Artificial neural network model of photovoltaic generator for power flow analysis in PSS <sup>®</sup> SINCAL
Notice bibliographique
Résumé
Output of a three‐phase photovoltaic generator (PVG) is a function of sunlight irradiance, temperature, and three‐phase terminal voltage phasors. Three‐phase PVGs are largely connected to rural distribution systems feeders that are predominantly unbalanced. Models of PVGs that are only a function of sunlight irradiance and temperature disregarding unbalanced three‐phase terminal voltages phasors are simple to use with three‐phase power flow analysis but yield inaccurate solutions. Detailed three‐phase PVG models are complex and non‐linear, hence unsuitable for power flow analysis applications. This study proposes an artificial neural network (ANN) model to represent a PVG comprising photovoltaic panels, a boost chopper and a three‐phase inverter. Main advantages of the ANN model are that it can be readily used to model a PVG of any size and type, mathematical simplicity, high accuracy with unbalanced systems and computational speed. The model was tested with the unbalanced distribution system feeder from a Canadian utility. The results show that the ANN model of a PVG is computationally fast and more accurate than simple model that ignores unbalanced three‐phase terminal voltage phasors. In addition, simplicity of the proposed ANN model of PVG allows easy integration into commercial software packages such as PSS ® SINCAL as reported in this study.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 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 ».