Extreme outage prediction in power systems using a new deep generative Informer model
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
• We propose a deep generative model for power data rebalancing and outage prediction. • We propose a deep generative model for data rebalancing in power systems. • We propose a deep model embedded via a classification-specific loss function. • Two-step classification approach has been used in the proposed outage predict. • Proposed method enhances the prediction accuracy considering its imbalanced data. Extreme weather events have made growing concerns over electric power grid infrastructure as well as the residents living in disaster areas. Moreover, the potential damages due to the extreme events can make serious challenges for supply reliability and security, leading to widespread power outages in power systems. This paper proposes a deep learning-based framework for power data rebalancing and outage prediction in power systems to cope with the extreme events. To this end, we propose an Adaptive Wasserstein Conditional Generative Adversarial Network for data generation. Also, we propose a new Wasserstein Bidirectional Generative Adversarial Network with the Informer model, embedded in both the Generator and Discriminator Networks, plus an Encoder Network for the outage prediction in power systems. Two-step classification approach has been used in the proposed outage prediction model: classifying the power grid components into impacted and non-impacted categories and classifying the impacted category into in-service and out-of-service categories. In addition, a new classification-specific loss function is proposed for the minimax objective function of the Vanilla Generative Adversarial Network to improve the prediction performance in the latent space. Evaluation results of the proposed model and 15 comparative models in three groups using six evaluation metrics on a real-world test case demonstrate the superiority of the proposed model compared to all comparative models. These results confirm that the proposed outage prediction model can be effectively employed for accurately predicting extreme outages in power systems.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 découle