Machine Learning Based Modeling for Real-Time Inferencer-in-the-Loop Hardware Emulation of High-Speed Rail Microgrid
Notice bibliographique
Résumé
The application of artificial intelligence (AI) technology in the field of power systems and power electronic devices is increasingly prevalent. With massive datasets generated by a wide range of equipment, AI-based modeling is promising in the future of hardware-in-the-loop emulation. This article studies and improves the machine learning based modeling approach for power electronic devices, and the inferencer-in-the-loop (IIL) system is proposed together with optimized neural network (NN) models. The high-speed rail microgrid, includes autotransformer rectifier unit subsystems, energy storage subsystems, two-level converter based permanent magnet synchronous motor propulsion subsystems, and modular multilevel converter based induction motor propulsion subsystems, serves as study cases to demonstrate the adaptability of this approach. Finally, to show high accuracy and versatility of the IIL real-time emulation system, the system-level (1 timestep) and device-level (50 timestep) results are compared in three domains: the referencer system (C code simulation program in NVIDIA Jetson and offline SaberRD datasets), offline inferencer emulation on Xilinx VCU118 board, and online refined inferencer emulation on Xilinx VCU118 board.
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 ».