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 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 | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 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 ».