MétaCan
Menu
Retour à la cohorte
Enregistrement W2891645157 · doi:10.3390/app8091525

Improved Dynamic Voltage Regulation in a Droop Controlled DC Nanogrid Employing Independently Controlled Battery and Supercapacitor Units

2018· article· en· W2891645157 sur OpenAlexafffund
Ahmad M. A. Malkawi, Luiz A. C. Lopes

Notice bibliographique

RevueApplied Sciences · 2018
Typearticle
Langueen
DomaineEngineering
ThématiqueMicrogrid Control and Optimization
Établissements canadiensConcordia University
Organismes subventionnairesNatural Sciences and Engineering Research Council of CanadaUniversity of Jordan
Mots-clésVoltage droopVoltageSupercapacitorBattery (electricity)Energy storagePower (physics)Computer scienceElectrical engineeringElectronic engineeringEngineeringControl theory (sociology)Voltage regulatorControl (management)CapacitancePhysics

Résumé

récupéré en direct d'OpenAlex

DC bus voltage signaling (DBS) and droop control are frequently employed in DC nano and microgrids with distributed energy resources (DERs) operating in a decentralized way. This approach is effective in enforcing the desired contributions of power sources and energy storage systems (ESSs) in steady-state conditions. The use of supercapacitors (SCs) along with batteries in a hybrid energy storage system (HESS) can mitigate the impact of high and fast current variations on the losses and lifetime of the battery units. However, by controlling the HESS as a single unit, one forfeits the potential contribution of the SC and its high power capabilities to dynamically improve voltage regulation in a DC nanogrid. This paper discusses an approach where the SC interface is controlled independently from the battery interface, with a small droop factor and a high pass filter (HPF), to produce high and short current pulses and smooth DC bus voltage variations due to sudden power imbalances in the DC nanogrid. Experimental results are presented to show that, unlike in a conventional HESS, the SC unit can be used to improve the dynamic voltage regulation of the DC nanogrid and, indirectly, mitigate the high and fast current variations in the battery.

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: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,001
Score d'incertitude au seuil0,004

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 ouverte0,0000,000
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 Opus0,008
Tête enseignante GPT0,205
Écart entre enseignants0,197 · 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

Citations12
Publié2018
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueApplied SciencesMême sujetMicrogrid Control and OptimizationTravaux en français237 207