.png){kind=icon}
返回
Comprehensive Parameter Optimization Using an Empowered and Lightweight Surrogate Model
.png){kind=icon}
PRE
AI
DOI：10.1109/TPEL.2024.3396504.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
微调参数对于实现高性能电力电子转换器至关重要。传统上，使用专业仿真工具进行迭代测试是一种常见的方法。然而，运行仿真模型是耗时的，并且在线参数优化生成特定于每个操作条件的参数。在本文中，我们提出了一种新颖的方法，该方法将人工智能 (AI) 辅助的参数调整与使用数据驱动的授权代理模型的仿真相结合。使用从3000仿真测试导出的数据集来训练代理模型，从而即使在具有受限计算能力的设备上，也能够在小于0.1毫秒的时间范围内通过对系统性能的反馈进行快速参数调整。此外，可以使用代理模型实现多场景的综合参数优化。提供了一个针对软开点参数调整的案例研究，包括与AI辅助的自主在线参数调整方法的比较。结果证明了该方法的有效性和高效性。
Keyword:
Optimization
Tuning
Phase locked loops
Power electronics
Genetic algorithms
Real-time systems
Computational modeling
Control parameter tuning
simulation
soft open point (SOP)
surrogate model
期刊
IF:
6.5
论文数:
1.7W
被引数:
8.3W
机构
引用论文
Interconnected Autonomous AC Microgrids via Back-to-Back Converters&x2014;Part I: Small-Signal Modeling通过背靠背转换器互连的自治交流微电网 & x2014; 第一部分: 小信号建模
.png){kind=icon}
PREAI
分享收藏Cascaded Control of Back-to-Back Converter DC Link Voltage Robust to Grid Parameters Variation背靠背变换器直流链电压对电网参数变化的鲁棒性级联控制
PREAI
分享收藏Artificial-Intelligence-Based Design for Circuit Parameters of Power Converters基于人工智能的功率变换器电路参数设计
OAAI
OAAI分享收藏
查看更多内容