A New Model-Free Space Vector Modulation Technique for Multilevel Inverters Based On Deep Reinforcement Learning
Notice bibliographique
Résumé
Multilevel inverters provide various advantages over conventional inverters. However, control and switching these types of inverters is a challenge for an increased number of levels that necessitate a higher number of semiconductor devices. Space Vector Modulation (SVM) switching method is a popular one that provides several advantages over conventional Sinusoidal Pulse Width Modulation techniques. Advantages such as higher output voltage, lower switching loss, lower dv/dt, etc. Despite its advantages, the SVM switching method requires complex time-interval equations. This complexity increases exponentially by increasing the number of levels. In this paper, a new SVM method based on Deep Reinforcement Learning (DRL) is proposed. The latter is based on a Reinforcement Learning Agent (RL-Agent) that tries all the "allowed" switching states of an inverter regarding the reference signal in each time step. Then based on the accuracy of the output, the agent receives a reward or punishment (negative reward). Over several episodes of trial and error, the agent learns how to perform the switching to receive the maximum long-term reward. Since the agent is also rewarded for keeping the voltage of the DC-link capacitors in a given range, this method is capable of voltage balancing. This method is implemented on a three-phase three-level Neutral Point Clamped (NPC) inverter for performance evaluation. The RL-agent is trained in MATLAB while the inverter model is simulated in the Simulink environment. The simulation results demonstrate the decent performance of this method.
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 | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».