Real-Time Implementation of Input-State Linearization and Model Predictive Control for Robust Voltage Regulation of a DC-DC Boost Converter
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
The use of DC-DC step-up converters has significantly increased due to their implementation as power interfaces in microgrids (MGs), smart grids (SGs) and electrical vehicles. Step-up converters adapt the source voltage or current to the load specifications through an appropriate control algorithm, which is linear in most cases. However, linear algorithms mostly guarantee the system's stability and desired performances only around a relatively small neighborhood of the equilibrium point. Model predictive controllers (MPCs) have been proposed to improve the performance of the converter and broaden its operating region. However, MPCs have mostly been based on an approximated linear model of the converter, which contributes to a relatively narrow operating region. This work proposes an MPC algorithm based on an exactly linearized converter model. The converter model is linearized according to an exact input-state linearization control (ILC). To the best of our knowledge, this is the first work to present a real-time implementation of the ILC in the context of nonlinear DC-DC boost converter control. The objective of exact linearization is to continue using the same reduced-complexity linear MPC while extending the operation area of the system compared to classic linear control. Simulations and experimental results show that the static and dynamic performances of the proposed control are significantly better than those of the standard linear control.
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