A Novel High-Performance Predictive Control Formulation for Multilevel Inverters
Notice bibliographique
Résumé
This article proposes a novel high-performance predictive control with long prediction horizons to improve the control performance of the multilevel inverters. The finite control set model predictive control (FCS-MPC) has obtained a lot of attention for power converters due to its advantages of high dynamic performance, multi objective capability, no need for PI regulators and PWM modulators. However, the MPC method requires a high number of computations especially for higher-level power converter topologies due to the existence of a huge amount of switching combinations and redundancies. Real-time searching for the optimal switching state among a large candidate pool at a high sampling rate is sometimes impossible with the standard commercial processors. This limitation also prevents real-time implementation of an MPC for multilevel converters with step prediction more than one. To solve the aforementioned issues, this paper presents a novel high-performance FCS-MPC scheme. The proposed FCS-MPC is reformulated mathematically MPC approach to an l <sup xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">2</sup> norm optimization problem, which can be solved on-line through matrix theory. Compared with the existing MPC optimization algorithms, the proposed MPC formulation has the advantage of a substantial reduction in computational burden, no need for the weighting factors or cost functions, and thus can operate at long horizon prediction length. The proposed method is verified experimentally on a seven-level CHB inverter prototype with a three-step prediction length to demonstrate the ability and performance of the proposed method for multilevel inverters.
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 ».