Formal Probabilistic Risk Assessment using Theorem Proving with Applications in Power Systems
Notice bibliographique
Résumé
The central inquiry in many safety-critical systems is to assess the probability of all possible risk consequences that can occur in a system and its subsystems. In this research, we use theorem proving to formalize Event Trees (ET), Cause Consequence Diagrams (CCD) and Functional Block Diagrams (FBD), which are efficient techniques for probabilistic risk assessment at system and subsystem levels. Our approach provides the reasoning support with verified mathematical formulations that can analyze multi-level ETs, FBDs for complex systems, Cause Consequence Diagrams (CCD) based on Fault Trees (FT) as well as on Reliability Block Diagrams (RBD), as a novel approach. Also, the proposed formalizations of ETs/CCDs/FBDs allowed us to accurately determine of reliability indices, such as System/Customer Average Interruption Frequency and Duration (SAIFI, SAIDI and CAIDI) at system and subsystem levels. Moreover, we develop FBD and ET Modeling and Analysis (FETMA) software, which provides user-friendly features and graphical interfaces for industrial planners/designers. We applied our methods and tools on several realistic case studies from the power systems sector, i.e., the standard IEEE 3/39/118-bus electrical power generation/transmission/distribution networks, Quebec-New England High Voltage Direct Current (HVDC) transmission coupling system, multiple interconnected Micro-Grids, a nuclear power plant, transmission distance protection and a smart automated substation. Experimental results showed improvements compared to all existing reliability analysis methods in terms of scalability, expressiveness, accuracy and time.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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 ».