來驗證併網型鼠籠式感應 模擬以及實作來驗證併網型鼠籠式感應 模擬以及實作來驗證併網型鼠籠式感應 模擬以及實作來驗證併網型鼠籠式感應 模擬以及實作來驗證併網型鼠籠式感應 風力發電系統以及上述兩種智慧型控制器之可行性 風力發電系統以及上述兩種智慧型控制器之可行性 風力發電系統以及上述兩種智慧型控制器之可行性 風力發電系統以及上述兩種智慧型控制器之可行性 風力發電系統以及上述兩種智慧型控制器之可行性 風力發電系統以及上述兩種智慧型控制器之可行性 風力發電系統以及上述兩種智慧型控制器之可行性 風力發電系統以及上述兩種智慧型控制器之可行性 和有效性 和有效性 和有效性 。

A grid-connected squirrel-cage induction generator (SCIG) system is proposed in this study. First, the prime mover, which adopted the permanent-magnet synchronous motor (PMSM), is coupled to the SCIG system and emulates the gear box and the operation of the wind turbine. Moreover, the AC/DC power converter and the DC/AC power inverter are mainly designed to control the mechanical rotor speed, DC-link voltage and reactive power output of the SCIG system, respectively. Since the varying active power output seriously affects the tracking control of the DC-link voltage, an intelligent wavelet Petri fuzzy neural network (WPFNN) controller is first proposed to replace the traditional proportional-integral (PI) controller for the tracking control of the DC-link voltage in this study. Furthermore, a dynamic model of the SCIG system using the principle of power balance and an improved differential evolution (IDE) algorithm based Elman neural network (ENN) controller are proposed in this study for the control of the square of DC-link voltage. Therefore, the stability of the Elman neural network is guaranteed. Owing to the heavy computation of IDE, it is difficult to update learning rates of ENN with IDE via PC-based Matlab & Simulink Real Time Control. Hence, in this study, two designed methods for building learning rate lookup tables offline via the PSIM simulation software are proposed. Finally, to verify the control performance, some experimental results are provided to verify the feasibility and the effectiveness of the proposed SCIG system for grid-connected wind power applications.

[1] Global Wind Energy Council, “Global Wind Report 2014,” http://www. gwec.net.
[2] 經濟部能源局，2012年能源產業技術白皮書。
[3] 經濟部能源局，2014年能源產業技術白皮書。
[4] G. Abad, J. López, M. Rodríguez, Marroyo, L., and G. Iwanski, “New trends on wind energy generation,” 1nd ed., Wiley-IEEE Press, pp. 579-602, 2011.
[5] L. Qu and Q. Wei, “Constant power control of DFIG wind turbines with supercapacitor energy storage,” IEEE Trans. Ind. Appl., vol. 47, no. 1, pp. 359-367, Jan. 2011.
[6] H. Chen and D. C. Aliprantis, “Analysis of squirrel-cage induction generator with vienna rectifier for wind energy conversion system,” IEEE Trans. Energy Convers., vol. 26, no. 3, pp. 967-975, Sept. 2011.
[7] M. Mohseni and S. M. Islam, “Transient control of DFIG-based wind power plants in compliance with the Australian grid code,” IEEE Trans. Power Electron., vol. 27, no. 6, pp. 2813-2824, Jun. 2012.
[8] A. Di Gerlando, G. Foglia, M. F. Iacchett, and R. Perini, “Analysis and test of diode rectifier solutions in grid-connected wind energy conversion systems employing modular permanent-magnet synchronous generators,” IEEE Trans. Ind. Electron., vol. 59, no. 5, pp. 2135-2146, May 2012.
[9] L. Trilla, F. D. Bianchi, and O. Gomis-Bellmunt, “Linear parameter-varying control of permanent magnet synchronous generators for wind power systems,” IET Trans. Power Electron., vol. 7, no. 3, pp. 692-704, Mar. 2014.
[10] 方敦義，以小波模糊類神經網路控制之鼠籠式感應風力發電系統研製，碩士論文，國立中央大學電機工程學系，2012年六月。
[11] H. Polinder, J. A. Ferreira, B. B. Jensen, A. B. Abrahamsen, K. Atallah, and R.A. McMahon, “Trends in wind turbine generator systems,” IEEE Trans. Ind. Appl., vol. 1, no. 3, pp. 174-185, Sept. 2013.
[12] J. G. Trapp, F. A. Farret, F. T. Fernandes, L. C. Corrêa, and C. M. Wechenfelder, “Variable speed wind turbine using the squirrel cage induction generator with reduced converter power rating for stand-alone energy systems,” IEEE Conf. Ind. Appl., pp. 1-8, Nov. 2012.
[13] M. Rezkallah, A. Chandra, B. Singh, and M. El Kahel, “Vector control of squirrel-cage induction generator for stand-alone wind power generation” IEEE Conf. Ind. Electron., pp. 1166-1171, Oct. 2012.
