Revolutionising underfrequency load shedding schemes - the E-REDES initiative
Notice bibliographique
Résumé
Modernising and strengthening electric transmission and distribution systems is essential in a world increasingly reliant on electrification, distributed resources, and renewable energy integration. Underfrequency Load Shedding Schemes (UFLS) play a critical role in maintaining power system stability, especially during high demand or unexpected disruptions. E-REDES, the main Portuguese Distribution System Operator (DSO), in partnership with the Transmission System Operator (TSO), REN, is developing an automated UFLS approach to improve robustness, flexibility, and efficiency. The current manual UFLS process leads to inefficiencies, prompting the need for automatic calculations and monitoring to address energy transition challenges like distributed energy variability. E-REDES leverages Microsoft Azure Databricks to develop the new UFLS architecture, centralising data from multiple systems, including Geographic Information System (GIS), Outage Management System (OMS), and SCADA. This plan focuses on High Voltage (HV) to Medium Voltage (MV) Substations with frequency load-shedding systems. A rule-based algorithm introduces data consolidation, correlation techniques, and a multi-criteria approach for optimised load allocation. This initiative enhances operational efficiency and supports technical evolution, addressing new energy transition demands. The integration of advanced calculation and monitoring methodologies ensures a more responsive and adaptable system for managing power stability in an evolving energy landscape.
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 ».