MétaCan
Menu
Retour à la cohorte
Enregistrement W4322759229 · doi:10.5281/zenodo.7689290

Robust dynamic state estimation of power systems with model uncertainties based on adaptive unscented H∞ filter

2019· article· en· W4322759229 sur OpenAlexfundno aff
Yi Wang, Yonghui Sun, Venkata Dinavahi, Kaike Wang, Dongliang Nan

Notice bibliographique

RevueZenodo (CERN European Organization for Nuclear Research) · 2019
Typearticle
Langueen
DomaineEngineering
ThématiquePower System Optimization and Stability
Établissements canadiensnon disponible
Organismes subventionnairesChina Scholarship CouncilFundamental Research Funds for the Central UniversitiesNatural Science Foundation of Jiangsu ProvinceGovernment of Jiangsu ProvinceNatural Sciences and Engineering Research Council of CanadaNational Natural Science Foundation of China
Mots-clésKalman filterControl theory (sociology)EstimationComputer scienceState (computer science)Unscented transformAdaptive filterMoving horizon estimationExtended Kalman filterEngineeringArtificial intelligenceAlgorithm

Résumé

récupéré en direct d'OpenAlex

This study considers the dynamic state estimation of power systems with model uncertainties that might be caused by the unknown noise statistics or unpredicted changes to the model parameters. To deal with these issues, an innovation-based estimator that is able to dynamically revise the statistics of system and measurement noise is proposed firstly. Then, based on the H∞ criteria for bounding the adverse influences on the estimation error of model uncertainties and unscented transform technique, an adaptive strategy is developed to adjust the estimation error covariance matrix under various conditions. Finally, by incorporating the proposed approaches and H∞ filter theory, a novel adaptive unscented H∞ filter is established to realise dynamic state estimation of power system against model uncertainties. Extensive simulation results obtained from the IEEE-39 bus test system are presented to illustrate the effectiveness and robustness of the proposed method.

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)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesCharge utile insuffisante (le modèle a refusé de juger)
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 enseignants0,965
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

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

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 Opus0,020
Tête enseignante GPT0,197
Écart entre enseignants0,178 · 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

Citations0
Publié2019
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueZenodo (CERN European Organization for Nuclear Research)Même sujetPower System Optimization and StabilityTravaux en français237 207