Real-Time ML-Assisted Hardware-in-the-Loop Electro-Thermal Emulation of LVDC Microgrid on the International Space Station
Notice bibliographique
Résumé
For being the world’s largest low voltage direct current (LVDC) microgrid (MG) in space, the power generation and distribution systems aboard the International Space Station (ISS) employ a hierarchical assortment of electric power sources, energy storage, control devices, power electronics, and loads operating cooperatively at multifarious system dispositions and multi-stage configurations. At the early phase of design, for such time-critical systems, the trade-off between reliability and convergence rate of device modeling, varying accuracy requirements of control flows, and especially the implementation for real-time performance have brought new challenges and problems for testing and validation of the MG. One of the solutions presented by this paper is to use the hardware-in-the-loop (HIL) emulation, where the MG is emulated using the field-programmable gate array (FPGA) hardware platform. In parallel with the emulation effort, comprehensive modeling solutions for both large-scale photovoltaic (PV) solar array wings (SAWs) and nonlinear behavior model (NBM) of insulated-gate bipolar transistors (IGBTs) have been utilized based on machine learning (ML) concepts of artificial neural network (ANN) and recurrent neural network (RNN). Both system-level (validated by Matlab/Simulink) and device-level (validated by SaberRD) transient simulations are carried out, and the results exhibit high accuracy and fidelity of the models and significant improvements in execution speed and hardware resource consumption.
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 | 0,000 |
| 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) | 0,001 | 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 ».