Risk-Based Optimization of Periodic Maintenance for Power Grid Equipment
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
Maintenance of electrical transmission equipment is key to ensure reliable power supply. Maintenance tasks are triggered by equipment failures (corrective maintenance), observed anomalies expected to lead to failures (condition-based maintenance), time (periodic preventive maintenance), or other factors. Periodic maintenance tasks are typically scheduled at fixed time intervals so degradation mechanisms can be detected and corrective measures applied as needed. Engineers generally choose these intervals based on their knowledge of failure mechanisms. In the context of electric power transmission systems, this should be a compromise considering at least equipment reliability, maintenance costs (for inspections, repairs, replacements and so forth), value of lost load (VoLL) and other risks inherent in power transmission (environmental, health, safety and so forth). Herein, an asset behaviour model, an event stochastic simulator, a power-flow simulator, and a risk model with a VoLL estimator are combined to quantify the total cost of periodic maintenance strategies. A blackbox optimization solver is then used to search for periodic maintenance strategies that minimize costs within specified constraints. As the event simulator uses a Monte Carlo method to output grid states where equipment fails according to preset statistical distributions, the problem is non-deterministic. However, timely and meaningful results can be obtained by adjusting the number of Monte Carlo cycles as well as the length of the timespan simulated and other parameters. This opens the way for multi-fidelity optimization, where these parameters are automatically adjusted during optimization. Ultimately, engineers may use this approach to select optimal periodic maintenance schedules that minimize the global risk for the system operator. The procedure is implemented with NOMAD (Nonlinear Optimization by Mesh Adaptive Direct Search), an open-source blackbox optimizer.
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