A Neuro-Fuzzy Based Power Control of a Type-3 based Wind Energy Conversion Systems with LVRT Capability
Notice bibliographique
Résumé
The Type-3 Wind Energy Conversion Systems (WECS) incorporating doubly fed induction generators (DFIG) are highly affected by grid side disturbance as the stator side of the machine is connected to the grid directly. Furthermore, it is difficult for WECS to maintain satisfactory performance at normal grid condition, due to abrupt change in wind speed. The conventional PI based control strategies are not competent to manage grid disturbances as well as wind speed fluctuations. Consequently, a neuro-fuzzy based power control (NFPC) scheme for a grid connected Type-3 WECS is presented in this paper. The controller is designed to achieve low voltage ride-through (LVRT) capabilities as well as to maintain robust performance at the time of wind speed fluctuation. A hybrid training method is also derived to train the NF network parameters. The proposed NFPC scheme is simulated using MATLAB-Simulink and the performance of the Type-3 WECS is investigated considering several types of grid disturbances as well as wind speed fluctuation. Satisfactory performances are obtained in terms of different quantities of the WECS at the time of grid disturbances as well as the wind speed fluctuations. The trajectories of the real and reactive power are also analyzed to check the stability of the entire WECS due to incorporating NFPC scheme. The system stability is also found satisfactory both for grid disturbance as well as wind speed change. A laboratory prototype of Type-3 WECS is built to test the real-time performance of the proposed NFPC technique using the DSP board DS 1104.
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 ».