MétaCan
Menu
Retour à la cohorte
Enregistrement W4391361249 · doi:10.18280/mmep.110102

Power Flow Analysis Using Numerical Computational Methods on a Standard IEEE 9-Bus Test System

2024· article· en· W4391361249 sur OpenAlexvenueno aff
Adedeji Tomide Akindadelo, Folorunsho A. Shodiya, Ayodeji Olalekan Salau, Olawale Joshua Olaluyi, Jeremiah Oluwatosin Bandele, Sepiribo Lucky Braide

Notice bibliographique

RevueMathematical Modelling and Engineering Problems · 2024
Typearticle
Langueen
DomaineEngineering
ThématiqueReal-time simulation and control systems
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésPower flowComputer scienceTest (biology)Flow (mathematics)Power-flow studyPower (physics)Electric power systemMechanicsGeologyPhysics

Résumé

récupéré en direct d'OpenAlex

Load flow is an important tool for studying, designing, and analyzing power systems.It allows power system engineers to determine whether the operation and configuration of the power system is safe under varying loading conditions.It is necessary to model and simulate such a system in order to determine the power flow and losses.This research paper focuses on using numerical methods such as Newton Raphson and Gauss Seidel power flow equations for load flow analysis to calculate bus voltage magnitudes, phase angles, real and reactive power of each bus of an IEEE 9-bus test system.Newton Raphson's computation offers fast, accurate convergence but demands complex implementation, whereas Gauss Siedel is simpler but converges slower with lower accuracy.The analysis was carried out using a MATLAB program.By manipulating variables such as power injections, voltage magnitudes, and phase angles, it solves nonlinear equations iteratively to establish stable operating points which aids in enhancing power system analysis.The line losses for the two methods are compared and the system's total load and generation power are also displayed.The consideration of line losses and assessment of total load generation is crucial for maintaining system efficiency, reliability and preventing voltage instability and equipment damage.The results are also used to generate a directed graph which shows the interconnected nature of the power system, aiding engineers in understanding power flow paths, identifying potential issues, and making informed decisions about system operations.The Newton Raphson method yields the lowest loss, with 4.585MW and 10.789Mvar.In comparison, the Gauss Seidel method achieved 4.809MW and 10.798Mvar.

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)0,001
score de la tête « metaresearch » (Gemma)0,002
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 enseignants0,014
Score d'incertitude au seuil0,028

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,002
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,000
Communication savante0,0010,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0050,000

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 Opus0,020
Tête enseignante GPT0,263
Écart entre enseignants0,243 · 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

Citations4
Publié2024
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueMathematical Modelling and Engineering ProblemsMême sujetReal-time simulation and control systemsTravaux en français237 207