Impact of Demand-Side Behavior on Line Switching and Reactive Power Management Considering Reconfiguration and Capacitor Costs
Notice bibliographique
Résumé
Altering the flow of power along branch reconfiguration of radial distribution feeders and mitigating the reactive power component through optimal shunt capacitor placement are proven methods for reducing energy losses in distribution systems. However, it is crucial to recognize that variations in load demand can significantly impact the magnitude of these energy losses and reactive power installation costs, potentially influencing the optimal placement of capacitors and the strategy for branch switching. Therefore, accounting for fluctuations in power demand when reconfiguring the network and positioning capacitors is of paramount importance. Nevertheless, incorporating changes in power demand while simultaneously optimizing branch configurations and addressing reactive power in radial feeders can complicate the computational aspects of the problem, leading to increased processing times. Conversely, disregarding the consumption patterns on the demand side can result in inaccurate calculations of distribution losses and related costs. Consequently, this study delves into the influence of demand patterns on the problem of network topology modification and capacitor assignment considering capacitor and switches investment. It aims to determine whether taking into account load variability is merely an option or an indispensable factor in minimizing the cost of energy losses, switching expenses, and reactive power installation budget via the placement of capacitors and altering the topology of the network. The analysis was carried out on multiple distribution grids using a classical optimization means known as a mathematical programming language (AMPL).
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 | 0,000 | 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 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 ».