A Deep Learning Based Multiobjective Optimization for the Planning of Resilience Oriented Microgrids in Active Distribution System
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
When facing severe weather events, a distribution system may suffer from the loss or failure of one or more of its components, the so-called N-K contingencies. Nevertheless, taking advantage of the system’s isolate switches and the increasing availability of distributed energy resources (DERs), a distribution system may be clustered into microgrids able to withstand such contingencies with minimal power interruption. In this perspective, this work proposes a novel bilevel optimization framework for planning microgrids in active distribution systems under a resilience-oriented perspective. For this, first, the outer level optimization features a multi-objective problem seeking to optimally allocate DERs and isolate switches in the distribution network while balancing the competing objectives of cost, resilience, and environmental impact. Next, the inner level handles the optimization problem pertaining to the optimal operation of the microgrids that can be created by harnessing local DERs and isolate switches allocated in the outer level. Further, given the proposed approach resilience-oriented focus, the developed framework employes deep learning models based on deep neural network (DNN) architectures trained using Bayesian Regularization Backpropagation (BRB) technique. This strategy allows for avoiding the modeling simplifications typically employed to alleviate the computational burden that can otherwise jeopardize planning solutions’ feasibility. Thus, enabling the accurate consideration of microgrids’ operational behavior, including hierarchal controls and the stochastic nature of loads, generation, and weather-induced line failures, especially critical aspects under resilience-oriented planning. Simulation case studies are developed to demonstrate the effectiveness of the developed planning framework.
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