Switching Frequency Minimized Harmonic Mitigation: A Multiobjective Optimized Modulation Strategy for High- Power Converters
Notice bibliographique
Résumé
In order to explore the minimum switching frequency required to regulate certain amount of harmonic components, a novel switching frequency minimized harmonic mitigation (SFMHM) model is proposed in this article, which can regulate <inline-formula xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink"><tex-math notation="LaTeX">$ {N}\mathbf{-1}$</tex-math></inline-formula> harmonics with far less than <italic xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">N</i> switching angles. By flexibly adjusting the threshold values, the proposed model can achieve both harmonic elimination and mitigation objectives. Based on pulsewidth modulation (PWM) discretization and supported by quadratic programming, the switching frequency in the proposed model is expressed as a quadratic objective function of the PWM waveform. The objectives as fundamental control and selected harmonic mitigations are realized by treating the numerical approximations of the Fourier coefficients as constraints, which are finally transformed into an optimization model with binary variables and can be easily solved by some optimization toolboxes, such as YALMIP. Some computing results show that, compared with the conventional selective harmonic elimination/mitigation (SHE/SHM) methods, the number of switching angles required to mitigate the same number of harmonics under the proposed method has been significantly reduced. The switching frequency can be reduced a lot compared with the conventional SHE/SHM methods, e.g., by 40% for some modulation indexes. Simulations and experiments verify the correctness of proposed SFMHM model.
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 | 0,000 |
| 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 ».