Switch fault diagnosis for boost DC–DC converters in photovoltaic MPPT systems by using high‐gain observers
Notice bibliographique
Résumé
Open‐ and short‐circuit faults (OSCFs) in boost dc–dc converters for photovoltaic (PV) maximum power point trackers (MPPTs) imply an inefficiency after fault is triggered, which affect the security and profitability of PV projects. Hence, fault detection and isolation (FDI) techniques have become an important issue for PV technology. In this study, a model‐based FDI technique is proposed to boost dc–dc converters in PV MPPT systems. As is well‐known, major issues of model‐based FDI techniques have always been parametric uncertainty and no‐modelled dynamics. This study focuses on how to mitigate these shortcomings by applying a high‐gain observer (HGO) as a residual generator. A striking feature of HGO's is that exponential stability is still guaranteed for bounded disturbances (or faults). As demonstrated in this study, under an integral control action in the closed‐loop control system, OSCFs are characterised for ever‐growing signals, enabling the suggested FDI scheme. Also, the FDI proposal is decoupled from PV current (irradiance changes) and load variations, thereby avoiding false alarms. Moreover, the output‐injection gain and thresholds are selected such that the fault diagnosis is achieved in eight switching cycles, enabling a fast and reliable diagnosis. Experimental results are illustrated to validate the FDI scheme proposed in this study.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| 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 | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».