Hardware-in-the-Loop Real-Time Transient Emulation of Large-Scale Renewable Energy Installations Based on Hybrid Machine Learning Modeling
Notice bibliographique
Résumé
For the integration of large-scale renewable energy resources into power grids, the complex and dynamic behavior of inverter-based resources (IBRs), such as wind farms, photovoltaic (PV) arrays, and battery energy storage systems (BESSs), poses significant challenges. Traditional models often fall short of feasibly simulating these resources at scale. This article introduces a hybrid machine learning approach, employing multilayer perceptrons (MLPs) and gated recurrent units (GRUs), to effectively simulate IBRs. The hybrid models combine MLPs and GRUs to capture the transients of IBRs. An extensive dataset, including environmental data, load profiles, and fault instances, was used for training and validation. The source of this dataset was the computational electromagnetic transient (EMT) models of IBRs and validated results. A test system was developed to integrate a microgrid comprising batched ML-based IBR modules into a large-scale ac–dc system, which is based on the IEEE 118-bus system. The system is deployed on a field-programmable gate array (FPGA) board, highlighting the viability of real-time, hardware-accelerated emulations. The results show that the hybrid ML methodology accurately represents large-scale IBRs and predicts transient behaviors in integrated grids, offering crucial insights for the future planning, operation, and control of ac–dc grids, especially those with high renewable energy integration.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 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 | 0,001 |
| Science ouverte | 0,000 | 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 source (Gemma direct ou Codex distillé), 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 ».