MétaCan
Menu
Retour à la cohorte
Enregistrement W2983893681 · doi:10.18280/ejee.210402

Comparison Using Express Feeder and Capacitor Bank Allocation to Corrective Voltage Level on Primary Distribution Feeder

2019· article· en· W2983893681 sur OpenAlexvenueno aff
Damis Hardiantono, Paulus Mangera

Notice bibliographique

RevueEuropean Journal of Electrical Engineering · 2019
Typearticle
Langueen
DomaineEngineering
ThématiqueIslanding Detection in Power Systems
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésDistribution (mathematics)BusinessVoltageElectrical engineeringEngineeringMathematics

Résumé

récupéré en direct d'OpenAlex

This study aimed to: examine the total power loss of the primary distribution system and the impact of the capacitor bank and express feeder allocation to corrective voltage level on the primary distribution system.Therefore, a case study was taken in the primary distribution of the PLTD (diesel generation) Kelapa Lima Merauke then using Electrical Transient and Analysis Program (ETAP) simulation models to make power flow analyzing.The datas needed is one-line diagram, nominal voltage, generator rating, bus, transformer and transmission / distribution.The results obtained are normal loading power losses of 0.014 MW, voltage level for Feeder of Kota Satu was still stable because in cover range of voltage drop ± 5 %.The other side, corrective voltage level for Feeder of Merkuri from 17.65 kV to 17.75 kV after capasitor bank in amount of 134 kVAr allocated, drop voltage decreased from 13.31 % to 11.25 %, but it still unstable because out of cover range of voltage drop.For that, after using express feeder can be correct voltage level for feeder of Merkuri from 17.65 kV to 19.39 kV or drop voltage decreased from 13.31 % to 3.05 %.Therefore, using express feeder on Merkuri feeder better than capacitor bank allocation.

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)0,002
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: aucune
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
Métarecherche0,0000,002
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,000
Communication savante0,0010,001
Science ouverte0,0010,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0040,000

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 GPT0,221
Écart entre enseignants0,203 · 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

Citations5
Publié2019
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueEuropean Journal of Electrical EngineeringMême sujetIslanding Detection in Power SystemsTravaux en français237 207