MétaCan
Menu
Retour à la cohorte
Enregistrement W3024552621 · doi:10.1109/tsg.2020.2993944

A New Approach to Reliability Assessment and Improvement of Synchrophasor Communications in Smart Grids

2020· article· en· W3024552621 sur OpenAlexafffund
Younes Seyedi, Houshang Karimi, Constant Wetté, Brunilde Sansò

Notice bibliographique

RevueIEEE Transactions on Smart Grid · 2020
Typearticle
Langueen
DomaineEngineering
ThématiqueSmart Grid Security and Resilience
Établissements canadiensEricsson (Canada)Polytechnique Montréal
Organismes subventionnairesNatural Sciences and Engineering Research Council of Canada
Mots-clésPhasorSmart gridReliability (semiconductor)Data transmissionEngineeringTransmission (telecommunications)Fault (geology)Probabilistic logicWirelessReal-time computingComputer scienceReliability engineeringCommunications systemElectric power systemPower (physics)TelecommunicationsElectrical engineering

Résumé

récupéré en direct d'OpenAlex

Wireless communications can facilitate transfer of synchrophasor data between spatially separated phasor measurement units (PMUs) and phasor data concentrators (PDCs). However, such communication systems may impose random access delay and failure on PMU channels that lead to missing synchrophasor data frames at the output of the PDC. This paper presents a new approach for online reliability assessment and improvement of synchrophasor data communications. The proposed approach involves elaborate estimation and probabilistic prediction algorithms that trigger a prioritized handover mechanism in order to minimize the number of synchrophasor data frames that are missing over successive time stamps. Extensive simulations based on the LTE communications in a low-voltage distribution feeder confirm significant performance improvement and fast fault detection under the communication link failures. This non-intrusive approach can be adopted by network operators to ensure reliable transmission of synchrophasor data to monitoring, control, and protection applications in smart grids.

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)0,001
score de la tête « metaresearch » (Gemma)0,004
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 seuil0,006

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,004
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,001
Communication savante0,0010,002
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
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 Opus0,024
Tête enseignante GPT0,267
Écart entre enseignants0,242 · 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

Citations18
Publié2020
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueIEEE Transactions on Smart GridMême sujetSmart Grid Security and ResilienceTravaux en français237 207