Sensorless IRFOC with ANN-Based Speed Optimization for Dual-Stator Induction Motor in Photovoltaic Water Pumping Systems
Notice bibliographique
Résumé
The increasing demand for irrigation in rural areas has led to significant interest in photovoltaic water pumping systems (PVWPS), as grid connectivity in these regions is often unavailable or economically unfeasible.However, PVWPS face challenges related to system reliability and efficiency due to variations in environmental conditions.Building on recent advancements in the field and leveraging the notable benefits of six-phase induction motors, this study proposes a control strategy for PVWPS aimed at optimizing motor speed under variable irradiance conditions to enhance the overall performance of the water pumping system.The proposed control architecture consists of two main stages.In the first stage, maximum power is extracted from the photovoltaic generator (PVG) using a conventional Perturb and Observe (P&O) algorithm that controls a DC-DC boost converter.In the second stage, indirect rotor field-oriented control (IRFOC) is applied to a dual stator induction motor (DSIM) with a minimal sensor configuration.This approach eliminates the need for current sensors, thereby improving hardware reliability, reducing system complexity, and maintaining adaptability to solar power fluctuations.To achieve smooth and efficient operation, the motor speed is regulated using a novel speed optimizer based on an artificial neural network (ANN), which dynamically adjusts the speed reference in response to changes in solar irradiance.The system's performance was evaluated through comprehensive simulations under various operating conditions.
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 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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».