Catalogus : Details

Simon Stock

Physics-informed Machine Learning for Virtual Inertia Provision from Distribution Power Systems

ISBN:

978-3-8440-9860-0

Reeks:

Schriftenreihe des Instituts für Elektrische Energietechnik
Uitgever: Prof. Dr.-Ing. Christian Becker
Hamburg

Volume:

Trefwoorden:

Power Systems; Renewable Energy sources; Machine Learning

Soort publicatie:

Dissertatie

Taal:

Engels

Pagina's:

172 pagina's

Prijs:

58,80 €

Verschijningsdatum:

Januari 2025

DOI:

10.2370/9783844098600 (Online-Publicatie-Document)

Download:

Beschikbare online documenten voor deze titel:

U heeft Adobe Reader, nodig, om deze bestanden te kunnen bekijken. Hier vindt u ondersteuning en informatie, bij het downloaden van PDF-bestanden.

Let u er a.u.b. op dat de online-bestanden niet drukbaar zijn.


	Document		Document
	Soort bestand		PDF
	Kosten		44,10 EUR
	Acties		Tonen en kopen van het bestand - 3,3 MB (3502424 Byte)
	Acties		Kopen en downloaden van het bestand - 3,3 MB (3502424 Byte)


	Document		Inhoudsopgave
	Soort bestand		PDF
	Kosten		gratis
	Acties		Het bestand tonen - 334 kB (342070 Byte)
	Acties		downloaden van het bestand - 334 kB (342070 Byte)

Gebruikersinstellingen voor geregistreerde online-bezoekers

Hier kunt u uw adresgegevens aanpassen en uw documenten inzien.

Gebruiker:	niet aangemeld
Acties:	aanmelden/registreren Paswoord vergeten?

Aanbevelen:

Wilt u dit boek aanbevelen?

Verlinking

Wilt u een link hebben van uw publicatie met onze online catalogus? Klik hier.

Samenvatting

This thesis develops a framework that enables the provision of Virtual Inertia from power distribution systems. In this way, distributed renewables energies can be utilized to support the overall system frequency. Physics-informed Machine Learning techniques are developed and applied inside this framework. Namely, the Bayesian Physics-informed Neural Network and the Physics-informed Actor Critic.