reXplan: A Novel Tool for the Analysis of Climate Resilience in Power Systems
Notice bibliographique
Résumé
The increase in extreme weather events induced by climate change, and their impact on power systems, has created a need for tools that can assess and improve system resilience. To meet this need, the R&D team of the Energy System Consulting segment of Tractebel Engineering GmbH has developed a novel tool called reXplan. ReXplan is a Python library for resilient electrical system planning under extreme hazard events, such as windstorms, earthquakes, floods, wildfire, etc. It is designed to help power system operators and planners make better-informed decisions to create more resilient and secure power grids. This paper provides an overview of reXplan’s main features, architecture, methodology of analysis and metrics. ReXplan is capable of modeling both spatiotemporal extreme events and electrical power systems. It leverages technologies and techniques such as Julia/JuMP package and sequential Monte Carlo analysis with multivariate stratified sampling to achieve high accuracy in the results while reducing computational load. By quantifying resiliency metrics, comparing different planning strategies, and validating technical solutions, reXplan can help reduce the risks of severe outages in the grid. The software can be easily integrated into common data science environments and is available as a Python library. For computationally intensive tasks, such as optimal power flow, reXplan is exploiting the fast speed of Julia programming language, using PowerModels.jl as backend.
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) | 0,001 | 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 | 0,001 | 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 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 ».