Optimization-Based Method for Aggregate Wind and Solar Capacity Estimation and Feeder Power Prediction
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
In 2050, clean deep electrification will require the connection of innumerable distributed energy resources (DERs) to power distribution utilities. The current utility practice of requiring complete DER information for operational applications, such as short-term feeder power prediction (FPP), will not be feasible in the future considering innumerable DERs. Unlike existing studies on DER hosting capacity estimation—which focus on determining the maximum DER capacity a system can integrate without grid reinforcements—this study addresses the future challenge of estimating the aggregate capacity (EAC) of connected DERs. Additionally, it aims to forecast the feeder power at the medium-voltage (MV) level. The proposed approach integrates advanced optimization techniques with deep neural network (DNN) models. An optimization method is introduced, where the first stage involves training basic solar and wind DNN models. In the next stages, EAC values for DERs are determined, and a load model is developed. Once the models for DERs and loads are trained and their aggregate capacities are determined, the framework enables real-time short-term FPP by utilizing weather and chronological data as inputs. The proposed model is tested on real utility data, demonstrating an average accuracy of 97.45% for EAC and 97.29% for FPP. A comparison with a direct FPP shows the superiority of the proposed sequential approach.
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) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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