Power Delivery Capability Improvement of Voltage Source Converters in Weak Power Grid Using Deep Reinforcement Learning with Continuous Action
Notice bibliographique
Résumé
Voltage source converters (VSCs) are widely used in integrating renewable energy sources (RESs), electric vehicles, and energy storage systems to the utility grid. Conventionally, VSCs are controlled using decoupled vector technique with a designed proportional-integral (PI) controller. However, increasing penetration of renewable energy sources leads to a weak grid condition that is characterized by low short circuit ratio (SCR), low inertia, and poor reactive power control. Recent studies have demonstrated the limitations of the applicability of the conventional vector control-based PI method to VSC control. Specifically, the active power transfer capability of the VSC in weak grid conditions is limited to a portion of the converter-rated power. Also, the phase lock loop (PLL) losses grid synchronization as the VSC transfers maximum power under weak grid conditions. To mitigate these problems, a reinforcement learning (RL) based VSC control scheme is proposed. In this paper, a small-signal model of the VSC is developed, and the impact of the grid strength as well as the performance of the phase lock loop (PLL), is investigated. The effectiveness of the proposed controller is compared against the conventional PI-based vector control method in MATLAB/Simulink platform. The proposed control shows a better performance such that under very weak grid conditions, the PLL remains stable as the VSC transfer maximum power.
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 | 0,001 | 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 | 0,001 |
| 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 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 ».