Implementation of Deep Reinforcement Learning for Model-free Switching And Control of a 23-level Single DC Source Hybrid Packed U-Cell (HPUC)
Notice bibliographique
Résumé
This paper proposes a novel Deep Reinforcement Learning (DRL) method for controlling a 23-level Single DC Source Hybrid Packed U-Cell (HPUC) converter. The HPUC topology generates a high number of voltage levels with minimal components but presents control challenges due to its numerous switching states and dynamic charging behavior. Unlike conventional control methods, which require accurate models and are sensitive to noise and parameter mismatches, DRL offers a model-free and resilient approach to the non-linear control of such complex systems. A Deep Q-Network (DQN) agent which is inherently model-free and suited for high-dimensional state spaces and discrete action spaces, is employed to address these issues. To validate the proposed method, simulations were conducted in the MATLAB/Simulink environment. The obtained results demonstrated the satisfactory performance of the proposed DRL method, achieving a Total Harmonic Distortion (THD) of 2.71% in the output current under steady-state, maintaining stable capacitor voltage balancing, and exhibiting rapid dynamic response (e.g., settling within approximately 40 ms for current step changes). Furthermore, its resilience was highlighted by its ability to maintain control despite a 25dB SNR noise condition and up to 15% variations in capacitor values.
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 ».