Estimating Aggregate Capacity of Connected DERs and Forecasting Feeder Power Flow With Limited Data Availability
Notice bibliographique
Résumé
By 2050, zero-carbon electric power systems will rely heavily on innumerable distributed energy resources (DERs), such as wind and solar. Accurate estimation of the aggregate connected DER capacity becomes pivotal in such a landscape. However, forecasting, power flow analysis, and optimization of feeders for operational decision-making by individually modeling each of these numerous renewables in the absence of complete information are operationally challenging and technically impractical. In response, we introduce a method to accurately estimate the aggregate capacities of the connected DERs on distribution feeders and a near-term forecasting method. Our proposal comprises: 1) ovel deep learning-based architecture with a few convolutional neural network and long short-term memory (CNN-LSTM) modules to represent feeder connected aggregate models of DERs and loads and associated training algorithms; 2) method for estimating aggregate capacities of connected renewables and loads; and 3) method for short-term (hourly) high-resolution forecasting. This step of estimation of the aggregate capacities of connected DERs, is a sequel to solving feeder hosting capacity problem. The method is tested using a North American utility feeder data, achieving an average accuracy of 95.56% for forecasting aggregate load power, 93.70% for feeder flow predictions, and 97.53% for estimating the aggregate capacity of DERs.
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) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,003 |
| 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 ».