MétaCan
Menu
Retour à la cohorte
Enregistrement W2078062177 · doi:10.1002/tee.21785

Comprehensive comparison of FACTS devices for exclusive loadability enhancement

2012· article· en· W2078062177 sur OpenAlexfundno aff
Arthit Sode‐Yome, N. Mithulananthan, Kwang Y. Lee

Notice bibliographique

RevueIEEJ Transactions on Electrical and Electronic Engineering · 2012
Typearticle
Langueen
DomaineEngineering
ThématiquePower System Optimization and Stability
Établissements canadiensnon disponible
Organismes subventionnairesUniversity of WaterlooThailand Research Fund
Mots-clésMargin (machine learning)Unified power flow controllerFlexible AC transmission systemVoltageControl theory (sociology)Power flowPower (physics)CapacitorComputer scienceElectric power systemElectrical engineeringEngineeringControl (management)

Résumé

récupéré en direct d'OpenAlex

Abstract A complete comparison of a number of well‐known flexible alternating current transmission system (FACTS) devices for static voltage stability enhancement is presented. Various performance measures including power–voltage (P–V) curves, voltage profiles, and power losses are compared under normal and contingency conditions. The importance of proper modeling of FACTS devices, including the DC side, is emphasized because, at their limits, most of these devices behave like a fixed capacitor or inductor. A simple placement technique of series FACTS devices and unified power flow controller (UPFC) is proposed considering exclusive loading margin enhancement. A new idea of loading margin increase per cost is proposed to find the appropriate FACTS devices for investment. The paper provides a guide for utilities to have an appropriate choice of FACTS device for enhancing static voltage stability and loading margin by comparing technical merits and demerits of each of these devices in terms of system performance. © 2012 Institute of Electrical Engineers of Japan. Published by John Wiley & Sons, Inc.

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.

Comment cette classification a été obtenuedéplier

Prédiction machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,003
Score d'incertitude au seuil0,011

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,001
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,000
Communication savante0,0010,001
Science ouverte0,0010,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0030,000

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.

Tête enseignante Opus0,014
Tête enseignante GPT0,252
Écart entre enseignants0,238 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations14
Publié2012
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueIEEJ Transactions on Electrical and Electronic EngineeringMême sujetPower System Optimization and StabilityTravaux en français237 207