Towards a Customized Resiliency Framework for Smart Grid
Notice bibliographique
Résumé
Introducing resiliency in a legacy power grid is one of the core mandates of smart grid architecture. Resiliency in power grid enables electrical distribution companies to maintain their services to the customers in the event of a grid failure. Its main advantages appear during the fault event: balance the power load and overcome the fault state by minimizing its impact. Although researchers have proposed many schemes for post-failure events to isolate faults (under certain conditions), yet there is no overall framework to evaluate the resiliency of the existing power grid and to improve it if required to recover from fault incidents successfully. In this paper, we propose a two-phase resiliency framework for the smart power grid. The first phase aims to assess the resiliency of a power grid. This phase provides important information regarding the weaknesses and the strengths of a power grid. Phase two will process the input of phase one to increase resiliency by employing redundant grid's elements such as power lines and poles to back up/strengthen the vulnerable components. This preventive framework increases the overall grid resiliency and enables providing an efficient self-recovery policy upon any possible power failure. To achieve this goal, we utilize graph-theoretic metrics, mainly distortion metric, to implement our proposed framework. The proposed framework is implemented and its effectiveness with link failure events is demonstrated through three IEEE bus systems: 14, 30, and 118.
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 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) | 0,001 | 0,001 |
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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».