MétaCan
Menu
Retour à la cohorte
Enregistrement W2146292227 · doi:10.1109/tec.2004.842376

Incorporating Well-Being Considerations in Generating Systems Using Energy Storage

2005· article· en· W2146292227 sur OpenAlexaff
Bagen, R. Billinton

Notice bibliographique

RevueIEEE Transactions on Energy Conversion · 2005
Typearticle
Langueen
DomaineEngineering
ThématiquePower System Reliability and Maintenance
Établissements canadiensUniversity of Saskatchewan
Organismes subventionnairesnon disponible
Mots-clésProbabilistic logicReliability (semiconductor)Reliability engineeringElectric power systemComputer scienceWind powerEnergy storageEngineeringPower (physics)Artificial intelligence

Résumé

récupéré en direct d'OpenAlex

The increasing utilization of wind and solar energy for power supply in remote locations involves serious consideration of the reliability of these unconventional energy sources. Most utilities use deterministic criteria in the planning and design of these systems. The main disadvantage of deterministic criteria is that they do not recognize and reflect the inherent random nature of the site resources, the system behavior, and the customer demands etc. Probabilistic techniques can be used to overcome this drawback and incorporate the inherent uncertainty in these factors. Power system planners and designers sometimes experience difficulties in interpreting and using probabilistic reliability indices. This difficulty can be alleviated by incorporating deterministic considerations into a probabilistic evaluation using the well-being concept. A simulation technique is presented in this paper which extends the conventional well-being approach to generating systems using energy storage. The proposed technique is illustrated and applied in this paper to several small stand-alone power systems. The effects on the system well-being of some of the major system parameters and the deterministic criteria are illustrated.

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)0,001
score de la tête « metaresearch » (Gemma)0,003
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: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,001
Score d'incertitude au seuil0,004

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,003
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,001
Communication savante0,0010,001
Science ouverte0,0000,001
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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 Opus0,009
Tête enseignante GPT0,195
Écart entre enseignants0,185 · 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

Citations78
Publié2005
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueIEEE Transactions on Energy ConversionMême sujetPower System Reliability and MaintenanceTravaux en français237 207