Critic-Based Self-Tuning PI Structure for Active and Reactive Power Control of VSCs in Microgrid Systems
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
Traditional proportional integral (PI) control has been extensively used for power control of voltage source converters in microgrid systems. Previous studies show that fixed-gain PI controllers cannot easily adapt to power changes, disturbances, and parameters variation, especially in large microgrids; hence the need for continuous algorithms to adjust the controller gains over the transients cannot be neglected. In this paper, a novel online tuning algorithm for PI controllers is proposed and implemented in a microgrid system. In this algorithm, which is based on the neuro-dynamic programming concept, a fuzzy critic is employed to evaluate the credibility of the control system performance and provide an evaluation signal, which is then used in the gain-tuning process. The PI controller gains are updated in an optimization process based on steepest decent rule so that the evaluation signal produced by the critic is minimized. The developed control structure, which is named critic-based self-tuning PI controller, is tested in a microgrid system with different penetrations of distributed generators and operational scenarios. The simulation results verify that implementation of a heuristic gain-tuning algorithm results in a model-independent controller with increased adaptivity compared with conventional PI control. Furthermore, due to simple learning rules, the convergence time is significantly reduced and the transient response is improved. The proposed gain-tuning algorithm can also be applied to PI controllers in other applications of controllable systems.
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 | 0,000 |
| 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 découle