MétaCan
Menu
Retour à la cohorte
Enregistrement W3216105684 · doi:10.1109/epec52095.2021.9621716

H-infinity Robust Control of a Transparent Power-Hardware-in-the-Loop System

2021· article· en· W3216105684 sur OpenAlexaff
Zhaolin Liu, Marcello Colombino, Dmitry Rimorov

Notice bibliographique

Revuenon disponible
Typearticle
Langueen
DomaineEngineering
ThématiqueReal-time simulation and control systems
Établissements canadiensHydro-Québec
Organismes subventionnairesnon disponible
Mots-clésRobustness (evolution)Robust controlHardware-in-the-loop simulationInterface (matter)Computer scienceSoftwareFlexibility (engineering)Control theory (sociology)Control engineeringStability (learning theory)Control systemController (irrigation)Embedded systemControl (management)Engineering

Résumé

récupéré en direct d'OpenAlex

Power-Hardware-in-the-Loop system is a testing infrastructure capable of integrating real equipment and highly accurate real-time simulation models of power grids. The interface operating between the hardware and software is a complex hybrid control system tasked with ensuring that the both the hardware and simulation system are seamlessly integrated. As such, it may face stability, robustness and performance issues, for which different methods have been proposed in the literature. This paper proposes a novel method of designing the control interface using H-infinity robust control tools. We utilise a nominal model with parameter uncertainties, allowing the resulting controller to not only achieve robust stability within the uncertainty space but also improve performance and accuracy. Based on simulations containing a wide range of parameters, the H-infinity robust control method shows promising results compared with the state of the art in the literature. It offers the ability to synthesise a controller that is robust against uncertainties in time delay and impedance values, and at the same time, allows the designer to have more flexibility in characterising the performance and stability of the interface algorithm.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,002
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,002
Score d'incertitude au seuil0,005

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,002
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,001
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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.

Tête enseignante Opus0,019
Tête enseignante GPT0,215
Écart entre enseignants0,197 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations3
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetReal-time simulation and control systemsTravaux en français237 207