Artificial Neural Network PI-Based Compensator for DC-Link Current Control in Grid-Connected Photovoltaic Current Source Inverter
Notice bibliographique
Résumé
Conventional proportional integral (PI) controllers are the most, commonly, known and used techniques in grid-connected photovoltaic (PV) applications. Indeed, PI-based controllers are, practically, easy to design and implement. Moreover, they provide good performance, i.e., high-quality output signals, in steady-state conditions. Nevertheless, these controllers are, mainly, designed for the control of linear systems. Therefore, when implemented with non-linear systems, they suffer from slow dynamic response. Accordingly, in this paper, a non-linear and advanced PI-based controller is proposed. The proposed controller consists of an auto-tuned PI-based controller using artificial neural network (ANN). The main objective is to enhance the dynamic response of the DClink inductor current in grid-connected PV current source inverter (CSI) and to ensure that the injected grid current is equal to that generated by the DC-bus, which implies that the entire power provided by PV generator is injected into the grid. A numerical simulation model of the grid-connected PV system, i.e., CSI, PI-controller, and MPPT algorithm, is realized using Simulink and PLECS environments to validate the accuracy of the proposed solutions. The numerical results prove that the ANN auto-tuned PI-based controller leads to superior dynamic response of the DC-link inductor current and better-quality of the injected grid current compared to the conventional PI-based controller.
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 | 0,001 |
| 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 | 0,000 |
| 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 ».