Bulk System Reliability Assessment Incorporating Nodal Correlations in Supply–Demand Variabilities and Uncertainties Created with Net-Zero Emission Targets
Notice bibliographique
Résumé
Growing global concerns over reducing carbon emissions in the electricity market have accelerated the integration of renewable energy sources and electric vehicles, increasing variabilities and uncertainties across various nodes of power networks. System planners and operators recognize the importance of probabilistic bulk system reliability assessment methods capable of capturing the real-time behavior of components in the emerging systems. In this regard, the paper proposes a methodology for conducting bulk system reliability assessments of power system networks characterized by variable supply and demand profiles at different bulk power points. This paper implements a nodal negative load modeling method to integrate wind power generation in reliability assessment, capturing the cross-correlation between demand–supply variabilities at any node of the network. The multi-state load model employs the load cut-off strategy to reduce the number of demand scenarios, enhancing the computational efficiency. Moreover, the multi-state wind modeling approach considers the penetration levels, ensuring the impact of increasing penetration is appropriately captured. The methodology determines a list of a reduced set of scenarios for which consequence assessment needs to be conducted. The proposed framework and methods can readily be applied by power utilities, as these methods can be incorporated into most commercial software that uses an analytical approach for CSR assessment. The methodology is illustrated using the Roy Billinton Test System (RBTS) and can be effectively applied to other networks.
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 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| 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 ».