MétaCan
Menu
Retour à la cohorte
Enregistrement W4313141255 · doi:10.1109/pesgm48719.2022.9916980

Analyzing Investment Strategies for Power System Resilience

2022· article· en· W4313141255 sur OpenAlexaff
Shandesh Bhattarai, Avishek Sapkota, Rajesh Karki

Notice bibliographique

Revue2022 IEEE Power & Energy Society General Meeting (PESGM) · 2022
Typearticle
Langueen
DomaineEngineering
ThématiqueInfrastructure Resilience and Vulnerability Analysis
Établissements canadiensUniversity of Saskatchewan
Organismes subventionnairesnon disponible
Mots-clésRisk analysis (engineering)Reliability (semiconductor)Reliability engineeringResilience (materials science)Electric power systemInvestment (military)Computer sciencePsychological resilienceWork (physics)Power (physics)EngineeringBusiness

Résumé

récupéré en direct d'OpenAlex

Extreme weather and other high impact low probability (HILP) events are occurring more frequently with increased severity on electric power systems. Even systems adequately designed to meet acceptable reliability standards are experiencing costly sustained outages due to HILP events. It is desired that power systems be resilient against such events. The engineering knowledge on power system resiliency is at an early stage, and considerable work is needed to achieve widely accepted standards, metrics, and guidelines for implementation. This paper presents a review of contributions made by researchers on resiliency models, evaluation methods and metrics, and analyzes the importance of power system resiliency in comparison to system reliability needs. The paper also investigates various strategies for resiliency improvement and the associated investment costs and presents useful arguments on how value-based resiliency investment can be addressed and implemented for societal benefits.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict), Études des sciences et des technologies
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: Empirique
Score de désaccord entre enseignants0,425
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0000,001
Études des sciences et des technologies0,0010,000
Communication savante0,0000,000
Science ouverte0,0010,000
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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 Opus0,010
Tête enseignante GPT0,232
Écart entre enseignants0,222 · 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 tête enseignante, pas un consensus.

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

Citations4
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revue2022 IEEE Power & Energy Society General Meeting (PESGM)Même sujetInfrastructure Resilience and Vulnerability AnalysisTravaux en français237 207