Leveraging Artificial Intelligence for Enhancing Power Grid Resilience to Extreme Weather Events: Applications and Challenges
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
The increasing frequency and magnitude of weather-related extreme events in recent years have severely impacted power grids. Examples of these extreme events include wildfires, heat waves, hurricanes, tornadoes, storms, flooding, etc. Extreme weather disturbances have rendered this critical infrastructure susceptible to disruption, risking essential services from health care to transportation. An important objective for many power utilities is to improve resilience and avoid widespread outages when faced with extreme events. The resilience goal of utility companies is to minimize the duration and magnitude of power outages and enable the rapid recovery of service after an outage event. For this purpose, various preventive and restorative resilience actions are required that can focus on adaptation plans as well as restoration plans that utilities can adopt to restore power to customers in an optimized fashion. However, one of the significant challenges that utilities face is to effectively handle large amounts of data from different sectors and utilize the data in an effective and optimized fashion for making resilience decisions and actions. This article discusses the data management practices required by electric power utilities to improve grid resilience and elaborates the applications of artificial intelligence (AI) for the enhanced resilience of electric power grids. The data management and AI applications are discussed from the perspective of preventive and mitigative actions on different power grid sectors, like generation, transmission, and distribution. The article concludes by summarizing the gaps in grid resilience research and technologies.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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