Harmonics Forecasting of Wind and Solar Hybrid Model Based on Deep Machine Learning
Notice bibliographique
Résumé
Solar and Wind energy based Renewable Energy Systems (RES) are one of the most rapidly growing technologies as a means of producing clean electrical energy. Grid integration of RES involves various types of power electronics-based converters and inverters. These electronic devices produce harmonics at their terminals, which are transferred to the grid. Harmonic forecasting is one of the techniques used to design harmonic mitigation devices in order to reduce harmonics. The core objective of this work is to develop hybrid forecasting model to produce accurate and reliable harmonic forecasts for RES. Six novel hybrid forecasting models are proposed in this work to perform harmonic forecasting. These models are based on different combinations of multi-layered Artificial Neural Networks (ANN) and Adaptive Neuro Fuzzy Inference System (ANFIS). The forecasting models proposed are two-staged architecture. Three hybrid forecasting models (model-1, 2 & 3) use ANN in first stage and ANFIS in second while the other three models (model-4, 5 & 6) are designed vice versa of prior. Two renewable generators are used to generate harmonics. The first generator combines Double-Fed Induction Generator (DFIG) driven by wind turbine with solar photovoltaic (PV) panels whereas, the second generator combines wind turbine driven Permanent Magnet Synchronous Generator (PMSG) with solar panels. The purpose of these generators is to produce voltage and current waveforms using the real-world data (Wind Speed & Solar Irradiation). Harmonics are extracted from these waveforms which are used to create training and testing datasets for the forecasting models. Harmonics are forecasted using the six forecasting models proposed and results are validated by comparing them to benchmark work done in the literature. The results show that model-3 and model-6 are the best and most consistent performing models.
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 ».