Artificial Intelligence Based Control Strategy of a Three-Phase Neutral-Point Clamped Back-to-Back Power Converter with Ensured Power Quality for WECS
Notice bibliographique
Résumé
This paper provides an in-depth investigation into the state-of-the-art power converter control approaches utilizing artificial intelligence that ensure the power quality for wind energy conversion systems (WECS). The most promising and feasible wind energy conversion configuration has been elected to be evaluated in an attempt to reduce the computing cost and time, as well as meet the grid code requirements. For this purpose, in this work, a back-to-back neutral-point clamped power converter is controlled with high precision using a machine learning algorithm. The machine is trained offline by data acquired from the wellknown voltage-oriented control (VOC) technique. The majority of the computational load is moved from online to offline mode. Thus, there is no need for accurate development of the PI controller parameters and bandwidth, and hence, the cost and time of calculation will be considerably reduced. As a consequence, the recommended machine learning-based technique can take over the conventional VOC responsibilities. To accomplish this, the training dataset is applied to learn the behavior of the system using a locally weighted lasso regression approach. The cost function is then minimized using stochastic gradient descent, batch gradient descent, Broyden-Fletcher-Goldfarb-Shanno (BFGS), and limited-memory BFGS optimizers, successively. The comparative analysis reveals that the BFGS family of optimizers outperforms the counterparts in terms of computation time, accuracy, and THD performance of WECS.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 ».