Evaluating the Efficacy of Intelligent Methods for Maximum Power Point Tracking in Wind Energy Harvesting Systems
Notice bibliographique
Résumé
As wind energy is widely available, an increasing number of individuals, especially in off-grid rural areas, are adopting it as a dependable and sustainable energy source. The energy of the wind is harvested through a device known as a wind energy harvesting system (WEHS). These systems convert the kinetic energy of wind into electrical energy using wind turbines (WT) and electrical generators. However, the output power of a wind turbine is affected by various factors, such as wind speed, wind direction, and generator design. In order to optimize the performance of a WEHS, it is important to track the maximum power point (MPP) of the system. Various methods of tracking the MPP of the WEHS have been proposed by several research articles, which include traditional techniques such as direct power control (DPC) and indirect power control (IPC). These traditional methods in the standalone form are characterized by some drawbacks which render the method ineffective. The hybrid techniques comprising two different maximum power point tracking (MPPT) algorithms were further proposed to eliminate the shortages. Furtherly, Artificial Intelligence (AI)-based MPPT algorithms were proposed for the WEHS as either standalone or integrated with the traditional MPPT methods. Therefore, this research focused on the review of the AI-based MPPT and their performances as applied to WEHS. Traditional MPPT methods that are studied in the previous articles were discussed briefly. In addition, AI-based MPPT and different hybrid methods were also discussed in detail. Our study highlights the effectiveness of AI-based MPPT techniques in WEHS using an artificial neural network (ANN), fuzzy logic controller (FLC), and particle swarm optimization (PSO). These techniques were applied either as standalone methods or in various hybrid combinations, resulting in a significant increase in the system’s power extraction performance. Our findings suggest that utilizing AI-based MPPT techniques can improve the efficiency and overall performance of WEHS, providing a promising solution for enhancing renewable energy systems.
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 | 0,002 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».