On-Policy Machine Learning Based-Disturbance Rejection Control for Grid-Tied PEC9 Inverter Under Parameters Mismatch and Distorted Grid Voltage
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
Thanks to higher power quality and performance efficiency, multilevel grid-tied inverters are the right choice for DC-to-AC conversion like the PV systems to the main power grid. However, the complexity of controlling the switching devices and capacitor voltages in these inverters presents significant stability challenges, particularly during grid-tied operation and when dealing with parameter mismatches. This paper proposes an optimized adaptive Active Disturbance Rejection Controller (ADRC) to stabilize the current of the grid-tied PEC9, serving as a multilevel inverter for PV applications. For this purpose, the PV system, connected to PEC9 as a main DC source to be integrated into the grid. The tunable coefficients of the ADRC controller are automatically adjusted using the on-policy reinforcement learning (RL) technique to effectively stabilize the grid-tied PEC9 with a PV inverter. In this approach, a reward function tailored to the inverter requirements guides the RL-agent in determining the optimal policy. Through maximizing the reward signal, the on-policy algorithm generates regulatory signals to adjust control gains accordingly. A laboratory prototype of PEC9 inverter is constructed by implementing OPAL-RT simulator to investigate the feasibility and applicability of suggested adaptive data-driven scheme. The experimental responses of grid-tied PEC9 equipped with the proposed adaptive ADRC demonstrate the effective performance under various operating conditions of grid-tied PV inverters, including change in the system’s references and parameter mismatches.
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 | 0,000 | 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 découle