Multi-Step Controlled Islanding of Transmission Power Systems Using Constrained Spectral Clustering and Deep Learning Assistance
Notice bibliographique
Résumé
This paper presents a multi-step controlled islanding (CI) approach for transmission power systems, utilizing spectral clustering techniques enhanced by deep learning assistance.The methodology aims to proactively divide the power grid into stable islands in response to severe faults, thereby preventing widespread outages.The approach commences with monitoring the power system based on voltage and frequency data, adhering to North American Electric Reliability Corporation (NERC) standards to detect critical system instability.Upon detecting a severe system state, coherency analysis is performed to identify coherent generator groups, which then is used in a constrained spectral clustering (CSC) algorithm to generate initial islanding solutions.To expand further potential solutions, a boundary space expansion (BSE) technique is applied.For each generated split option, relevant islanding indicators, including rate of change of frequency (ROCOF), normalized directed power imbalance (NDPI), inter-cluster voltage angle indicator (ICVAI), and root mean square error (RMSE) indicators, are calculated.A deep learning model, trained on historical simulations and the relationship between these indicators and an overall system stability score, is then employed to predict the optimal cut set, facilitating informed decision-making by system operators.The proposed approach has been validated through RMS simulations on the IEEE 9-Bus and IEEE 39-Bus systems, demonstrating its capability to accurately detect system instability, identify coherent generator groups, and effectively rank potential islanding solutions.The generic nature of the trained deep learning model suggests its potential applicability to diverse power system models.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 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 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».