Neuro-Fuzzy Adaptive Direct Torque and Flux Control of a Grid Connected DFIG-WECS with Improved Dynamic Performance
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
This paper presents an adaptive neuro-fuzzy interface system (ANFIS) based direct torque and flux control (DTFC) scheme for grid connected doubly fed induction generator (DFIG) based wind energy conversion system (WECS). The proposed ANFIS based DTFC compares the actual developed torque and stator flux with their respective references and generate required PWM logic signals for the Rotor Side Converter (RSC) that enhance the dynamic performance of the DFIG based WECS. The ANFIS is utilized in this work due to its capability of handling nonlinear system accurately, fast convergence and incorporating the advantages of both the neural network as well as the fuzzy system. A hybrid training algorithm is developed to adapt the membership functions of the ANFIS structure to handle the WECS nonlinearities and wind speed uncertainties. The training data for the ANFIS is obtained from the conventional PI controller based DFIG system running at different operating conditions. The stability analysis of the proposed ANFIS based WECS is performed by approximating the system to a standard second order system which confirms the stability of the proposed WECS. The proposed scheme is simulated using MATLAB-Simulink software. The performance of the proposed ANFIS based adaptive DTFC scheme for DFIG-WECS is found superior to both the traditional fuzzy logic and PI controllers in terms of robust control over electromechanical torque and stator current at various wind speed conditions. The real-time implementation of the proposed control scheme for a laboratory prototype DFIG-WECS is currently underway.
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.
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 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 découle