A New MPC Formulation Based on Suboptimal Voltage Vectors for Multilevel Inverters
Notice bibliographique
Résumé
Different new model predictive control (MPC) formulations have been recently proposed to reduce the real-time computation load, which makes the MPC algorithm promising for multilevel power converters. Unlike the conventional MPC formulation, which searches for the optimal switching state at each sampling time, the existing computationally efficient MPC formulations are to search for the optimal output voltage in the first stage. In the second stage, only the switching state redundancy under this optimal output voltage established in the first stage will be employed to achieve multiobjective. These computationally efficient MPC formulations based on searching an optimal voltage vector are usually validated on the power converter topologies with abundant switching redundancy or without floating capacitors. However, for the emerging topologies with less switching redundancy and floating capacitors, such as the five-level (5L) T-type nested neutral point clamped (T-NNPC) converters topology, the existing computationally efficient formulations based on optimal output voltage vector can lead to potential capacitor control failure due to the sacrificed multiobjective control performance. To address this issue, this article presents a novel MPC formulation based on suboptimal output voltage vectors considering both the system’s multiobjective control performance and computation burden reduction. With the determined suboptimal voltage vectors, a small group of the switching state candidate can be established to improve the system’s multiobjective control performance and efficiency. The proposed MPC formulation is finally validated on a 5L T-NNPC topology.
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 | 0,000 | 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 ».