Self-Training Intelligent Predictive Control for Grid-Tied Transformerless Multilevel Converters
Notice bibliographique
Résumé
Literature reviews affirm the constructive influence of the intelligent predictive multiobjective control (IPMOC) on the power quality, power ancillary services, efficiency, and reliability expected from grid-tied transformerless multilevel converters. Regarding, this article contributes to developing the IPMOC concept in terms of training, autonomous power management, and real-time harmonic mitigation. In the proposed IPMOC, model predictive control (MPC) adjusts the power, regulates the dc-link capacitors’ voltages, reduces the switching transitions, suppresses CMV, and alleviates harmonics using a novel real-time selective-predictive harmonic mitigation objective. As the intelligent part, two artificial neural networks trained by a novel data-free, fast, self-training strategy reinforce the MPC to handle the multiobjective task. The first one adapts the weighting factors of the MPC dynamically, while the second one as a model-free controller autonomously adjusts the active and reactive power references of the MPC to assure the unity power factor of the grid in the presence of unknown loads. The proposed IPMOC has been applied to a three-phase neutral point clamped converter and evaluated via various test scenarios run by dSPACE 1202 and MATLAB to verify its effectiveness and feasibility.
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 ».