Reinforcement Learning-Based Flexible Control in MTDC System for Offshore Wind Farm Integration
Notice bibliographique
Résumé
Converter power sharing and DC voltage regulation are critical control objectives in voltage source converter-based multi-terminal high-voltage DC (VSC-MTDC) systems, particularly when incorporating massive offshore wind farms (OWFs). However, the inherent variability and intermittency of OWFs pose significant challenges to conventional model-based and optimization-based control methods, which often rely on accurate system modeling and extensive computation. Moreover, traditional heuristic optimization approaches are prone to local optima, limiting their ability to handle rapidly fluctuating wind power conditions effectively. Reinforcement Learning (RL), with its capability to adaptively optimize control policies through continuous interaction with dynamic environments, presents a promising alternative. This paper proposes a novel RL-based control strategy for DC voltage regulation and proportional power sharing, leveraging an adaptive droop control mechanism. The Proximal Policy Optimization (PPO) algorithm is employed to dynamically adjust local droop coefficients, benefiting from its robustness in continuous action spaces and its ability to mitigate the effects of OWF power fluctuations. To enhance optimization efficiency and accelerate convergence, a combined MTDC system pre-evaluation and PPO initialization method is introduced. The proposed RL-based control strategy is validated through dynamic simulations of a five-terminal MTDC grid in MATLAB/Simulink, demonstrating superior performance in handling various disturbances and contingencies associated with OWF integration.
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) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».