Wide-Area Composite Load Parameter Identification Based on Multi-Residual Deep Neural Network
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
Accurate and practical load modeling plays a critical role in the power system studies including stability, control, and protection. Recently, wide-area measurement systems (WAMSs) are utilized to model the static and dynamic behavior of the load consumption pattern in real-time, simultaneously. In this article, a WAMS-based load modeling method is established based on a multi-residual deep learning structure. To do so, a comprehensive and efficient load model founded on combination of impedance-current-power and induction motor (IM) is constructed at the first step. Then, a deep learning-based framework is developed to understand the time-varying and complex behavior of the composite load model (CLM). To do so, a residual convolutional neural network (ResCNN) is developed to capture the spatial features of the load at different location of the large-scale power system. Then, gated recurrent unit (GRU) is used to fully understand the temporal features from highly variant time-domain signals. It is essential to provide a balance between fast and slow variant parameters. Thus, the designed structure is implemented in a parallel manner to fulfill the balance and moreover, weighted fusion method is used to estimate the parameters, as well. Consequently, an error-based loss function is reformulated to improve the training process as well as robustness in the noisy conditions. The numerical experiments on IEEE 68-bus and Iranian 95-bus systems verify the effectiveness and robustness of the proposed load modeling approach. Furthermore, a comparative study with some relevant methods demonstrates the superiority of the proposed structure. The obtained results in the worst-case scenario show error lower than 0.055% considering noisy condition and at least 50% improvement comparing the several state-of-art methods.
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 | 0,001 |
| 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