Design of an intelligent hybrid diagnosis scheme for cyber-physical PV systems at the microgrid level
Notice bibliographique
Résumé
With focusing on solar photovoltaic (PV) systems operating at microgrid (MG) level, this study investigates the impacts of different physical faults and cyberattacks as well as designing an intelligent faults/attacks detection and diagnosis system. The ability to quickly identify and diagnose faults/attacks enables local controllers and energy management system to accommodate or mitigate the negative effects of physical faults or cyberattacks in a MG. This allows the MG to carry on operating without experiencing any significant interruptions. In this regard, the current paper investigates a hybrid AC/DC MG made up of different distributed energy resources (DER), including solar PV arrays, wind turbines , and battery energy storage systems . An intelligent hybrid diagnosis (IHD) scheme is introduced for online monitoring and diagnosing the data to reflect the real-time status of the PV system operating at the MG level. This hybrid system uses three parallel units, including a “fuzzy inference system (i.e., a rule-based unit)”, a “power spectrum estimator (i.e., a signal-based unit)”, and an “adaptive neuro-fuzzy inference system (i.e., a model-based unit)”. A realistic MG benchmark model with a wide range of operating conditions and dynamic electrical loads in the presence of potential MG disturbances is used to demonstrate the high performance and resilience of the proposed IHD scheme under various types of faults/attacks scenarios.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| 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 | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».