Coordinated Hybrid Approach Based on Firefly Algorithm and Particle Swarm Optimization for Distributed Secondary Control and Stability Analysis of Direct Current Microgrids
Notice bibliographique
Résumé
Standalone DC microgrids can potentially influence intelligent energy systems in the future. They accomplish this by employing droop control to smoothly integrate various renewable energy sources (RESs) to satisfy energy demands. This method ensures equitable allocation of load current among RESs, promoting efficiency and smooth operation. Utilizing droop control typically leads to a reduction in the voltage of the DC bus. Hence, to uniformly distribute current among several RESs while simultaneously regulating the DC bus voltage, this research proposes a distributed secondary control technique. The proposed technique ensures fair distribution of current and eliminates bus voltage variations by integrating both current and voltage errors within the designed control loop. An innovative hybrid firefly and particle swarm optimization algorithm (FFA–PSO) is introduced to aid in parameter selection for the distributed control approach, facilitating the attainment of the intended control objectives. A DC microgrid state-space model was developed, which incorporates eigenvalue observation analysis to evaluate the impacts of the optimized secondary distributed control on the stability of the microgrid. A real-time testing setup is built using MATLAB/Simulink® R2022b software. and implemented on a Speedgoat™ real-time machine to verify the practical performance of the proposed approach in real-world applications. The results showcase the robustness of the proposed control technique in achieving voltage stabilization and even current allocation within the DC microgrid. This is evidenced by minimal oscillations and undershoots/overshoots and swift response times.
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 | 0,001 | 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 ».