MétaCan
Menu
Retour à la cohorte
Enregistrement W3197215780 · doi:10.53370/001c.23734

ARTIFICIAL NEURAL NETWORK APPROACH: AN APPLICATION TO HARMONIC LOAD FLOW FOR RADIAL SYSTEMS

2021· article· en· W3197215780 sur OpenAlexaff
A. Arunagiri, Suresh Kumarasamy, Bala Venkatesh, Rakesh Kumar, Mustajab Ahmed Khan

Notice bibliographique

RevueYanbu Journal of Engineering and Science · 2021
Typearticle
Langueen
DomaineEngineering
ThématiquePower Quality and Harmonics
Établissements canadiensToronto Metropolitan University
Organismes subventionnairesnon disponible
Mots-clésHarmonicsArtificial neural networkElectric power systemHarmonicControl theory (sociology)Harmonic analysisVoltageComputer scienceFlow (mathematics)Power (physics)Electronic engineeringElectrical engineeringEngineeringMechanicsAcousticsPhysicsArtificial intelligence

Résumé

récupéré en direct d'OpenAlex

Radial Distribution Systems (RDS) require special load flow methods to solve power flow equations owing to their high R/X ratio. Increasing use of power electronic devices and effect of magnetic saturation cause harmonics in RDS. This paper reports a multi-layer feed forward ANN with error back propagation learning algorithm for the calculation of bus voltages and power loss for different harmonic components. The proposed method is tested upon a 33-bus RDS and the results are reported for various harmonics. Extensive testing of the proposed ANN based approach indicates its viability for harmonic load flow assessment for radial systems.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut 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 enseignants0,626
Score d'incertitude au seuil0,402

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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 Opus0,033
Tête enseignante GPT0,249
Écart entre enseignants0,216 · 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 tête enseignante, 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

Citations4
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueYanbu Journal of Engineering and ScienceMême sujetPower Quality and HarmonicsTravaux en français237 207