Optimal Decision Making in Electrical Systems Using an Asset Risk Management Framework
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
In this paper, a methodology for optimal decision making for electrical systems is addressed. This methodology seeks to identify and to prioritize the replacement and maintenance of a power asset fleet optimizing the return of investment. It fulfills this objective by considering the risk index, the replacement and maintenance costs, and the company revenue. The risk index is estimated and predicted for each asset using both its condition records and by evaluating the consequence of its failure. The condition is quantified as the probability of failure of the asset, and the consequence is determined by the impact of the asset failure on the whole system. Failure probability is estimated using the health index as scoring of asset condition. The consequence is evaluated considering a failure impact on the objectives of reliability (energy not supplied -ENS), environment, legality, and finance using Monte Carlo simulations for an assumed period of planning. Finally, the methodology was implemented in an open-source library called PywerAPM for assessing optimal decisions, where the proposed mathematical optimization problem is solved. As a benchmark, the power transformer fleet of the New England IEEE 39 Bus System was used. Condition records were provided by a local utility to compute the health index of each transformer. Subsequently, a Monte Carlo contingency simulation was performed to estimate the energy not supplied for a period of analysis of 10 years. As a result, the fleet is ranked according to risk index, and the optimal replacement and maintenance are estimated for the entire fleet.
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 | 0,000 |
| 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 découle