Risk‐adjustable stochastic schedule based on Sobol augmented Latin hypercube sampling considering correlation of wind power uncertainties
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
Abstract The risks associated with wind power forecast (WF) deviations are of paramount importance to many power system participants (PSPs). However, traditional sampling approaches are computationally prohibitive to model these deviations. Additionally, setting a risk level for satisfying different PSPs receives little attention. This paper constructs a risk‐adjustable stochastic day‐ahead scheduling (RSDS) model to balance the risk requirements of PSPs, and proposes a Sobol‐augmented Latin Hypercube Sampling (SaLHS) approach to improve sampling efficiency for scenario generation process in RSDS. At first, SaLHS and D‐vine copula are combined to generate WF error scenarios for RSDS considering correlations of wind farms. Specifically, SaLHS improves the uniformity and removes the correlation of random samples. Then, a Glue‐VaR‐based generation adequacy index (GVGAI) is proposed to measure operational risk. By adjusting the parameters of GVGAI, a desirable risk level can be obtained considering requirements of different PSPs. Furthermore, a multi‐objective RSDS model is constructed considering operational cost and GVGAI. At last, an entropy‐Weighted Aggregated Sum Product Assessment method is proposed to find the best compromise solution for RSDS model based on the Pareto front obtained by an ε‐constraint method. A modified IEEE‐RTS system is used to validate the effectiveness of proposed method via numerical simulations.
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 | 0,001 |
| 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 découle