Rapidity Prediction of Power Infrastructure Forced Outages: Data-Driven Approach for Resilience Planning
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
Power infrastructure is essential for the operation of almost all other critical infrastructure systems, including water, transportation, and telecommunications. Recently, there has been an increase in forced power outage frequency and extent due to infrastructure aging, extreme weather events, and deliberate attacks. To combat forced power outage risks, researchers have been focusing on improving the resilience of different power infrastructure systems. A key aspect of infrastructure resilience is the rapidity, defined as the time required to return to normal operation levels following functionality disruptions. This study developed a machine learning–based framework to predict the rapidity of power infrastructure following forced outages. The framework includes classification models such as bagging, random forests, and artificial neural networks to accommodate the categorical nature of typical power infrastructure component outage features. The framework also includes a genetic algorithm for optimized selection of such features in order to facilitate the model’s best prediction performance. The utility of the developed framework was demonstrated using actual transmission line forced outages data. Within the demonstration application, rapidity was split into two classes indicating short and extended outages, and the random forest classification model had the best rapidity prediction performance. In addition, the influence of key features on outage classification was explored using partial dependence analysis. Finally, insights for resilience-guided asset management were presented. The developed framework enables infrastructure stakeholders to predict forced outage rapidity classes soon after the occurrence of the former—subsequently enabling rapid identification of appropriate resources needed to promptly restore infrastructure functionality and thus ensuring infrastructure resilience.
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 | 0,001 | 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