A Machine Learning-based Solution for Monitoring of Converters in Smart Grid Application
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The integration of renewable energy sources and the advancement of smart grid technologies have revolutionized the power distribution landscape. As the smart grid evolves, the monitoring and control of power converters play a crucial role in ensuring the stability and efficiency of the overall system. This research paper introduced a converter monitoring system in photovoltaic systems, the main concern is to protect the electrical system from disastrous failures that occur when the system is in operating condition. The reliability of the converters is significantly influenced by the degradation of their passive components, which can be characterized in various ways. For instance, the aging of inductors and capacitors can be char-acterized by a decrease in their inductance and capacitance values. Identifying which component is undergoing degradation and assessing whether it is in a critical condition or not, is crucial for implementing cost-effective maintenance strategies. This paper explores a set of classification algorithms, leveraging machine learning, trained on data collected from a Zeta converter simulated in Matlab Simulink. the report presents observations on how each algorithm effectively predicts the component and its condition and Graphical Performance Comparison for different ML Techniques serves as a crucial endeavor in evaluating and understanding the effectiveness of various ML approaches. The goal is to provide a comprehensive overview of how these techniques fare concerning criteria such as accuracy, precision, recall, F1 score, and Specificity among others. Quadratic Support Vector Machine (SVM) yields superior results compared to other machine learning techniques employed in training our dataset.
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.
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 | 0,000 |
| 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 découle