Data-Driven Resilience Enhancement for Power Distribution Systems Against Multishocks of Earthquakes
Notice bibliographique
Résumé
Earthquakes, which consist of one intensive main shock and a series of aftershocks, can significantly damage power distribution systems (PDSs). In this article, a data-driven PDS resilience enhancement strategy is proposed against multishocks of earthquakes. In particular, the investment and prepositioning of mobile emergency generators (MEGs) is determined against multishocks of earthquakes. The reallocation of MEG and the repair scheduling are obtained considering aftershocks and postrestoration failures. A resistibility index (RI) is developed based on hierarchical hidden Markov model (HHMM) for stochastic resilience evaluation. The historical earthquake data are incorporated into the HHMM as observed information of multishocks of earthquakes. Based on the RI, the problems of prepositioning and reallocation of MEGs are formulated as mixed-integer programming problems. The problem of repair scheduling is formulated as an adaptive multiperiod two-stage stochastic programming problem, for which a revision period is introduced to allow the decisions to adapt to the uncertainties after the revision. To reduce the computational complexity, an iterative algorithm is presented based on linear programming relaxation. The strategy is verified via case studies on the IEEE 123-Node Test Feeder and historical earthquake data. It shows by considering RI, the resilience of restoration can be optimized against future shocks of earthquakes. Also, the overall consideration of MEG investment, prepositioning, reallocation, and repair scheduling against multishocks of earthquakes can achieve an improved restoration performance.
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 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 ».