AI-Driven Control Strategies for FACTS Devices in Power Quality Management: A Comprehensive Review
Notice bibliographique
Résumé
Current power systems are facing noticeable power quality (PQ) performance deterioration, which has been attributed to nonlinear loads, distributed generation, and extensive renewable energy infiltration (REI). These conditions cause voltage sags, harmonic distortion, flicker, and disadvantageous power factors. The traditional PI/PID-based scheme of control, when applied to Flexible AC Transmission Systems (FACTSs), demonstrates low adaptability and low anticipatory functions, which are required to operate a grid in real-time and dynamic conditions. Artificial Intelligence (AI) opens proactive, reactive, or adaptive and self-optimizing control schemes, which reformulate FACTS to thoughtful, data-intensive power-system objects. This literature review systematically studies the convergence of AI and FACTS technology, with an emphasis on how AI can improve voltage stability, harmonic control, flicker control, and reactive power control in the grid formation of various types of grids. A new classification is proposed for the identification of AI methodologies, including deep learning, reinforcement learning, fuzzy logic, and graph neural networks, according to specific FQ goals and FACTS device categories. This study quantitatively compares AI-enhanced and traditional controllers and uses key performance indicators such as response time, total harmonic distortion (THD), precision of voltage regulation, and reactive power compensation effectiveness. In addition, the analysis discusses the main implementation obstacles, such as data shortages, computational time, readability, and regulatory limitations, and suggests mitigation measures for these issues. The conclusion outlines a clear future research direction towards physics-informed neural networks, federated learning, which facilitates decentralized control, digital twins, which facilitate real-time validation, and multi-agent reinforcement learning, which facilitates coordinated operation. Through the current research synthesis, this study provides researchers, engineers, and system planners with actionable information to create a next-generation AI-FACTS framework that can support resilient and high-quality power delivery.
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 ».