[14] L. A. C. Lopes and R. G. Almeida, “Wind-driven self-excited induction generator with voltage and frequency regulated by a reduced-rating voltage source inverter,” IEEE Trans. Energy Conv., vol. 21, pp. 297-304, Jun. 2006.
[15] B. Singh and G. K. Kasal, “Solid state voltage and frequency controller for a stand alone wind power generating System,” IEEE Trans. Power Electron., vol. 23, pp. 1170-1177, May 2008.
[16] F. J. Lin, Y. S. Huang, K. H. Tan, J. H. Chiu, and Y. R. Chang, “Active islanding detection method using d-axis disturbance signal injection with intelligent control,” IET Generation, Transmission and Distribution, vol. 7, no. 5, pp. 537-550, May 2013.
[17] H. Pan and L. Z. Xia, “Efficient object recognition using boundary representation and wavelet neural network,” IEEE Trans. Neural Netw., vol. 19, no. 12, pp. 2132-2149, Dec. 2008.
[18] S. Yilmaz and Y. Oysal, “Fuzzy wavelet neural network models for prediction and identification of dynamical Systems,” IEEE Trans. Neural Netw., vol. 21, no. 10, pp. 1599-1609, Oct. 2010.
[19] F. J. Lin, Y. C. Hung, and K. C. Ruan, “An intelligent second-order sliding-mode control for an electric power steering system using a wavelet fuzzy neural network,” IEEE Trans. Fuzzy Syst., vol. 22, no. 6, pp. 1598-1611, Dec. 2014.
[20] C. H. Lu, “Wavelet fuzzy neural networks for identification and predictive control of dynamic systems,” IEEE Trans. Ind. Electron., vol. 58, no. 7, pp. 3046-3058, Jul. 2011.
[21] H. Huang and H. Kirchner, “Formal specification and verification of modular security policy based on colored Petri nets,” IEEE Trans. Dependable and Secure Computing, vol. 8, no. 6, pp. 852-865, Nov.-Dec. 2011.
[22] Y. Y. Du, L. Qi, and M. C. Zhou, “Analysis and application of logical Petri nets to e-commerce systems,” IEEE Trans. Syst., Man, Cybern.,Syst., vol. 44, no. 4, pp. 468-481, Apr. 2014.
[23] T. Nishi Y. Tanaka, “Petri net decomposition approach for dispatching and conflict-free routing of bidirectional automated guided vehicle systems,” IEEE Trans. Syst., Man, Cybern., Part A: Systems and Humans, vol. 42, no. 2, pp. 1230-1243, Sep. 2012.
[24] Y. Y. Du, C. J. Jiang, and M. C. Zhou, “A Petri-net-based correctness analysis of internet stock trading systems,” IEEE Trans. Syst., Man, Cybern., Syst., Part C: Appl. and Reviews, vol. 38, no. 1, pp. 93-99, January 2008.
[25] Y. S. Huang, Y. S. Weng, and M. C. Zhou, “Modular design of urban traffic-light control systems based on synchronized timed Petri nets,” IEEE Trans. Intell. Transp. Syst., vol. 15, no. 2, pp. 93-99, Apr. 2014.
[26] J. L. Elman, “Finding structure in time,” Cognitive Sci., vol. 14, pp. 179-211, 1990.
[27] W. Chen, Q. Gong, C. Yin, T. Wang, “An Elman neural network application on dynamic equivalents of power system,” Conf. on Electrical and Control Engineering (ICECE), pp. 376-379, Jun. 2010.
[28] Y. C. Liang, “Application of Elman neural network in short-term load forecasting,” Conf. on Artificial Intelligence and Computational Intelligence (AICI), pp. 141-144, Oct. 2010.
[29] V. S. Vakula,, K. R. Sudha, “Design of differential evolution algorithm-based robust fuzzy logic power system stabiliser using minimum rule base,” IET Gener. Transm. Distrib., vol. 6, no. 2, pp. 121-132, Feb. 2012.
[30] A. Slowik, “Application of an adaptive differential evolution algorithm with multiple trial vectors to artificial neural network training,” IEEE Trans. Ind. Electron., vol. 58, no. 8, pp. 3160-3167, Aug. 2011.
[31] C. H. Chen, C. J. Lin, C. T. Lin, “Nonlinear system control using adaptive neural fuzzy networks based on a modified differential evolution,” IEEE Trans. Syst. Man Cybern. Part C-Appl. Rev., vol. 39, no. 4, pp. 459-473, Jul. 2009.
[32] J. H. Zhong, M. Shen, J. Zhang, H. S. H. Chung, Y. H. Shi, Y. Lin, “A Differential evolution algorithm with dual populations for solving periodic railway timetable scheduling problem,” IEEE Trans. Evol. Comput., vol.17, no. 4, pp. 512-527, Aug. 2013.
[33] M. Fatih Tasgetiren, P. N. Suganthan, Q. K. Pan, “An ensemble of discrete differential evolution algorithms for solving the generalized traveling salesman problem,” Appl. Math. Comput., vol. 215, no.9, pp. 3356-3368, 2010.
