A Proposed Adaptive Filter for Harmonics Mitigation based on Adaptive Neuro Fuzzy Inference System Model for Hybrid Wind Solar Energy System
Notice bibliographique
Résumé
This paper is developing an approach to analyze the behavior of renewable energy systems and with the help of analysis, design a filter to reduce the effect of harmonics and improve the efficiency of distributed power systems consisting of hybrid renewable resources namely Wind and Solar. A powerful harmonic prediction model is proposed in this work to help in adapting the filter parameters to mitigate the harmonics injection due to renewable energy resources integration into the main grid. The outcomes from this study and forecasted model serve as inputs to select from a combination of filters to effectively mitigate harmonics from system. The proposed energy source consists of two wind models using Permanent Magnet Synchronous Generator (PMSG) driven via wind turbine and a solar photovoltaic (PV). This hybrid model demonstrates that the electric power generated is not stable because of the wind speed and solar irradiation fluctuation. After establishing the hybrid model and generating the electric power output via simulation, a forecasting model was developed using the simulated data and other relevant parameters as inputs for training to predict the hour ahead and day ahead forecast. In this work the Adaptive Neuro Fuzzy Inference System (ANFIS) is used for forecasting purpose and based on that forecasting model the filter parameters could be adapted. Results prove the effectiveness of the proposed models.
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 ».