MétaCan
Menu
Retour à la cohorte
Enregistrement W2949715751 · doi:10.1109/tii.2019.2923714

Enhancing Power Grid Resilience Through an IEC61850-Based EV-Assisted Load Restoration

2019· article· en· W2949715751 sur OpenAlexaff
Pouya Jamborsalamati, M. J. Hossain, Foad Taghizadeh, Georgios Konstantinou, Moein Manbachi, Payman Dehghanian

Notice bibliographique

RevueIEEE Transactions on Industrial Informatics · 2019
Typearticle
Langueen
DomaineEngineering
ThématiqueElectric Vehicles and Infrastructure
Établissements canadiensUniversity of British Columbia
Organismes subventionnairesnon disponible
Mots-clésIEC 61850Resilience (materials science)Reliability engineeringControl reconfigurationDistributed computingGridComputer scienceSmart gridElectric power systemAgile software developmentFlexibility (engineering)Distributed generationDemand responseEngineeringPower (physics)Embedded systemElectricityAutomationRenewable energyElectrical engineering

Résumé

récupéré en direct d'OpenAlex

Contrary to reliability analysis in power systems with the main mission on safely and securely withstanding credible contingencies in day-to-day operations, resilience assessments are centered on high-impact low probability (HILP) events in the grid. This paper proposes an autonomous load restoration architecture founded on IEC 61850-8-1 GOOSE communication protocol to engender an enhanced feeder-level resilience in active power distribution grids. Different from the past research on outage management solutions, most of which 1) are not resilience-driven; 2) are reactive solutions to local single-fault events; and 3) do not address both network built-in flexibilities and flexible resources. The proposed solution harnesses 1) the imported power and flexibility from the neighboring networks; 2) distributed energy resources; and 3) vehicle to grid capacity of electric vehicles aggregations to enhance the feeder-level resourcefulness for agile response and recovery. Through real-time self-reconfiguration strategies, the suggested solution is capable of coping both single and subsequent outage events, and will engender a heightened resilience before and during the contingency period. Moreover, a resilience evaluation framework, which quantifies the contribution of all resources involved in service restoration, is developed. Real-time performance of the designed architecture is evaluated on a real-world power distribution grid using a real-time hardware-in-the-loop platform. Numerical case studies through a number of diverse scenarios demonstrate the efficacy of the proposed restoration solution in practicing an enhanced resilience in power distribution systems in response to HILP scenarios.

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)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: metacan-v3-hybrid-931329e0061cStatut 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 enseignants0,001
Score d'incertitude au seuil0,004

Scores du classifieur distillé par catégorie (deux têtes)

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 savante0,0000,001
Science ouverte0,0010,001
Intégrité de la recherche0,0000,000
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 Opus0,018
Tête enseignante GPT0,231
Écart entre enseignants0,213 · 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'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

Citations64
Publié2019
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueIEEE Transactions on Industrial InformaticsMême sujetElectric Vehicles and InfrastructureTravaux en français237 207