Voltage Controller Design for Offshore Wind Turbines: A Machine Learning-Based Fractional-Order Model Predictive Method
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Integrating renewable energy sources (RESs), such as offshore wind turbines (OWTs), into the power grid demands advanced control strategies to enhance efficiency and stability. Consequently, a Deep Fractional-order Wind turbine eXpert control system (DeepFWX) model is developed, representing a hybrid proportional/integral (PI) fractional-order (FO) model predictive random forest alternating current (AC) bus voltage controller designed explicitly for OWTs. DeepFWX aims to address the challenges associated with offshore wind energy systems, focusing on achieving the smooth tracking and state estimation of the AC bus voltage. Extensive comparative analyses were performed against other state-of-the-art intelligent models to assess the effectiveness of DeepFWX. Key performance indicators (KPIs) such as MAE, MAPE, RMSE, RMSPE, and R2 were considered. Superior performance across all the evaluated metrics was demonstrated by DeepFWX, as it achieved MAE of [15.03, 0.58], MAPE of [0.09, 0.14], RMSE of [70.39, 5.64], RMSPE of [0.34, 0.85], as well as the R2 of [0.99, 0.99] for the systems states [X1, X2]. The proposed hybrid approach anticipates the capabilities of FO modeling, predictive control, and random forest intelligent algorithms to achieve the precise control of AC bus voltage, thereby enhancing the overall stability and performance of OWTs in the evolving sector of 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.
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 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 découle