Resilience assessment of mobile emergency generator-assisted distribution networks: A stochastic geometry approach
Notice bibliographique
Résumé
The escalation of extreme weather events threatens power system infrastructures significantly. Mobile emergency generators (MEGs) render flexible restoration strategies against destructive events. However, with the continuous expansion of distribution networks, quantifying the impacts of MEGs becomes increasingly challenging due to extreme weather event-induced uncertainties. In this paper, we propose a stochastic geometry-based method for assessing the impact of MEG deployment on distribution networks under extreme weather events by investigating structural features. Firstly, we propose a distance measure to depict the electrical connection between power grid components. Subsequently, we adopt the point process and Voronoi tessellation to describe the spatial distribution of power grid components and the service coverage provided by MEGs in different scenarios. Then, we propose a set of assessment metrics to evaluate the survivability of power grid components and the resilience of distribution networks under extreme weather events. Finally, we derive accurate analytical expressions for the distance distribution and resilience metrics, such as coverage probability and load shedding, enabling us to explore the relationship between MEG deployment decisions, structure features, and power grid resilience. The proposed method empowers us to analytically assess the impact of MEG deployment on the resilience of distribution networks and provides beneficial insights to formulate efficient measures for enhancing resilience. Case studies demonstrate that the proposed method is accurate and efficient in dealing with network analysis and assessment problems for distribution networks under massive scenarios.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 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 | 0,000 |
| 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 ».