On-Policy Machine Learning Based-Disturbance Rejection Control for Grid-Tied PEC9 Inverter Under Parameters Mismatch and Distorted Grid Voltage
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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| 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 | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».