MétaCan
Menu
Retour à la cohorte
Enregistrement W6981770745

Fault location in distribution systems using mathematical analysis and support vector machine / Sophi Shilpa Gururajapathy

2017· other· en· W6981770745 sur OpenAlex

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.

aboutLe titre ou le résumé porte un signal canadien du lexique géographique.
no affAucune affiliation canadienne : ce travail est invisible pour une base fondée sur la seule affiliation.
Aucune affiliation canadienne. Une base fondée sur la seule affiliation (le devis habituel) n'aurait jamais vu ce travail. C'est l'un des travaux qui justifient l'inversion de la base.

Notice bibliographique

RevueUniversity of Malaya Students Repository · 2017
Typeother
Langueen
DomaineMedicine
ThématiqueDementia and Cognitive Impairment Research
Établissements canadiensnon disponible
Organismes subventionnairesUniversiti Malaya
Mots-clésFault (geology)Fault indicatorSupport vector machineVoltage sagEuclidean distanceStuck-at faultRanking (information retrieval)Fault coverage
DOInon disponible

Résumé

récupéré en direct d'OpenAlex

Distribution systems are continuously exposed to fault occurrences due to various reasons, such as lightning strike, failure of power system components due to aging of equipment and human error. These phenomena affect the system reliability and results in expensive repairs, damaged work in process, lost productivity and power loss to customers. Due to this, various intelligent methods have been developed to locate fault in distribution system. However, fault location using intelligent methods is challenging since it requires training data for processing. The training data is commonly created by simulation, which is time consuming. Therefore, in this work, a fault location method based on previous work is proposed using limited simulation data. The existing method was improved by estimating voltage sag data using support vector machine, thus limiting the simulated data. Faulty section is identified by comparing the actual voltage sag data with the simulated and estimated voltage sag data. An improved ranking and Euclidean distance approach for fault distance is also presented. A method using SVM is also proposed to identify the faulty phase, fault type, faulty section and fault distance. By having these features, a more accurate and effective fault location can be obtained. The method identifies faulty phase and fault type using support vector classification analysis. Meanwhile, the faulty section and the fault distance are identified using support vector regression analysis. The effectiveness of the proposed method was tested on an actual TNB distribution network from Malaysia and SaskPower distribution network from Canada. The test cases were conducted for all types of fault and for various fault resistances. The test results have proven the effectiveness of the proposed method in locating fault under various conditions. It has shown improvement over the existing trigonometric methods in locating different types of faults and may serve as an alternative technique for estimating fault location in distribution networks.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,071
Score d'incertitude au seuil0,742

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,011
Tête enseignante GPT0,288
Écart entre enseignants0,277 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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