MétaCan
Menu
Retour à la cohorte
Enregistrement W2794352985 · doi:10.1109/tpwrs.2018.2811707

A Cumulant-Tensor-Based Probabilistic Load Flow Method

2018· article· en· W2794352985 sur OpenAlex

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.

affAu moins un auteur déclare une institution canadienne dans l'instantané OpenAlex épinglé.

Notice bibliographique

RevueIEEE Transactions on Power Systems · 2018
Typearticle
Langueen
DomaineEngineering
ThématiquePower System Reliability and Maintenance
Établissements canadiensUniversity of Victoria
Organismes subventionnairesnon disponible
Mots-clésProbabilistic logicReliability (semiconductor)Monte Carlo methodElectric power systemMathematical optimizationComputer scienceWind powerGridRandom variableReliability engineeringTensor (intrinsic definition)Power (physics)EngineeringMathematicsElectrical engineeringStatistics

Résumé

récupéré en direct d'OpenAlex

Probabilistic load flow analysis is an important part of grid design, optimization, and operation due to the uncertainties in the power network for both generation and demand, increasingly so for newly integrated technologies including wind power and plug-in vehicles. A reliable, fast, and robust mathematical method for such analyses is a key requirement to help support widespread integration of these new generation and load sources. Conventional deterministic Monte Carlo analyses, though simple in implementation, becomes too slow as networks become more complex. In this paper, a new cumulant-tensor based method is used to assess power flows. Probability distribution functions and reliability indices are generated as final outputs. Furthermore, general correlation between input random variables is included in the analysis. An illustrative 2-bus network is presented along 24-bus IEEE system as case studies, showing the capabilities and increased reliability of the method.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict), Charge utile insuffisante (le modèle a refusé de juger)
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: aucune
Score de désaccord entre enseignants0,993
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

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

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.

Tête enseignante Opus0,014
Tête enseignante GPT0,241
Écart entre enseignants0,227 · 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