Control of LPV Modeled AC-Microgrid Based on Mixed H<sub>2</sub>/H<sub>∞</sub> Time-Varying Linear State Feedback and Robust Predictive Algorithm
Notice bibliographique
Résumé
This paper presents a robust model predictive control (RMPC) method with a new mixed H2/$\text{H}\infty $linear time-varying state feedback design. In addition, we propose a linear parameter-varying model for inverters in a microgrid (MG), in which disturbances and uncertainty are considered, where the inverters connect in parallel to renewable energy sources (RES). The proposed RMPC can use the gain-scheduled control law and satisfy both the H2 and$\text{H}\infty $proficiency requirements under various conditions, such as disturbance and load variation. A multistep control method is proposed to reduce the conservativeness caused by the unique feedback control law, enhance the control proficiency, and strengthen the RMPC feasible area. Furthermore, a practical and efficient RMPC is designed to reduce the online computational burden. The presented controller can implement load sharing among distributed generators (DGs) to stabilize the frequency and voltage of an entire smart island. The proposed strategy is implemented and studied in a MG with two DG types and various load types. Specifically, through converters, one type of DGs is used to control frequency and voltage, and the other type is used to control current. These two types of DGs operate in a parallel mode. Simulation results show that the proposed RMPCs are input-to-state practically stable (ISpS). Compared with other controllers in the literature, the proposed strategy can lead to minor total harmonic distortion (THD), lower steady-state error, and faster response to system disturbance and load variation.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».