Development of Voltage Sag Metric for Large Meshed Transmission Systems and Stochastic Fault Data Sensitivity Analysis
Notice bibliographique
Résumé
This paper describes an approach to determine the impact zone and voltage sag metric for delivery points (DP) in large meshed transmission systems. The metric is to quantify the severity and frequency of voltage sag (VS) experienced at particular DPs. The network model of the system is developed and verified for voltage sag calculation using fault data captured by the power quality (PQ) meters installed across the system. The validated model is used to form the impact zone in terms of the circuit length causing the voltage sag event. Having the impact zones, stochastic fault data is used to create the voltage sag metric. To show the sensitivity of voltage sag metric to different treatment of stochastic fault data, the voltage sag metric is obtained with two sets of data: individual circuit outage frequency and zonal average outage frequency. The approach is implemented on Hydro One Ontario Transmission system. The results are examined to correlate the system behavior with network configuration, voltage level, and proximity to major stations with auto transformers. The results are validated using the data collected over 3 to 5 years by the PQ meters installed in the system. At utility-scale, the approach is used to proactively predict the impact of new planning projects, the retirement of big generation units, and major system reconfiguration on the voltage sag performance of major stations. Additionally, for customers connected on the low voltage (LV) side of transformer stations, the proposed metric can be used to differentiate the impact of transmission system from the events caused by faults on distribution feeders.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 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 ».