Determine Q–V Characteristics of Grid-Connected Wind Farms for Voltage Control Using a Data-Driven Analytics Approach
Notice bibliographique
Résumé
Due to the varying and intermittent nature of wind resource, grid-connected wind farms pose significant technical challenges to power grid on power quality and voltage stability. Wind farm Q-V characteristic curve at the point of interconnection (POI) can offer valuable information for voltage control actions and provide essential indication about voltage stability. Data-driven analytics is a promising approach to determine characteristics of a large complex system, a physical model of which is difficult to obtain. In this paper, data-driven analytics is used to determine Q-V curve of grid-connected wind farms based on measurement data recorded at the POI. Different curve-fitting models, such as polynomial, Gaussian, and rational, are evaluated, and the best fit is determined based on different graphical and numerical evaluation metrics. A case study is conducted using field measurement data at two grid-connected wind farms currently in operation in Newfoundland and Labrador, Canada. It is found that the Gaussian (degree 2) model describes the Q-V relationship most accurately for the two wind farms. The obtained functions and processed data can be used in the voltage controller design. The plotted QV curve can also be used to determine the reactive margin at the POI for voltage stability evaluation. As a generic method, the proposed approach can be employed to determine Q-V characteristic curve of any grid-connected large wind farms.
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 | 0,000 | 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 | 0,001 | 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 ».