Determining Disturbance Recovery Conditions by Inverse Sensitivity Minimization
Notice bibliographique
Résumé
Power systems naturally experience disturbances, some of which can damage equipment and disrupt consumers. It is important to quickly assess the likely consequences of credible disturbances and take preventive action, if necessary. However, assessing the impact of potential disturbances is challenging because many of the influential factors, such as loading patterns, controller settings and load dynamics, are not precisely known. To address this issue, the paper introduces the concept of parameter-space recovery regions. For each disturbance, the corresponding recovery region is the region of parameter space for which the system will recover to the desired operating point. The boundary of the recovery region establishes the separation between parameter values that result in trouble-free recovery and those that incur undesirable non-recovery. The safety margin for a given set of parameter values is defined as the smallest distance (in parameter space) between the given values and the recovery boundary. Novel numerical algorithms with theoretical guarantees are presented for efficiently computing recovery boundaries and safety margins. Unlike prior methods, which tend to be overly conservative and restricted to low dimensional parameter space, these methods compute safety margins to arbitrary user-specified accuracy and do so efficiently in high dimensional parameter space. The efficacy of the methods is demonstrated using the IEEE 39-bus benchmark power system, where safety margins are computed for cases that consider up to 86 parameters, and reveal unexpected safety implications that would not have been observed otherwise.
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 ».