MétaCan
Menu
Retour à la cohorte
Enregistrement W2920986600 · doi:10.1109/epetsg.2018.8658853

Virtual Synchronous Generator with Variable Inertia Emulation Via Power Tracking Algorithm

2018· article· en· W2920986600 sur OpenAlexaff
Rama Krishna Naidu Vaddipalli, Luiz A. C. Lopes, Akshay Kumar Rathore

Notice bibliographique

Revue2018 2nd International Conference on Power, Energy and Environment: Towards Smart Technology (ICEPE) · 2018
Typearticle
Langueen
DomaineEngineering
ThématiqueMicrogrid Control and Optimization
Établissements canadiensConcordia University
Organismes subventionnairesnon disponible
Mots-clésControl theory (sociology)Voltage droopInertiaPermanent magnet synchronous generatorMaximum power point trackingPhase-locked loopComputer scienceAC powerEmulationVoltage sourcePower (physics)VoltageEngineeringElectronic engineeringElectrical engineeringJitterControl (management)

Résumé

récupéré en direct d'OpenAlex

This paper proposes the technique, variable inertia emulation of the virtual synchronous generator (VSG) fed from a photo voltaic (PV) source via power tracking algorithm. The virtual synchronous generator is tied to a three-phase distribution line at the point of common coupling (PCC). The operating point on the power - voltage characteristics of the PV source is suitability controlled to emulate the inertia in the input. The variable inertia is achieved through variation of inertia constant in the closed loop power control. This method of moving on the power - voltage characteristics requires a power tracking algorithm for the PV Source. The VSG is modeled using synchronous reference frame theory with a voltage oriented control scheme(VOC). We have chosen an improved version of phase locked loop(PLL) for the accurate estimation of the phase and extraction of the fundamental component from the voltage at PCC. The droop control characteristics determine the real power and reactive power to be supplied by the VSG. The simulation results support the analysis presented in this 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 candidatesMéta-épidémiologie (sens strict), Charge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,937
Score d'incertitude au seuil1,000

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)0,0020,000

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 Opus0,006
Tête enseignante GPT0,185
Écart entre enseignants0,179 · 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.

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

Citations1
Publié2018
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revue2018 2nd International Conference on Power, Energy and Environment: Towards Smart Technology (ICEPE)Même sujetMicrogrid Control and OptimizationTravaux en français237 207