Contrôle secondaire coordonné de tension des réseaux électriques
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
L’objectif principal de la recherche est d’automatiser la régulation de la tension au niveau secondaire dans les réseaux électriques d’Hydro-Québec. Pour y parvenir, un réglage secondaire coordonné de tension (RSCT) a été utilisé. Les principales étapes à suivre pour implémenter un RSCT sont la division d’un réseau électrique en zones, le choix de noeuds pilotes représentatifs du profil de tension dans chaque zone et l’implémentation du contrôle en tant que telle. Le présent mémoire met à l’essai certaines méthodologies pour chacune des étapes. Pour la division d’un réseau électrique, l’utilisation des algorithmes de classification comme le « Fuzzy C-Means » et la carte auto-adaptative (« Self-Organizing Map » en anglais ou « SOM ») est mise à l’essai. Pour le choix des noeuds pilotes, une méthode de recherche globale effectuée à l’aide d’un algorithme génétique (AG) est mise à l’essai. Pour l’implémentation du RSCT, celle-ci est faite à l’aide d’une architecture simple utilisant des écoulements de puissance optimaux (« OPF ») dans le contrôle. Le réseau d’IEEE de 39 noeuds, le réseau d’IEEE de 118 noeuds, qui a été modifié, ainsi que le réseau d’Hydro-Québec ont été utilisés pour valider l’ensemble des méthodologies. En gros, le principe de fonctionnement du RSCT avec des OPF est concluant. Les principales recommandations consistent à améliorer la recherche de noeuds pilotes, à améliorer la discrétisation des « valeurs shunts » et à ajouter dans le contrôle la capacité de tenir compte des puissances réactives produites par les générateurs et de limiter les variations de tension sur ces derniers.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,003 |
| Méta-épidémiologie (sens large) | 0,003 | 0,001 |
| Bibliométrie | 0,002 | 0,005 |
| Études des sciences et des technologies | 0,001 | 0,004 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,006 | 0,002 |
| Intégrité de la recherche | 0,010 | 0,007 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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.
score_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