Performance assessment and optimization strategy of new energy distribution network fault self-healing system based on Monte Carlo simulation
Notice bibliographique
Résumé
The distribution network system is directly connected to users, and its faults directly affect people's daily life and economic activities.In order to realize rapid fault location, isolation and self-healing, this paper carries out a new energy distribution system reliability assessment based on sequential Monte Carlo simulation algorithm.Comparing the use of sequential simulation algorithms, non-sequential simulation algorithms and pseudo-sequential simulation algorithms in the state analysis of distribution network systems, the sequential Monte Carlo method is selected to establish a simulation model for distribution network reliability assessment.According to the "2-3-6" architecture system commonly used in distribution networks, a new energy distribution network self-healing system data communication scheme is designed.The Monte Carlo simulation method is used to model and analyze the reliability of new energy coupled components and to evaluate the reliability indexes.The simulation environment is designed and the RTDS model is used to test the self-healing system of intelligent devices in the distribution network.In the new energy distribution network data scheme designed in this paper, the distribution network self-healing technology is able to remove the fault time within 95ms and complete the fault point elimination work.And when the DG can make the far power side and the switch is located in the near power side, the distribution self-healing system is able to remove the fault point within 60ms time and complete the self-healing operation of the distribution network fault.
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) | 0,001 | 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 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 ».