MétaCan
Menu
Retour à la cohorte
Enregistrement W4312781026 · doi:10.1109/tpwrd.2022.3215964

A Multi-Period Regulation Methodology for Reliability as Service Quality Considering Reward-Penalty Scheme

2022· article· en· W4312781026 sur OpenAlexaff
Ali Alizadeh, Alireza Fereidunian, Innocent Kamwa, Seyed Masoud Mohseni‐Bonab, Hamid Lesani

Notice bibliographique

RevueIEEE Transactions on Power Delivery · 2022
Typearticle
Langueen
DomaineEngineering
ThématiquePower System Reliability and Maintenance
Établissements canadiensHydro-QuébecUniversité Laval
Organismes subventionnairesnon disponible
Mots-clésReliability (semiconductor)Natural monopolyReliability engineeringMonopolyQuality (philosophy)Service qualityComputer scienceIT service continuityRisk analysis (engineering)Investment (military)Service (business)EngineeringEconomicsBusinessPower (physics)Microeconomics

Résumé

récupéré en direct d'OpenAlex

In distribution systems, reliability insurance and financial performance are often hard to reconcile due to a natural monopoly. While many studies have proposed regulatory design of reward-penalty scheme (RPS) as an effective performance-based regulation framework to compensate for this natural monopoly, little attention is devoted to consideration of RPS in reliability as service quality. In this paper a novel methodology is proposed for considering an RPS in regard to reliability assessment problems to ensure a reasonable balance between reliability improvement and financial performance. In the proposed methodology, the impact of the utilities’ financial and reliability performance in one regulation period is considered as to how it influences the next periods, i.e., multi-period modeling. The implementation results in an IEEE test system are utilized to reveal possible improvements in both reliability and financial performance, which lead to the delivery of a satisfactory level of service quality to customers in both the short- and long-term. The proposed methodology can be regarded as a performance-based standard for reliability improvement and efficient investment in distribution 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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,006
score de la tête « metaresearch » (Gemma)0,007
Version: metacan-v3-hybrid-931329e0061cStatut 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 enseignants0,006
Score d'incertitude au seuil0,031

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0060,007
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,002
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,001
Communication savante0,0010,002
Science ouverte0,0020,001
Intégrité de la recherche0,0010,002
Charge utile insuffisante (le modèle a refusé de juger)0,0040,000

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 Opus0,065
Tête enseignante GPT0,298
Écart entre enseignants0,233 · 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 source (Gemma direct ou Codex distillé), 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

Citations9
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueIEEE Transactions on Power DeliveryMême sujetPower System Reliability and MaintenanceTravaux en français237 207