Dropout Kolmogorov–Arnold Networks: A Novel Data-Driven Impedance Modeling Approach for Voltage-Source Converters
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
The extensive integration of voltage-source converters (VSCs) as interfaces for renewable energy sources in power systems increases stability concerns and demands accurate VSC impedance models to characterize grid-converter interactions at various operating points. However, analytical impedance models require detailed knowledge of the VSC parameters, which are frequently inaccessible due to manufacturer confidentiality. Further, existing neural network data-driven VSC impedance identification methods adopt conventional multi-layer perceptrons, yielding complex models and demanding abundant high-quality data. This paper presents a data-driven VSC impedance identification method using Dropout Kolmogorov-Arnold Networks (DropKANs) to address these challenges effectively. The hyperparameters of the proposed DropKAN model are optimized using Optuna, outperforming the Scikit-learn, Hyperopt, and GPyOpt optimizers, and the training is optimized using the Adam optimizer and compared with Nadam and RMSprop. Comprehensive and comparative evaluation tests showed 1) the superiority of the proposed DropKAN model over the feedforward neural network, long short-term memory, and KAN models in terms of accuracy, training and prediction times, and neural network structure simplicity, even with a 50% reduction in the training data size, and 2) the versatility and robustness of the proposed DropKAN model when applied to a different VSC system.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,002 | 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