An Adaptive Neuro-Fuzzy Controller to Enhance Power Sharing in Distributed Energy Resources Applications
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
In inverter-interfaced microgrids, droop control techniques are essential for regulating active and reactive power exchange. However, their performance is compromised by the varying impedance of the feeder and the slow response to dynamic load changes, leading to power-sharing inaccuracies. This paper proposes an Adaptive Neuro-Fuzzy Inference System (ANFIS)-based virtual impedance controller to address this issue and enhance active and reactive power sharing. The proposed controller dynamically adjusts a virtual voltage to compensate for impedance mismatches, modifying the reference voltage of the inverter. This enables precise power tracking with minimal deviation from the defined reference values and a faster response under transient conditions, including startup and external disturbances. The ANFIS framework integrates fuzzy logic and neural networks, eliminating the limitations of manual and separate tuning in conventional controllers and improving performance in nonlinear systems. The controller’s performance is validated on an IEEE 39-bus test system under various scenarios, including charging, discharging, and transient disturbances. It is tested with three battery sizes (1 MW, 96 kW, and 75 kW) under the same controller setup to assess scalability. Training with per-unit data ensures scalability across different battery capacities and distributed generators. The results are compared to traditional methods to demonstrate the controller’s superior effectiveness.
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 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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