A Fast and Accurate Fault Location Technique for High Voltage Direct Current (HVDC) Systems Une technique rapide et précise de localisation des défauts pour les systèmes de courant continu à haute tension (CCHT)
Notice bibliographique
Résumé
To minimize the outage time and costs associated with faults on high voltage direct current (HVdc) transmission lines it is critical to locate faults in an accurate and sufficiently fast manner. Current fault location techniques based on artificial intelligence (AI) are accurate but require fault data from rectifying and inverting ends. This necessitates a communications system and incurs high computational burdens. Therefore, a novel fault location technique is proposed that requires fault data only from one end, eliminating the need for a communication system. It employs support vector machine (SVM) algorithms to reduce the time needed to locate faults through fault classification. After classification, Gaussian process regression (GPR) is used for location identification. The proposed technique is tested under real time simulation conditions. The test results show the SVM can classify different fault types with an accuracy of 99.7%, while the GPR is able to locate faults within 0.5197 s with a root mean square error (RMSE) value of 6.52e−5%. The performance of the technique is further investigated under varying fault impedance levels. The results show the proposed technique is robust, even under high impedance fault conditions.
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 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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».