Multi-Step Controlled Islanding of Transmission Power Systems Using Constrained Spectral Clustering and Deep Learning Assistance
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
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.
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 | 0,001 | 0,001 |
| 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