Smart metering field implementation with power line communication in low voltage distribution grid
Notice bibliographique
Résumé
Smart Grids (SG) enable power generation, distribution, transmission, customers and utilities to transfer, predict, monitor and manage energy usage effectively. In order to provide them, SGs need to be fully realized by integrating communication technologies infrastructures. Today, SGs have some main systems. These are Advanced Meter Reading (AMR), distributed renewable energy, energy storage, electric vehicle and smart city-home implementations. AMR is the most prominent SG component between all SG main systems. Because it provides to follow all consumers remotely and momentarily using their Smart Meters (SM). AMR system is based on SM, gateway, meter data management software and wired or wireless communication method. Nowadays, Power Line Communication (PLC) is the most popular wired communication method for remote meter reading because of try to use existing electric distribution grid infrastructure. On the other hand, GPRS/EDGE/3G is one of the widespread wireless communication method for remote meter reading implementations but its costly and external dependence has started the search for new communication methods instead. In this paper, practically twelve electric meters are tried to be read remotely with PLC in Yeşilırmak Electric Distribution Company field until the distribution transformer. These remote meter reading results that captured with PLC will evaluate in AMR software. Then an AMR system model is put forward thanks to this field implementation. Beside this a hybrid communication method has been suggested for smart metering. PLC key parameters will find out. In addition, data concentrator (DC), meter and gateway that has PLC features equipment field configurations will research.
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) | 0,000 | 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 ».