Adaptive DDL Algorithm to Elucidate the Protection Misoperation in Malaysian Rapid Rail DC Traction System
Notice bibliographique
Résumé
In modern railway traffic systems, direct current (DC) electrification is a prevalent choice, with numerous traction networks adopting a variety of voltage levels to accommodate varying load current dynamics. These dynamics are influenced by passenger density, aggregate demand for electrical power, headways, and frequency of locomotive operations. Load currents are prone to surges during periods of dense traffic and transient phases such as acceleration, deceleration, and the start–stop sequences of trains. Such surges hold the potential to precipitate fault currents within the traction system, which are similar to those engendered by external anomalies. Conventional protection systems, such as the Détection Défaut Ligne'—French for 'Line Fault Detection), may not always effectively identify remote faults or prolonged overcurrent situations. These scenarios necessitate an advancement beyond the traditional fault detection methodologies, which are primarily reliant on fixed thresholds and may not account for the dynamic nature of the railway system's electrical load. This paper addresses the limitations inherent in the existing DDL protection mechanisms by focusing on the feeder attributes specific to the DC Traction System. In pursuit of this objective, we introduce an innovative adaptive current DDL algorithm to refine the rigid threshold paradigm inherent in the conventional approach. To facilitate a pragmatic assessment, the Rapid Rail network of Malaysia serves as a reference for emulating the railway's electrical system. This comprehensive analysis yields insights that are potentially useful for safety protocols in DC electrified railroad traffic systems.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 | 0,001 |
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 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 ».