Buchumschlag

Deep Reinforcement Learning-Based Control Strategy with Direct Gate Control for Buck Converters

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
1. Verfasser:	Katayama, Noboru
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Systems and Control
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Design and Implementation of DC-DC Buck Converter based on Deep Neural Network Sliding Mode Control
von: Zhiwei, Liu, et al.
Veröffentlicht: (2024)

A Fully Analog Implementation of Model Predictive Control with Application to Buck Converters
von: Pirrera, Simone, et al.
Veröffentlicht: (2025)

Accurate Small-Signal Modeling of Digitally Controlled Buck Converters with ADC-PWM Synchronization
von: Zhou, Hang, et al.
Veröffentlicht: (2025)

Modelling and Control of a Buck Converter Using State-Space Averaging and Classical Feedback Techniques
von: Nwachukwu, Sampson E.
Veröffentlicht: (2025)

Design of an Efficient Three-Level Buck-Boost Converter in PSIM
von: London, Justin
Veröffentlicht: (2025)

Programmable Multi-input Buck-Boost Converter for Photovoltaics Arrays
von: Tang, Zhongting, et al.
Veröffentlicht: (2024)

Robust Load Disturbance Rejection in PWM DC-DC Buck Converters
von: Pirrera, Simone, et al.
Veröffentlicht: (2025)

Updated version "Robust Voltage Regulation of DC-DC Buck Converter With ZIP Load via An Energy Shaping Control Approach"
von: He, Wei, et al.
Veröffentlicht: (2024)

Deep Reinforcement Learning-Aided Frequency Control of LCC-S Resonant Converters for Wireless Power Transfer Systems
von: Safari, Reza, et al.
Veröffentlicht: (2025)

Fault Detection Method for Power Conversion Circuits Using Thermal Image and Convolutional Autoencoder
von: Katayama, Noboru, et al.
Veröffentlicht: (2025)

Model-Based Adaptive Control of Modular Multilevel Converters
von: Tebaldi, Davide, et al.
Veröffentlicht: (2024)

Modelling of a DC-DC Buck Converter Using Long-Short-Term-Memory (LSTM)
von: Za'ter, Muhy Eddin
Veröffentlicht: (2022)

Proximal Policy Optimization-Based Reinforcement Learning Approach for DC-DC Boost Converter Control: A Comparative Evaluation Against Traditional Control Techniques
von: Saha, Utsab, et al.
Veröffentlicht: (2023)

DRL2FC: An Attack-Resilient Controller for Automatic Generation Control Based on Deep Reinforcement Learning
von: Dimitropoulos, Vasileios, et al.
Veröffentlicht: (2024)

System Identification Using Kolmogorov-Arnold Networks: A Case Study on Buck Converters
von: Gashi, Nart, et al.
Veröffentlicht: (2025)

Optimal Current Control Strategy for Reliable Power Electronics Converters: Frequency-Domain Approach
von: Rezaeizadeh, Amin, et al.
Veröffentlicht: (2025)

Data-Driven Control Of Power Converters
von: Soliman, Marwan, et al.
Veröffentlicht: (2025)

DNN-based Digital Twin Framework of a DC-DC Buck Converter using Spider Monkey Optimization Algorithm
von: Mahmud, Tahmin, et al.
Veröffentlicht: (2025)

A Holistic Power Optimization Approach for Microgrid Control Based on Deep Reinforcement Learning
von: Yao, Fulong, et al.
Veröffentlicht: (2024)

Deep Reinforcement Learning for Optimizing Inverter Control: Fixed and Adaptive Gain Tuning Strategies for Power System Stability
von: Das, Shuvangkar Chandra, et al.
Veröffentlicht: (2024)

Transient Stability of GFL Converters Subjected to Switching of Droop-Controlled GFM Converters
von: Li, Bingfang, et al.
Veröffentlicht: (2026)

Direct Adaptive Control of Grid-Connected Power Converters via Output-Feedback Data-Enabled Policy Optimization
von: Zhao, Feiran, et al.
Veröffentlicht: (2024)

Deep Reinforcement Learning-Based Motion Planning and PDE Control for Flexible Manipulators
von: Barjini, Amir Hossein, et al.
Veröffentlicht: (2025)

Deep Reinforcement Learning in Applied Control: Challenges, Analysis, and Insights
von: Agyei, Klinsmann, et al.
Veröffentlicht: (2025)

Deep Reinforcement Learning based Control Design for Aircraft Recovery from Loss-of-Control Scenario
von: Sayyed, Imran, et al.
Veröffentlicht: (2026)

Nuclear Microreactor Control with Deep Reinforcement Learning
von: Tunkle, Leo, et al.
Veröffentlicht: (2025)

An Online Adaptation Strategy for Direct Data-driven Control
von: Teutsch, Johannes, et al.
Veröffentlicht: (2023)

Voltage Control of the Boost Converter: PI vs. Nonlinear Passivity-based Control
von: Fang, Leyan, et al.
Veröffentlicht: (2025)

Design and Realization of a Novel Buck-Boost Phase-Modular Three-Phase AC/DC Converter System with Low Component Number
von: Zhetessov, Aidar
Veröffentlicht: (2023)

Multi-Agent Deep Reinforcement Learning for Multiple Anesthetics Collaborative Control
von: Li, Huijie, et al.
Veröffentlicht: (2025)

Adaptive Traffic Signal Control with Deep Reinforcement Learning An Exploratory Investigation
von: Muresan, Matthew, et al.
Veröffentlicht: (2019)

Residual Deep Reinforcement Learning for Inverter-based Volt-Var Control
von: Liu, Qiong, et al.
Veröffentlicht: (2024)

Dynamic Complex-Frequency Control of Grid-Forming Converters
von: Domingo-Enrich, Roger, et al.
Veröffentlicht: (2024)

Reinforcement Learning Based Minimum State-flipped Control for the Reachability of Boolean Control Networks
von: Ni, Jingjie, et al.
Veröffentlicht: (2023)

Partial Attention in Deep Reinforcement Learning for Safe Multi-Agent Control
von: Mohaya, Turki Bin, et al.
Veröffentlicht: (2026)

Dynamic Ancillary Services: From Grid Codes to Transfer Function-Based Converter Control
von: Häberle, Verena, et al.
Veröffentlicht: (2023)

Quantum-Embedded Dynamic Security Control using Hybrid Deep Reinforcement Learning
von: Masoumi, Amin, et al.
Veröffentlicht: (2025)

Realizing Space-oriented Control in Smart Buildings via Word Embeddings
von: Ge, Hangli, et al.
Veröffentlicht: (2025)

Implementing Deep Reinforcement Learning-Based Grid Voltage Control in Real-World Power Systems: Challenges and Insights
von: Shi, Di, et al.
Veröffentlicht: (2024)

Decentralized Parametric Stability Certificates for Grid-Forming Converter Control
von: Häberle, Verena, et al.
Veröffentlicht: (2025)