Learning-Based Predictive Virtual Inertia Control for Frequency Regulation in Low Inertia Power Grids
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
The increasing integration of renewable energy generators into the conventional power grid has lowered the overall power system inertia. Low inertia may adversely impact the grid’s stability and resilience, leading to unintended grid failure and total system collapse upon severe contingencies. Current methods of emulating power grid inertia to enhance stability under low inertia conditions have some drawbacks. For example, the proportional-integral (PI) control method suffers from high overshoot and settling time, while the performance of the conventional model predictive controller (MPC) is highly dependent on the accuracy of the system model. Consequently, a new learning-based predictive virtual inertia control (VIC) is proposed. This strategy incorporates a physics-informed neural network (PINN) predictive model with an optimization-based safety filter to mitigate the impact of increasing integration of renewable energy generators through a virtual inertia emulation strategy. Our proposed strategy leverages advances in deep learning by implementing a PINN-based model to predict the system’s future behavior. The proposed method is compared to the MPC and PI controller. The results demonstrate the superior dynamic performance of the proposed method. Our implemented technique achieved the least frequency deviations upon contingencies in the IEEE 34 bus and the IEEE 39 bus studied systems with integrated inverter-based generators.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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