Power Distribution and Voltage Recovery of Secondary Distributed Control for Battery Energy Storage Systems Within DC Microgrids
Notice bibliographique
Résumé
Power generation is undergoing a major shift with the rise of renewable energy, and DC microgrids are emerging as key players in transforming electricity generation, distribution, and management. Implementing droop control causes inherent voltage fluctuation at the DC bus. This study presents a distributed secondary control technique for a standalone solar photovoltaic (PV) and battery energy storage‐based DC microgrid. The scheme ensures bus voltage recovery, state of charge (SoC) balancing, and power allocation among multiple energy storage units by integrating current and voltage error corrections within the designed control loop. A novel hybrid whale optimization (WO) algorithm and the gray wolf optimization (GWO) algorithm approach are introduced to optimize the parameters of the proposed control scheme, ensuring the proposed control meets its objectives. State‐space modeling of the DC microgrid was formulated, incorporating eigenvalue observation analysis to assess the impact of the optimized control on the system’s stability. A real‐time testing framework designed with MATLAB/Simulink is implemented within the Speedgoat real‐time machine, enabling the validation of the control technique under realistic operating conditions. The findings indicate that by facilitating power exchange and communication between neighboring energy storage units, the proposed control scheme ensures an accurate and well‐balanced power distribution across the system. Furthermore, the implementation of this strategy effectively stabilizes the DC bus voltage, mitigating fluctuations and enhancing overall microgrid performance.
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) | 0,000 | 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 ».