Adaptive fuzzy-recurrent neural network tuned fractional-order distributed control for robust frequency regulation in multi-microgrid systems
Notice bibliographique
Résumé
This paper presents an advanced frequency control solution for multi-microgrid systems (MMGS) with high renewable energy penetration, where conventional control methods struggle with scalability and disturbance resilience. We propose a Distributed Consensus Control Strategy (DCS) using a Fractional Order PID (FOPID) controller adaptively tuned by a Fuzzy-Recurrent Neural Network (FRNN). Our method delivers significant improvements in both transient and steady-state performance compared to established approaches. Extensive real-time hardware-in-the-loop (HIL) testing on a three-microgrid platform demonstrates the superiority of the proposed controller. In MG1, it reduces settling time by 29% (4.19 s vs. 5.93 s for PID), lowers peak overshoot by over 90% (0.0007 vs. 0.0076 for PID), and cuts absolute error by more than 80% (1.017 vs. 6.32 for PID). Similar improvements are validated across MG2 and MG3, and comprehensive scenario testing confirms the method's robustness under diverse disturbances. The proposed FRNN-tuned FOPID-based DCS stands out as the first adaptive, distributed framework offering real-time self-optimization and exceptional resilience for frequency regulation in MMGS. Its demonstrated performance and adaptability make it a leading candidate for future smart grids and cyber-physical energy systems.
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 | 0,001 | 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 ».