A Novel Neuro-Fuzzy Based Direct Power Control of a DFIG based Wind Farm Incorporated with Distance Protection Scheme and LVRT Capability
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 based direct power control (DPC) scheme of a grid connected doubly fed induction generator (DFIG) based wind energy conversion system incorporated with distance protection and low voltage ride-through (LVRT) capabilities. The DFIG based Wind Energy Conversion Systems (WECS) are seriously affected by grid side disturbance as it is directly connected to the grid. Due to the inherent nonlinearities of DFIG-WECS the conventional PI based control is not suitable to handle the grid disturbances. Therefore, an adaptive neuro-fuzzy interface system (ANFIS) based DPC scheme is developed to handle the grid side disturbance and achieve LVRT capabilities through rotor side converter control based on the errors between the actual real and reactive powers of stator with their corresponding reference values. A hybrid training algorithm is also developed to optimize the ANFIS parameters. Additionally, in order to provide adequate protection for the wind farm during impending faults both on the grid side and within the wind farm, a distance protection scheme compliant with LVRT standards is also developed. The proposed DPC scheme as well as the distance protection scheme are simulated using MATLAB-Simulink and ETAP software respectively under different grid faults and wind speed variations. The developed distance relay is found capable of protecting the wind farm against any grid fault and/or wind speed variations.
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 | 0,001 | 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 | 0,000 | 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