MétaCan
Menu
Retour à la cohorte
Enregistrement W4404563982 · doi:10.1109/ecceeurope62508.2024.10751950

A Sensorless Feedforward Balancing Compensator for Improved Interphase Dynamics in Auxiliary-Assisted Dual-Inductor-Hybrid Converters

2024· article· en· W4404563982 sur OpenAlexaff
Orest Cobani, Nameer Khan, John Pigott, Henk Jan Bergveld, Olivier Trescases

Notice bibliographique

Revuenon disponible
Typearticle
Langueen
DomaineEngineering
ThématiqueMicrogrid Control and Optimization
Établissements canadiensUniversity of Toronto
Organismes subventionnairesNXP Semiconductors
Mots-clésFeed forwardConvertersInductorControl theory (sociology)Dual (grammatical number)Computer scienceInterphaseElectronic engineeringControl engineeringEngineeringVoltageControl (management)Electrical engineering

Résumé

récupéré en direct d'OpenAlex

Hybrid Switched-Capacitor (SC) converters are well-suited for space-critical 48V automotive applications due to their high power density, however, the fast transient response necessary for the stringent regulation requirements of CPU core voltages remains a challenge. A Dual-Inductor Hybrid (DIH) dc-dc converter with a flying-capacitor-tapped auxiliary stage was proposed to improve the load transient response, however, the converter output and DIH interphase dynamics become coupled. This paper presents a sensorless feedforward compensation scheme for improving the interphase dynamics in the 48V-to-1V auxiliary-assisted DIH converter. The proposed scheme extracts the auxiliary duty cycle and adjusts the duration of the DIH switching states to reduce the balancing time of the interphase dynamics. A small-signal model of the auxiliary-assisted DIH converter is proposed and validated with simulation results to analyze the closed-loop stability of the proposed technique. Experimental results demonstrate that the feedforward compensation scheme reduces the settling time of the interphase dynamics by 65% while eliminating the use of an external sensor for active balancing in the auxiliary-assisted DIH converter.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,895
Score d'incertitude au seuil0,840

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,006
Tête enseignante GPT0,211
Écart entre enseignants0,205 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations2
Publié2024
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetMicrogrid Control and OptimizationTravaux en français237 207