A comprehensive systematic and bibliometric review of technologies and measurement tools for power quality events detection, classification, and fault location in smart grids
Notice bibliographique
Résumé
Integrating inverter-based resources (IBRs) into smart grids (SGs) introduces new technical challenges for power quality (PQ) maintenance as well as fault detection and system reliability. Several recent studies have explored various aspects of SGs to enhance power quality, as well as fault detection, localization, and classification. However, several factors still require further improvement. This review paper employs systematic review and bibliometric analysis to examine advanced SG technologies such as automatic voltage regulation (AVR), advanced metering infrastructure (AMI), automatic generation control (AGC), and wide area measurement systems (WAMS) before comparing their effectiveness at addressing operational problems such as voltage regulation as well as outage management and data processing. The study examines measurement tools such as phasor measurement units (PMUs), smart meters (SMs), digital measurement units (DMUs), and waveform measurement units (WMUs) to understand their roles in PQ events detection, classification, and location identification. Research trends and emerging technologies along with current research gaps were identified through a bibliometric study of peer-reviewed articles from Web of Science (2013–2024) using VOS Viewer visualization techniques. A combined analysis delivers an integrated view that shows how smart grid innovations and measurement solutions boost monitoring capabilities while simultaneously improving event analysis and grid resilience in contemporary power systems. • Systematic and bibliometric review of smart grid technologies. • Comparative survey of measurement tools in smart grids: PMUs, WMUs, SMs, DMUs. • Power quality events detection, classification, and fault location methods. • Analysis of technology devices supporting grid monitoring and resilience. • Research gaps and future directions for next-generation smart grids.
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 | 0,014 | 0,078 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,005 | 0,004 |
| Bibliométrie | 0,089 | 0,115 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,005 | 0,006 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 0,001 |
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 ».