MétaCan
Menu
Retour à la cohorte
Enregistrement W4411037420 · doi:10.18280/jesa.580416

Optimization of a Hybrid PV-Wind Power System for Enhancing Efficiency and Power Quality Using MATLAB/SIMULINK Simulations

2025· article· en· W4411037420 sur OpenAlexvenueno aff
Mochamad Subchan Mauludin, Moh. Khairudin, Rustam Asnawi

Notice bibliographique

RevueJournal Européen des Systèmes Automatisés · 2025
Typearticle
Langueen
DomaineEngineering
ThématiqueEnergy Load and Power Forecasting
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésMATLABPower qualityComputer sciencePower (physics)Wind powerQuality (philosophy)Photovoltaic systemAutomotive engineeringEnvironmental scienceControl theory (sociology)Electrical engineeringEngineeringArtificial intelligencePhysics

Résumé

récupéré en direct d'OpenAlex

The increasing reliance on renewable energy has driven the development of hybrid photovoltaic (PV) and wind turbine systems.This study aims to model and simulate a hybrid PV-Wind system using MATLAB/SIMULINK to evaluate its performance and efficiency under varying environmental conditions.The developed model includes PV panels, wind turbines, power converters, and an inverter with Pulse Width Modulation (PWM) control.Simulation results demonstrate that the proposed hybrid system can generate stable power output and effectively adapt to solar irradiance and wind speed fluctuations.The system achieved an overall energy efficiency of 88%, with power quality metrics indicating reduced total harmonic distortion to below 5%.Additionally, implementing an LC filter in the inverter enhances power quality, producing a more sinusoidal AC voltage with a THD of 3.5%.This study confirms that optimized PV-Wind systems provide a reliable and sustainable solution for electricity generation and significantly improve power quality and efficiency in various operational scenarios.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
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 enseignants0,008
Score d'incertitude au seuil0,017

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0010,000
Science ouverte0,0000,000
Intégrité de la recherche0,0010,000
Charge utile insuffisante (le modèle a refusé de juger)0,0030,000

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.

Tête enseignante Opus0,017
Tête enseignante GPT0,267
Écart entre enseignants0,250 · 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 source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
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

Citations0
Publié2025
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal Européen des Systèmes AutomatisésMême sujetEnergy Load and Power ForecastingTravaux en français237 207