Multi-Agent Reinforcement Learning Control Strategy for a Neutral-Point Clamped Power Converter, Maintaining Reliable Wind Energy Conversion System
Notice bibliographique
Résumé
This paper provides a comprehensive exploration of the cutting-edge wind energy power converter control method utilizing artificial intelligence. The aim is to evaluate the performance of the proposed reinforcement learning based approach for the most promising and practical wind energy conversion system (WECS) configuration, known as direct-drive permanent magnet synchronous generator (PMSG) WECS. The effort concentrates on both satisfying grid code requirements while reducing computation cost and sophistication. The full-scale back-to-back (BTB) neutral-point clamped (NPC) power converter is determined to be the case of control, employed in direct-drive PMSG-based WECS. Grid-side converter is controlled with high precision using proposed multi-agent reinforcement learning (MARL) algorithm, which necessitates no offline training, and system modeling, unlike machine learning and neural network-based techniques. Single-phase and double-phase voltage sag is considered to assess the functionality of the suggested MARL in unbalance scenarios. To empower the proposed strategy, meta-learning is employed within to optimize the discount factor (DF) value. Compared to fixed DF and conventional DF tuning methods, meta-learnt DF provide superior adaptability, and convergence rate. Comparative analysis and findings illustrate that the proposed method surpasses the counterparts and can be a reliable candidate for conventional and even most recently-studied control strategies.
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 ».