Data-Driven Prediction of Unknown Power Electronic Systems Using a Self-Organizing Adaptive Deep Belief Network
Notice bibliographique
Résumé
The increasing integration of power electronic converters into the power grid, driven by the need to meet diverse power requirements of end-users, has led to the emergence of complex nonlinear systems. Developing accurate mathematical models and predicting the future states of these Unknown Nonlinear Power Electronic Systems (UNPESs) is highly challenging and requires deep knowledge of various aspects, including converter topologies, control strategies, modulation techniques, filter modeling, and the characteristics of grids or electrical machines. To address this issue, a data-driven prediction method is proposed. The approach is based on a Deep Belief Network (DBN) with adaptive learning features that reduce the extended training time often required for Restricted Boltzmann Machines (RBMs). The method also features a self-organizing structure to improve the accuracy of next-state prediction for dynamically changing UNPESs. Furthermore, Partial Least Squares (PLS) regression is applied as a supervised learning technique in place of gradient-based backpropagation, which helps to shorten training time and avoid convergence to suboptimal solution for weight parameters. To validate the effectiveness of the proposed method, two case studies are conducted: one involving the general nonlinear Mackey-Glass system, and the other focusing on next-state prediction of a grid-forming converter.
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 ».