Reinforcement Learning-Based Control for Current Regulation and Capacitor Voltage Balancing in a Four-Level Single Flying Capacitor Converter
Notice bibliographique
Résumé
Multilevel converters are widely used in mediumand high-power applications due to their superior features including reduced harmonic distortion and improved power quality. Among various topologies, reduced-component multilevel converters, such as the four-level single flying capacitor (<tex xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">$4 ~\mathrm{L}$</tex>- SFC) converter, offer benefits in terms of hardware cost and system volume. However, a key challenge in this converter is maintaining the capacitor voltage balance due to the lack of redundant switching states. This paper proposes a Deep Q-Network (DQN)-based control strategy for simultaneous current regulation and capacitor voltage balancing in the 4L-SFC converter. The proposed reinforcement learning (RL) controller selects optimal switching actions from a discrete set of <tex xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">$\mathbf{6 4}$</tex> possible combinations based on a state space comprising phase currents, capacitor voltages, and their respective errors. A reward function guides the agent to minimize control deviations, enabling robust performance without reliance on an accurate system model. Simulation and experimental results validate the effectiveness of the proposed method, demonstrating its potential to address the inherent control challenges of reduced-component multilevel converters.
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 ».