MétaCan
Menu
Retour à la cohorte
Enregistrement W2340030209 · doi:10.1109/tie.2016.2554080

DC-Link Current Ripple Mitigation for Current-Source Grid-Connected Converters Under Unbalanced Grid Conditions

2016· article· en· W2340030209 sur OpenAlexaff
Zheng Wang, Bin Wu, Dewei Xu, Ming Cheng, Liang Xu

Notice bibliographique

RevueIEEE Transactions on Industrial Electronics · 2016
Typearticle
Langueen
DomaineEngineering
ThématiqueMicrogrid Control and Optimization
Établissements canadiensToronto Metropolitan University
Organismes subventionnairesFundamental Research Funds for the Central UniversitiesAeronautical Science Foundation of ChinaNational Natural Science Foundation of China
Mots-clésRippleControl theory (sociology)Controller (irrigation)ConvertersGridCurrent (fluid)Computer scienceHarmonicAC powerBandwidth (computing)Electronic engineeringEngineeringVoltageElectrical engineeringTelecommunicationsPhysicsControl (management)

Résumé

récupéré en direct d'OpenAlex

The purpose of this paper is to develop a model and propose control strategies to mitigate dc-link current ripple for current-source grid-connected converter (CSGCC) under unbalanced grid conditions. Based on the model of instant active power under unbalanced grid conditions, this paper proposes the optimized negative-sequence current references for eliminating the double-frequency oscillations on active power at ac side of CSGCC. Both the single CSGCC and the paralleled CSGCCs are considered in this paper. In order to track the asymmetric current references more accurately while maintaining LC resonance damping, the hybrid current controller is proposed by combining the closed-loop fundamental current controller under double synchronous frames and the closed-loop high-bandwidth harmonic current controller under stationary frame. The design of the hybrid current controller is analyzed. Finally, the experimental results are shown to verify that the control strategies can mitigate the dc-link current ripple effectively, and also provide good LC resonance damping performance for grid currents.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,003
Score d'incertitude au seuil0,006

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0010,000
Science ouverte0,0010,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,017
Tête enseignante GPT0,234
Écart entre enseignants0,217 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations59
Publié2016
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueIEEE Transactions on Industrial ElectronicsMême sujetMicrogrid Control and OptimizationTravaux en français237 207