Auto-Tuned Model Predictive Control-Based Neural Network Controller for Modular Multilevel Converters
Notice bibliographique
Résumé
This paper investigates the control of the Modular Multilevel Converter (MMC), a versatile converter topology. The MMC offers advantages such as modularity, scalability, and fault- tolerance capabilities. To address the challenges of controlling the MMC, various methods including Model Predictive Control (MPC) have been proposed. This paper focuses on online weighting factor selection for MPC in Direct MPC and Indirect MPC and emulating these control techniques with neural network controllers. Dynamic equations of the MMC considering a novel method for including the discrete-time common model voltage are derived, and direct MPC (DMPC) and indirect MPC (IMPC) with online weighting factor selection are implemented. Auto-tuned DMPC and IMPC are used to extract data for training neural networks, which emulate the auto-tuned MPC controllers.The optimal neural network structure is selected and trained. Comparisons of steady-state and transient performance among auto-tuned DMPC, IMPC, and neural network-based controllers reveal that neural network-based controllers perform similarly to conventional auto-tuned MPC controllers, but with reduced computational burden. These controllers exhibit improved robustness to parameter mismatches and unpredictable converter performance, indicating their potential as viable replacements for conventional auto-tuned MPC controllers in MMC control, offering enhanced efficiency and reduced calculation burden.
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 ».