A Proximal Policy Optimization-Based Controller for Enhanced Power Sharing in Microgrids
Notice bibliographique
Résumé
This paper introduces a Proximal Policy Optimization (PPO)-based virtual impedance (VI) controller to enhance both power sharing and system response under disturbances in inverter-interfaced microgrids. Traditional droop control methods often face challenges due to variations in feeder impedance, which degrade performance. The proposed controller continuously updates its policy based on changes in the operating environment. The control problem is modeled as a Markov Decision Process (MDP), in which the state and action spaces are explicitly defined, and a carefully designed reward function, satisfying system criteria and constraints, guides the learning process toward achieving the desired transient and steady-state performance. By leveraging PPO, the controller improves upon traditional methods by reducing the need for manual tuning and offering better adaptability to varying operating conditions. The performance of the proposed controller is evaluated in both islanded and grid-connected modes, using batteries with capacities of 1 MW, 125 kW, and 100 kW. The results demonstrate that the PPO-based VI controller improves power-sharing accuracy and provides better response to disturbances across different scenarios compared to the conventional controller. To validate the performance of the proposed method, an assessment is conducted on the system frequency using key metrics, including Root Mean Square Error (RMSE), Integral of Absolute Error (IAE), Integral of Squared Error (ISE), and Integral of Time-Weighted Squared Error (ITSE). The PPO controller consistently achieves the lowest errors across all scenarios compared to the conventional controller, with the IAE reduced by 27% in islanded mode and 36% in grid-connected mode.
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 | 0,001 |
| 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 ».