Hybrid ANFIS-PI-Based Optimization for Improved Power Conversion in DFIG Wind Turbine
Notice bibliographique
Résumé
Wind energy is essential for promoting sustainability and renewable power solutions. However, ensuring stability and consistent performance in DFIG-based wind turbine systems (WTSs) remains challenging due to rapid wind speed variations, grid disturbances, and parameter uncertainties. These fluctuations result in power instability, increased overshoot, and prolonged settling times, negatively impacting grid compliance and system efficiency. Conventional proportional-integral (PI) controllers are simple and effective in steady-state conditions, but they lack adaptability in dynamic situations. Similarly, artificial intelligence (AI)-based controllers, such as fuzzy logic controllers (FLCs) and artificial neural networks (ANNs), improve adaptability but suffer from high computational demands and training complexity. To address these limitations, this paper presents a hybrid adaptive neuro-fuzzy inference system (ANFIS)-PI controller for DFIG-based WTS. The proposed controller integrates fuzzy logic adaptability with neural network-based learning, allowing real-time optimization of control parameters. Implemented within the rotor-side converter (RSC) and grid-side converter (GSC), ANFIS enhances reactive power management, grid compliance, and overall system stability. The system was tested under a step wind speed signal varying from 10 m/s to 12 m/s to evaluate its robustness. The simulation results confirmed that the ANFIS-PI controller significantly improved performance compared with the conventional PI controller. Specifically, it reduced rotor speed overshoot by 3%, torque overshoot by 12.5%, active power overshoot by 2%, and DC link voltage overshoot by 20%. Additionally, the ANFIS-PI controller shortened settling time by 50% for rotor speed, by 25% for torque, by 33% for active power, and by 16.7% for DC link voltage, ensuring faster stabilization, enhanced dynamic response, and greater efficiency. These improvements establish the ANFIS-PI controller as an advanced, computationally efficient, and scalable solution for enhancing the reliability of DFIG-based WTS, facilitating seamless integration of wind energy into modern power grids.
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) | 0,001 | 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 | 0,001 | 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 ».