Harmonics Prediction and Mitigation using Adaptive Neuro Fuzzy Inference System Model based on Hybrid of Wind Solar Driven by DFIG
Notice bibliographique
Résumé
In this paper a filter design methodology is proposed based on renewable energy hybrid model. The main function of the designed filter is to reduce the harmonics in distributed power systems consisting of hybrid renewable resources, wind and solar, leading to an increase in efficiency of such systems. The existence of harmonics in these systems is a direct result of the energy fluctuations and intermittency of the renewable resources. This necessitates the use of filtering system to mitigate the effect of these harmonics. The proposed model consists of wind turbine driven by Doubly Fed Induction Generator (DFIG) and a solar photovoltaic (PV). It is shown through the hybrid model that the generated power is not stable due to the wind speed and solar irradiation fluctuation. The forecasting phase of this work comes after establishing the hybrid model and generating the electrical power output. In this phase a model is developed using the simulated data and other relevant parameters as input for training to predict an hour and a day ahead. This work uses the Adaptive Neuro Fuzzy Inference System (ANFIS) for forecasting purposes. Finally, the data obtained from the hybrid model simulations are analyzed in order to build an understand of the behavior. The inputs from study and forecast serve as inputs to select from a combination of filters to effectively mitigate harmonics for the proposed system.
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 ».