MétaCan
Menu
Retour à la cohorte
Enregistrement W2970233153 · doi:10.1002/047134608x.w8389

Control of Power Converters in<scp>ac</scp>and<scp>dc</scp>Microgrids

2019· other· en· W2970233153 sur OpenAlexaff
Tomislav Dragičević, Lexuan Meng, Frede Blaabjerg, Yunwei Li

Notice bibliographique

RevueWiley Encyclopedia of Electrical and Electronics Engineering · 2019
Typeother
Langueen
DomaineEngineering
ThématiqueMicrogrid Control and Optimization
Établissements canadiensUniversity of Alberta
Organismes subventionnairesnon disponible
Mots-clésConvertersPower (physics)Electrical engineeringComputer sciencePhysicsEngineering

Résumé

récupéré en direct d'OpenAlex

Abstract ac and dc microgrids (MGs) are small and localized power electronics intensive systems that are key enablers of the distributed generation (DG) paradigm. They will facilitate integration of distributed energy resources including renewable energy, microgeneration, and energy‐storage systems. On the other hand, owing to lack of natural inertia in power electronics converters and nonlinearities caused by their switching procedures, MGs are a challenging technology from a control point of view. In that sense, significant efforts have been taken over the past decade to understand, improve, and standardize the control structure of both ac and dc MGs. This article presents a review of several well‐known and also some recently proposed control algorithms for the realization of a stable and well‐behaved performance of such systems. Experimental results are provided to validate the performance of several selected methods. The article is concluded with the introduction of some emerging research topics and future MG development trends. They are mostly related to the design of intelligent energy management systems within the individual MG, as well as with the integration of multiple MGs into the future smart grid with the help of information and communication technologies (ICT).

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: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Autre · Signal consensuel: aucune
Score de désaccord entre enseignants0,002
Score d'incertitude au seuil0,003

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 Opus0,002
Tête enseignante GPT0,155
Écart entre enseignants0,154 · 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'étudeSans objet
Domainenon disponible
GenreAutre

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

En bref

Citations13
Publié2019
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueWiley Encyclopedia of Electrical and Electronics EngineeringMême sujetMicrogrid Control and OptimizationTravaux en français237 207