MétaCan
Menu
Retour à la cohorte
Enregistrement W4397011288 · doi:10.20944/preprints202405.1039.v1

An Efficient Shunt Modulated AC Green plug - Switched Filter Compensation Scheme for Nonlinear Loads

2024· preprint· en· W4397011288 sur OpenAlexaff
Albe M. Bloul, Mohamad Abuhamdah, Adel M. Sharaf, Hamed H. Aly, Jason Gu

Notice bibliographique

RevuePreprints.org · 2024
Typepreprint
Langueen
DomaineEngineering
ThématiqueAdaptive Control of Nonlinear Systems
Établissements canadiensDalhousie University
Organismes subventionnairesnon disponible
Mots-clésShunt (medical)Compensation (psychology)Nonlinear systemControl theory (sociology)Plug-inScheme (mathematics)Computer scienceMathematicsPhysicsPsychology

Résumé

récupéré en direct d'OpenAlex

Nonlinear loads, a crucial component of power systems grids, pose a challenge due to harmonics injection. Our research tackles this issue with a novel approach - a modified green plug / switched filter compensation scheme using fuzzy logic controllers. This innovative scheme, presented in the paper, utilizes dual action pulse width modulation to ensure switching functions from harmonic reduction and capacitive compensation for inrush nonlinear type AC loads. The scheme's multi-loop regulations and online switching effectively handle dynamic type slow acting inrush, motorized and other rectifier type-nonlinear loads, enhancing power factor, power quality at source and load buses, and reducing total harmonic distortion at key source and sensitive nonlinear load buses. A simulation model in the MATLAB/SIMULINK software environment demonstrates the efficiency of the proposed FACTS technique. The results show that voltage, current, active power, reactive power, power factor regulation, and effective energy utilization are achievable with the designed FACTS-MFCC-SFC. The switched modulated AC green plug filter significantly improves power quality and enhances power factor in the case of inrush and nonlinear loads.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict), Charge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,152
Score d'incertitude au seuil0,999

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0000,002

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.

Tête enseignante Opus0,083
Tête enseignante GPT0,323
Écart entre enseignants0,240 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations1
Publié2024
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revuePreprints.orgMême sujetAdaptive Control of Nonlinear SystemsTravaux en français237 207