Real-Time Implementation of the Predictive-Based Control with Bacterial Foraging Optimization Technique for Power Management in Standalone Microgrid Application
Notice bibliographique
Résumé
In this paper, the predictive-based control with bacterial foraging optimization technique for power management in a standalone microgrid is studied and implemented. The heuristic optimization method based on the social foraging behavior of Escherichia coli bacteria is employed to determine the power references from the non-renewable energy sources and loads of the proposed configuration, which consists of a fixed speed diesel generator and battery storage system (BES). The two-stage configuration is controlled to maintain the DC-link voltage constant, regulate the AC voltage and frequency, and improve the power quality, simultaneously. For these tasks, on the AC side, the obtained power references are used as input signals to the predictive-based control. With the help of the system parameters, the predictive-based control computes all possible states of the system on the next sampling time and compares them with the estimated power references obtained using the bacterial foraging optimization (BFO) technique to get the inverter current reference. For the DC side, the same concept based on the predictive approach is employed to control the DC-DC buck-boost converter by regulating the DC-link voltage using the forward Euler method to generate the discrete-time model to predict in real-time the BES current. The proposed control strategies are evaluated using simulation results obtained with Matlab/Simulink in presence of different types of loads, as well as experimental results obtained with a small-scale microgrid.
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 enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| 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 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».