MétaCan
Menu
Retour à la cohorte
Enregistrement W2901902180 · doi:10.1109/tpel.2018.2881164

Harmonic Compensation Optimization for Multiple Parallel Distributed Generators

2018· article· en· W2901902180 sur OpenAlexaff
Javier Moriano, Martin Ordonez, Mario Rizo, Emilio Bueno

Notice bibliographique

RevueIEEE Transactions on Power Electronics · 2018
Typearticle
Langueen
DomaineEngineering
ThématiqueMicrogrid Control and Optimization
Établissements canadiensUniversity of British Columbia
Organismes subventionnairesComunidad de Madrid
Mots-clésHarmonicCompensation (psychology)Voltage sourceVoltageControl theory (sociology)Computer scienceElectronic engineeringTopology (electrical circuits)EngineeringElectrical engineeringControl (management)Physics

Résumé

récupéré en direct d'OpenAlex

The interest in distributed generators (DGs), especially those associated with renewable energies, has increased in recent years. The number of functionalities that their commonly associated voltage source inverters (VSIs) can deal with is rising, harmonic currents compensation being one of them. VSI control is in charge of accomplishing the different capabilities, and it must be done without exceeding the limited and variable dc voltage margin, if undesirable effects want to be avoided. If limitations are reached, capabilities will be reduced in order to remain within the limitations. At the same time, as the number of DGs is also increasing, when capabilities are not able to be coped with exclusively one VSI, the cooperation among VSIs appears as a solution. A key point is to establish a strategy in this kind of topology when one of the VSI is brought to its limits. In this paper, a new strategy is proposed, where even under limited situation VSIs always try to inject the maximum power extracted from the DG and achieve the harmonic compensation (multifrequency) by cooperation among the different parallel VSIs. Newest multifrequency saturation strategies are studied, modified, and applied to cooperative applications. Simulations, hardware in the loop (HiL), and experimental results are included and compared.

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: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Méthodes · Signal consensuel: aucune
Score de désaccord entre enseignants0,974
Score d'incertitude au seuil0,857

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 Opus0,008
Tête enseignante GPT0,203
Écart entre enseignants0,196 · 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'étudeSimulation ou modélisation
Domainenon disponible
GenreMéthodes

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

En bref

Citations3
Publié2018
Routes d'admission1
Résumé présentoui

Explorer davantage

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