A Distributionally Robust Chance-Constrained MILP Model for Multistage Distribution System Planning With Uncertain Renewables and Loads
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
Successful transition to active distribution networks (ADNs) requires a planning methodology that includes an accurate network model and accounts for the major sources of uncertainty. Considering these two essential features, this paper proposes a novel model for the multistage distribution expansion planning (MDEP) problem, which is able to jointly expand both the network assets (feeders and substations) and renewable/conventional distributed generators. With respect to network characteristics, the proposed planning model employs a convex conic quadratic format of ac power flow equations that is linearized using a highly accurate polyhedral-based linearization method. Furthermore, a chance-constrained programming approach is utilized to deal with the uncertain renewables and loads. In this regard, as the probability distribution functions of uncertain parameters are not perfectly known, a distributionally robust (DR) reformulation is proposed for the chance constraints that guarantees the robustness of the expansion plans against all uncertainty distributions defined within a moment-based ambiguity set. Effective linearization techniques are also devised to eliminate the nonlinearities of the proposed DR reformulation, which yields a distributionally robust chance-constrained mixed-integer linear programming model for the MDEP problem of ADNs. Finally, the 24-node and 138-node test systems are used to demonstrate the effectiveness of the proposed planning methodology.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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.
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