Computationally Efficient and Accurate Approach for Commutation Failure Risk Areas Identification in Multi-Infeed LCC-HVdc Systems
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
Earlier approaches for commutation failure (CF) risk areas identification in multi-infeed LCC-HVdc systems include the simulation-based and analytical types. However, the former and latter will cause the low computational efficiency and inaccurate result, respectively. Thus, this article first clarifies CF performances caused by voltage depression and distortion in multi-infeed LCC-HVdc systems. Second, an ac-dc interaction factor (ADIF) index along with its analytical calculation method is proposed to quantify the voltage interaction between arbitrary ac line location and inverter bus. The ADIF is then used to develop a critical ADIF index for identifying the voltage depression induced CF. Third, a distortion ADIF index along with its mathematical expression is developed for identifying the voltage distortion induced CF. Fourth, combining the voltage depression and distortion induced CF identification methods, CF correlation regions where ac faults can induce CF in inverters are introduced to develop the proposed approach. Compared to earlier simulation-based approaches, the proposed approach is more efficient without recourse to simulations. Compared to earlier analytical approaches ignoring ac lines faults and the voltage distortion induced CF, the proposed approach is more accurate with these factors comprehensively considered. Finally, case study on an 8-infeed LCC-HVdc system validates the proposed approach.
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