Fault Detection and Location by Static Switches in Microgrids Using Wavelet Transform and Adaptive Network-Based Fuzzy Inference System
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Microgrids are a highly efficient means of embedding distributed generation sources in a power system. However, if a fault occurs inside or outside the microgrid, the microgrid should be immediately disconnected from the main grid using a static switch installed at the secondary side of the main transformer near the point of common coupling (PCC). The static switch should have a reliable module implemented in a chip to detect/locate the fault and activate the breaker to open the circuit immediately. This paper proposes a novel approach to design this module in a static switch using the discrete wavelet transform (DWT) and adaptive network-based fuzzy inference system (ANFIS). The wavelet coefficient of the fault voltage and the inference results of ANFIS with the wavelet energy of the fault current at the secondary side of the main transformer determine the control action (open or close) of a static switch. The ANFIS identifies the faulty zones inside or outside the microgrid. The proposed method is applied to the first outdoor microgrid test bed in Taiwan, with a generation capacity of 360.5 kW. This microgrid test bed is studied using the real-time simulator eMegaSim developed by Opal-RT Technology Inc. (Montreal, QC, Canada). The proposed method based on DWT and ANFIS is implemented in a field programmable gate array (FPGA) by using the Xilinx System Generator. Simulation results reveal that the proposed method is efficient and applicable in the real-time control environment of a power system.
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.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 découle