MétaCan
Menu
Retour à la cohorte
Enregistrement W2803743380 · doi:10.17485/ijst/2018/v11i19/121112

The Role of Preventive Major Maintenance in the Costs of Electric Energy Distribution Companies

2018· article· en· W2803743380 sur OpenAlexaff
Ali Bostani, Seyed Morteza Moghimi, Reza Dashti, Seyed Mostafa Hashemi

Notice bibliographique

RevueIndian Journal of Science and Technology · 2018
Typearticle
Langueen
DomaineEngineering
ThématiquePower System Reliability and Maintenance
Établissements canadiensMicropharma (Canada)
Organismes subventionnairesnon disponible
Mots-clésPreventive maintenanceReliability engineeringFault (geology)Energy (signal processing)Computer sciencePower (physics)TrustworthinessElectric powerBusinessFunction (biology)Distribution (mathematics)Electric power systemRisk analysis (engineering)Computer securityEngineeringStatisticsMathematics

Résumé

récupéré en direct d'OpenAlex

Objectives: The unwanted and unplanned outages due to faults occurred in electrical energy distribution systems are one of the main concerns of distribution companies. This paper examines this concerning. Methods/Statistical Analysis: This paper examines about ninety outages in related to the medium pressure power lines in second region of Bushehr over twomonth period. Findings: It has identified faults caused by power outages, and the time of outage for each fault is extracted in all regions of the primary data obtained from the power events. Then, by determining the cost function with the purely economic factors, are obtained the costs of each fault individually. In the following, for each fault are provided a series of preventive overhauls or preventive recommendations. Until increasing the system’s trustworthiness, the operating costs of unwanted faults are completely eliminated or minimized. Application/Improvements: The application of this paper is that examines the roles of preventive major maintenance in the costs of electric energy distribution companies. Keywords: Cost Function, Electric Energy Distribution Companies, Energy Not Served (ENS), Preventive Maintenance, Unplanned Outage

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)0,002
score de la tête « metaresearch » (Gemma)0,012
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,005
Score d'incertitude au seuil0,014

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,012
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0020,001
Études des sciences et des technologies0,0000,000
Communication savante0,0010,001
Science ouverte0,0010,000
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 Opus0,002
Tête enseignante GPT0,188
Écart entre enseignants0,186 · 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'étudeObservationnel
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

Citations6
Publié2018
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueIndian Journal of Science and TechnologyMême sujetPower System Reliability and MaintenanceTravaux en français237 207