Reweighted Compressed Sensing-Based Smart Grids Topology Reconstruction With Application to Identification of Power Line Outage
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
Smart grid (SG) can automatically collect a large amount of data of different power parameters through different sensors, which has become the future trend of power systems, especially for real-time monitoring needs. However, due to the limitation of detection technology and measurement cost, direct measurement of SG topology is difficult. Thus, reconstructing the topology of SG through measurement data is important yet challenging. In this article, we leverage a graph theory-based power network model and propose to transform the SG topology reconstruction (SGTR) problem into a sparse recovery problem. By exploiting the framework of compressed sensing, the network structure can be reconstructed from a small number of observations. In order to enhance the reconstruction performance, we extract three underlying features of the SG, namely, the symmetry feature, diagonal feature, and cluster feature. Thus, the symmetric reweighting of modified clustered orthogonal matching pursuit method was proposed to integrate these three features simultaneously to improve the performance of SGTR. In order to verify the efficiency of the proposed method, we conduct extensive experiments based on the MATPOWER benchmark toolbox. Compared with some state-of-the-art methods, we find that the reconstruction performance of the proposed method is obviously improved. In addition, based on the reconstructed SG topology, a sparse solution based on QR decomposition was also proposed to locate the power line outages accurately.
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