[34] J. F. Yan, C. F. Guo, W. Y. Gong, “Hybrid differential evolution with convex mutation,” J. Softw., vol. 6, no. 11, pp. 2321-2328, 2011.
[35] N. Baatar, D. Zhang, C. S. Koh, “An improved differential evolution algorithm adopting-best mutation strategy for global” IEEE Trans. Magn., vol. 49, no. 5, pp. 2097-2100, May 2013.
[36] 黃仲欽，交流電動機控制，交流電動機課程講義，民國97年。
[37] 劉昌煥，交流電機控制，東華書局，民國97年。
[38] F. Blaabjerg, R. Teodorescu, M. Liserre, and A. V. Timbus, “Overview of control and grid synchronization for distributed power generation systems,” IEEE Trans. Indust. Electron., vol. 53, no. 5, pp. 1398-1409, Oct. 2006.
[39] G. Quinonez-Varela and A. Cruden, “Modelling and validation of a squirrel cage induction generator wind turbine during connection to the local grid,” IET Trans. Gener., vol. 2, no. 2, pp. 301-309, Mar. 2008.
[40] 黃士權，應用於風力發電之向量控制雙饋式感應發電機之穩態性能分析，碩士論文，國立清華大學電機工程研究所，1996年七月。
[41] H. Yokoyama, F. Tatsuta, and S. Nishikata, “Tip speed ratio control of wind turbine generating system connected in series,” IEEE Conf. in Proc. Electrical Machines and Systems (ICEMS), pp. 2157-2169, 2011.
[42] Murata, T., “Petri Nets: Properties, Analysis and Applications,” Proceeding of the IEEE, vol. 77, No. 4, pp. 541-580, 1989.
[43] http://www.informatik.uni-hamburg.de/TGI/PetriNets/
[44] Zurawski, R. and Zhou, M. C., “Petri Nets and Industrial Applications: A Tutorial,” IEEE Tran. Ind. Electron., vol. 41, no. 6, pp. 567 -583, 1994.
[45] R. David and H. Alla, “Petri nets for modeling of dynamic systems: A survey,” Automatica, vol. 30, no. 2, pp. 175–202, Feb. 1994.
[46] V. R. L. Shen, “Reinforcement learning for high-level fuzzy petri nets,” IEEE Trans. Syst., Man, Cybern. B, Cybern., vol. 33, no. 2, pp. 351–362, Apr. 2003.
[47] R. J. Wai and C. C. Chu, “Motion control of linear induction motor via petri fuzzy-neural-network,” IEEE Trans. Ind. Electron., vol. 54, no. 1, pp. 281–295, Feb. 2007.
[48] 張進榮，應用模糊理論與彩色派翠網路於配電系統負載預測之研究，碩士論文，國立高雄應用科技大學電能與控制工程研究所，2005年六月。
[49] R. J. Wai and C. C. Chu, “Motion Control of Linear Induction Motor via Petri Fuzzy Neural Network,” IEEE Trans. Ind. Electron., vol. 54, no. 1, pp. 281-295, Feb. 2007.
[50] R. J. Wai and Y. W. Lin, “Adaptive moving-target tracking control of a vision-based mobile robot via a dynamic Petri recurrent fuzzy neural network,” IEEE Trans. Fuzzy Syst., vol. 21, no. 4, pp. 688-701, Aug. 2013.
[51] F. J. Lin, Y. S. Huang, K. H. Tan, J. H. Chiu, and Y. R. Chang, “Active islanding detection method using d-axis disturbance signal injection with intelligent control,” IET Generation, Transmission and Distribution, vol. 7, no. 5, pp. 537-550, May 2013.
[52] 阮開俊，應用於電動轉向系統之智慧型控制六相永磁同步馬達驅動系統，碩士論文，國立中央大學電機工程學系，2013年六月。
[53] C. H. Chen, C. J. Lin, and C. T. Lin, “Nonlinear system control using adaptive neural fuzzy networks based on a modified differential evolution,” IEEE Trans. Syst., Man, and Cybernet. -Part C: Applicat. and Revie., vol. 39, no. 4, pp. 459-473, Jul. 2009.
[54] PCI-1716 Datasheet, Advantech Co.
[55] http://www.dianliwenmi.com/postimg_845539.html
[56] PCI-1723 Datasheet, Advantech Co.
[57] http://www.fairchildengineering.co.uk
[58] http://www2.advantech.tw/eautomation/data-acquisition-control/news.aspx?doc_id=%7B6C735912-4BD3-4796-B53D-9F925667C66
[59] AD210 Application Note, Analog Devices Co.
[60] AD202 Application Note, Analog Devices Co.
[61] HY-25P Application Note, LEM Co.
[62] LA-55P Application Note, LEM Co.
[63] 1M0365R Application Note, Fairchild Semiconductor Co.
[64] The MathWorks, Inc., “Real-Time Windows Target –User’s Guide; Version 2”, Natick, 2002.