Higher-Order Dynamic Mode Decomposition to Identify Harmonics in Power Systems
Notice bibliographique
Résumé
The proliferation of renewable energy sources and distributed generation systems interfaced to the grid by power electronics systems is forcing us to better understand the issues arising due to the quality of electrical signals generated through these devices. Understanding and monitoring these harmonics is crucial to ensure the smooth and seamless operation of these networks, as well as to protect and manage the renewable energy sources-based power system. In this paper, we propose an advanced method of dynamic modal decomposition, called Higher-Order Dynamic Mode Decomposition (HODMD), one of the recently proposed data-driven methods used to estimate the frequency/amplitude and phase with high resolution, to identify the harmonic spectrum in power systems dominated by renewable energy generation. In the proposed method, several time-shifted copies of the measured signals are integrated to create the initial data matrices. A hard thresholding technique based on singular value decomposition is applied to eliminate ambiguities in the measured signal. The proposed method is validated and compared to Synchrosqueezing Transform based on Short-Time Fourier Transform (SST-STFT) and the Concentration of Frequency and Time via Short-Time Fourier Transform (ConceFT-STFT) using synthetic signals and real measurements, demonstrating its practical effectiveness in identifying harmonics in emerging power networks. Finally, the effectiveness of the proposed methodology is analyzed on the energy storage-based laboratory-scale microgrid setup using an Opal-RT-based real-time simulator.
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 | 0,000 | 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 | 0,000 | 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) | 0,000 | 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 ».