Benutzer: Gast  Login
Titel:

A Physics-Informed Neural Network Modeling Approach for Energy Storage-Based Fast Frequency Support in Microgrids

Dokumenttyp:
Konferenzbeitrag
Autor(en):
Rai, A.; Bhujel, N.; Dhiman, V.; Hummels, D.; Tamrakar, U.; Byrne, R.H.; Tonkoski, R.
Stichworte:
Training; Adaptation models; Perturbation methods; Power system dynamics; Microgrids; Power system stability; Data models; Microgrids; frequency dynamics; physics-informed neural network; modeling
Kongress- / Buchtitel:
2024 IEEE Electrical Energy Storage Application and Technologies Conference (EESAT)
Datum der Konferenz:
15.01.2024 - 17.01.2024
Verlag / Institution:
IEEE
Publikationsdatum:
29.01.2024
Jahr:
2024
Reviewed:
ja
Sprache:
en
Volltext / DOI:
doi:10.1109/eesat59125.2024.10471220
TUM Einrichtung:
SoED, PT&D (EEN)
 BibTeX