MétaCan
Menu
Retour à la cohorte
Enregistrement W2506087916 · doi:10.1109/pedg.2016.7527092

MPPT and control design of a Vienna rectifier-based low power wind turbine with reduced number of sensors

2016· article· en· W2506087916 sur OpenAlexaff
Rafael Peña‐Alzola, David Campos‐Gaona, Francisco Paz, Jose-Luis Monroy Morales, Martin Ordonez

Notice bibliographique

Revuenon disponible
Typearticle
Langueen
DomaineEngineering
ThématiqueMultilevel Inverters and Converters
Établissements canadiensUniversity of British Columbia
Organismes subventionnairesnon disponible
Mots-clésMaximum power point trackingRectifier (neural networks)Permanent magnet synchronous generatorWind powerControl theory (sociology)TurbinePower factorComputer scienceMaximum power principleInductanceCapacitorPower optimizerEngineeringPhotovoltaic systemVoltageElectrical engineeringControl (management)

Résumé

récupéré en direct d'OpenAlex

Low power wind turbines (LPWT) are an interesting option for distributed generation. Maximum power point tracking (MPPT) procedures for LPWT are either based on look-up tables or use an algorithm. This paper proposes an MPPT algorithm for wind energy analogous to that of the incremental inductance for solar energy. The Vienna rectifier is an efficient non-regenerative power converter with only three switching devices and its use for LPWT can be advantageous. The permanent magnet synchronous generator (PMSG) is a common option for LPWT because of its efficiency. This manuscript explains the sensorless vector control of PMSG using the Vienna rectifier, which results to be analogous to that of the traditional full bridge converter for unity power factor. In addition, the unbalanced voltage in the Vienna rectifier capacitors is derived from the modulation indexes without requiring an additional sensor. Hence, the resulting LPWT has low losses by virtue of the Vienna rectifier, and lower cost and higher reliability by virtue of the sensorless vector control and unbalance voltage estimation. Simulation results validate the proposals of the paper.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,356
Score d'incertitude au seuil0,541

Scores Codex et Gemma par catégorie

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 savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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 Opus0,009
Tête enseignante GPT0,195
Écart entre enseignants0,186 · 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 tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
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

Citations6
Publié2016
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetMultilevel Inverters and ConvertersTravaux en français237 207