Power Quality Enhancement Using Artificial Neural Network-Proportional Integral Controller and Fuzzy Granular Controller for DSTATCOM Integrated with Renewable Energy and Battery Storage System
Notice bibliographique
Résumé
In the power distribution network, spread of power electronic devices and nonlinear loads has been exacerbate the power quality (PQ) difficulties.D-STATCOMs plays a key role to serve as an active power filter which are commonly used to address these issues.The performance of the distribution network is increased by incorporating the renewable energy sources (RES) such as PMSG-based wind energy conversion system (WECS) with DC capacitor across the D-STATCOM.During the PQ disturbances without controller the THD of source and load currents are 7.46% and 15.32%, by using the PI controller THD's are reduced to 3.02% and 4.01%.The proposed controllers reduced THD with ANN-PI source and load current THD are 2.99% and 3.62% and Fuzzy granular controller are 1.56% and 2.37%.Whereas on the other side, the DC-link voltage with PI controller introduces more fluctuations and reduced voltage level with settling time about 0.1secs, by using ANN-PI voltage fluctuations get reduced and maintain constant voltage, in addition to that in fuzzy granular the magnitude of dc link voltage increased by 10% and settling time got reduced about 0.05secs.The nonsinusoidal source current and load current are tranformed to sinusiodal by the ANN-PI and Fuzzy granular controller and also the power factor is improved nearly to unity.The proposed controllers are designed and tested by using MATLAB/Simulink.
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 | 0,001 | 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) | 0,001 | 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 ».