MétaCan
Menu
Retour à la cohorte
Enregistrement W4285303486 · doi:10.1109/tpel.2022.3189006

Admittance Decomposition for Assessment of APF and STATCOM Impact on the Low-Frequency Stability of Railway Vehicle-Grid Systems

2022· article· en· W4285303486 sur OpenAlexaff
Siqi Wu, Juri Jatskevich, Zhigang Liu, Bing Lu

Notice bibliographique

RevueIEEE Transactions on Power Electronics · 2022
Typearticle
Langueen
DomaineEngineering
ThématiqueRailway Systems and Energy Efficiency
Établissements canadiensUniversity of British Columbia
Organismes subventionnairesChina Scholarship CouncilNational Natural Science Foundation of China
Mots-clésAdmittanceElectrical impedancePhasorControl theory (sociology)Stability (learning theory)GridCoupling (piping)EngineeringElectric power systemPower (physics)Electronic engineeringComputer scienceControl engineeringElectrical engineeringMathematicsControl (management)Physics

Résumé

récupéré en direct d'OpenAlex

Dynamic compensators, such as active power filter (APF) and static synchronous compensator (STATCOM), can be used to mitigate the low-frequency oscillations (LFO) in high-speed railway vehicle-grid systems. However, the small-signal impedances of APF and STATCOM are affected by that of vehicles, which makes it challenging to characterize the impedance of these devices directly and ensure stable operation. The traditional stability analysis is based on terminal impedances of source and load subsystems, which does not always provide sufficient insight into LFO suppression. In this article, a novel idea based on$dq$-frame admittance decomposition is proposed to investigate the impact of APF and STATCOM on the system stability. The proposed approach is demonstrated in simulation and experimental results. It is shown that the control paths of the APF and STATCOM for measuring the vehicle current introduce their coupling with the vehicle. The resulting coupling admittance of these devices plays a significant role in the load admittance reshaping and determining their ability to enhance the system stability and suppress the LFO.

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)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
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: aucune
Score de désaccord entre enseignants0,002
Score d'incertitude au seuil0,007

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,001
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,000
Communication savante0,0010,001
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 Opus0,010
Tête enseignante GPT0,255
Écart entre enseignants0,245 · 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'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

Citations22
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueIEEE Transactions on Power ElectronicsMême sujetRailway Systems and Energy EfficiencyTravaux en français237 207