Data Driven Reduced Pi-Model of Feeders for Distribution Network Representation With DERs for Fast Reconfiguration
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
Deep electrification by 2050 is expected to increase distribution systems by three to five times and include innumerable distributed energy resources (DERs). Robust methods for operations will be required. Reconfigurations, well researched for 50+ years, are created given the size and importance of present distribution systems. This paper proposes a network configuration method which is significantly dense, heavily loaded, societally important, and has innumerable loads and DERs. This method reduces sections of feeders with DERs to equivalent reduced Pi-Model representations. It then uses a regression model to correlate loading scenarios of the distribution to reduced Pi-Model parameters feeder sections. A regression model yields reduced Pi-Models of feeder sections, and they are used to construct a complete distribution system representation, with this reduced model used for reconfiguration. The proposed method was tested on modified 33-, 69- and 123-Bus data networks and reduced the number of buses to around 50%. Computing time was reduced by 26.30%, 58.54% and 67.33%, respectively while providing accuracy of 97.35%, 97.30%, and 99.05%, respectively. The computation time was lowered by 46.45% when the methodology was expanded to the North Dakota 880-Bus network. As the method scales for larger distribution systems, it should increasingly perform better.
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 | 0,002 |
| 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