Minimizing Voltage Ripple of a DC Microgrid via a Particle-Swarm-Optimization-Based Fuzzy Controller
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
DC microgrids play a crucial role in both industrial and residential applications. This study focuses on minimizing output voltage ripple in a DC microgrid, including power supply resources, a stochastic load, a ballast load, and a stabilizer. The solar cell serves as the power supply, and the stochastic load represents customer demand, whereas the ballast load includes a load to safeguard the boost circuits against the overvoltage in no-load periods. The stabilizer integrates components such as electrical vehicle batteries for energy storage and controlling long-time ripples, supercapacitors for controlling transient ripples, and an over-voltage discharge mechanism to prevent overcharging in the storage. To optimize the charging and discharging for batteries and supercapacitors, a multi-objective cost function is defined, consisting of two parts—one for ripple minimization and the other for reducing battery usage. The battery charge and discharge are considered in the objective function to limit its usage during transient periods, providing a mechanism to rely on the supercapacitor and protect the battery. Particle swarm optimization is employed to fine-tune the fuzzy membership function. Various operational scenarios are designed to showcase the DC microgrid’s functionality under different conditions, including scenarios where production exceeds and falls below consumption. The study demonstrates the improved performance and efficiency achieved by integrating a PSO-based fuzzy controller to minimize voltage ripple in a DC microgrid and reduce battery wear. Results indicate a 42% enhancement in the integral of absolute error of battery current with our proposed PSO-based fuzzy controller compared to a conventional fuzzy controller and a 78% improvement compared to a PI controller. This translates to a respective reduction in battery activity by 42% and 78%.
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.
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 découle