MétaCan
Menu
Retour à la cohorte
Enregistrement W3134421099 · doi:10.48011/sbse.v1i1.2491

Adaptive Perturb and Observe with Simulated Annealing for the Maximum Power Point Tracking of Photovoltaic Modules in Multiple Shading Scenarios

2020· article· en· W3134421099 sur OpenAlexaboutno aff
Rafael M. R. Praxedes, Luciano Sales Barros, Clauirton Siebra, Camila Mara Vital Barros

Notice bibliographique

RevueAnais do Simpósio Brasileiro de Sistemas Elétricos 2020 · 2020
Typearticle
Langueen
DomaineEnergy
ThématiquePhotovoltaic System Optimization Techniques
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésDatasheetPhotovoltaic systemMaximum power principleShadingMaximum power point trackingComputer scienceMATLABSimulated annealingControl theory (sociology)Convergence (economics)Power (physics)Mathematical optimizationEngineeringMathematicsAlgorithmArtificial intelligenceElectrical engineering

Résumé

récupéré en direct d'OpenAlex

This paper proposes a method that combines the Adaptive Perturb and Observe (Adaptive P&O) and Simulated Annealing (SA) optimization approaches to identify the global maximum power point in photovoltaic (PV) modules. This identiffication is critical to enable that such modules can deliver their maximum power to the utility network, considering different shading conditions. The Adaptive P&O method combines fast convergence and low steady-state oscillations, but it tends to return local rather than global maximum power values. Thus, it does not ensure the total efficiency of the modules. The SA approach is used to avoid this P&O limitation, creating a hybrid approach that explores the best features of each method. In order to test the proposed method, it has been applied to the Canadian Solar CSP-320 module under multiple shading by means of Matlab/Simulink simulations. Firstly, the module model was validated from its datasheet information, then, it was submitted to different shading conditions. Under these conditions, the proposed method converged to the maximum global power.

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)0,001
score de la tête « metaresearch » (Gemma)0,001
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,378
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,001
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0010,000
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 Opus0,039
Tête enseignante GPT0,247
Écart entre enseignants0,208 · 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

Citations0
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueAnais do Simpósio Brasileiro de Sistemas Elétricos 2020Même sujetPhotovoltaic System Optimization TechniquesTravaux en français237 207