MétaCan
Menu
Retour à la cohorte
Enregistrement W2938436318 · doi:10.1080/15435075.2019.1602532

An interval type-2 fuzzy stochastic approach for regional-scale electric power system under parameter uncertainty

2019· article· en· W2938436318 sur OpenAlexaff
Li Wang, Lei Jin

Notice bibliographique

RevueInternational Journal of Green Energy · 2019
Typearticle
Langueen
DomaineEngineering
ThématiqueWater resources management and optimization
Établissements canadiensMcMaster University
Organismes subventionnairesNatural Science Foundation of Fujian Province
Mots-clésInterval (graph theory)Mathematical optimizationFuzzy logicStochastic programmingProbabilistic logicBoundary (topology)Computer scienceLinear programmingScale (ratio)Energy supplyElectric power systemEnergy (signal processing)Operations researchPower (physics)EngineeringMathematicsArtificial intelligenceStatistics

Résumé

récupéré en direct d'OpenAlex

In this study, an interval type-2 fuzzy stochastic linear programming method (IT2FSLP) is developed to support regional-scale electric power system (REM) planning. The IT2FSLP-REM model is based on an integration of interval type-2 fuzzy sets boundary programming and stochastic linear programming techniques enable it to have robust abilities to the deal with uncertainties expressed as type-2 fuzzy intervals and probabilistic distributions within a general optimization framework. Moreover, it can reflect dynamic decisions for energy supply and energy conversion processes, as well as provide capacity expansion options with multiple periods. The developed model is applied to a case of planning regional-scale energy and environmental systems to demonstrate its applicability. Based on a two-step solution algorithm, reasonable solutions have been obtained, which reflect tradeoffs among economic cost, environmental requirements, and energy-supply security. Thus, the lower and upper solutions of IT2FSLP-REM would then help energy authorities adjust or justify allocation patterns of regional energy resources and services.

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 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)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut 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: aucune
Score de désaccord entre enseignants0,760
Score d'incertitude au seuil0,465

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
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)0,0000,000

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 Opus0,010
Tête enseignante GPT0,215
Écart entre enseignants0,205 · 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 tête enseignante, 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

Citations3
Publié2019
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueInternational Journal of Green EnergyMême sujetWater resources management and optimizationTravaux en français237 207