A Novel Hypothesis Testing-Based Scheme for Root Cause Classification of Disturbances in Distribution Systems
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 power systems, disturbances often result from faults or operational events, making it crucial to accurately identify their sources to prevent system failures and maintain grid stability. Existing research primarily classifies disturbances based on waveform characteristics, such as sags, swells, and transients, without determining their root causes, including incipient faults, constant impedance faults, load switching, and capacitor switching events. This paper proposes a hypothesis testing-based scheme for classifying power distribution disturbances by their root causes, ensuring reliable and interpretable results without extensive datasets. The scheme uses discrete-time voltage and current measurements at substations to develop disturbance models for substation voltages, incorporating disturbance parameters and load impedance. Load impedance is estimated from recent normal cycles, and disturbance parameters are then derived using substation measurements and the estimated load impedance. By substituting these estimated parameters into the corresponding disturbance models, substation voltages for each disturbance type are estimated. The disturbance type is classified by selecting the one that minimizes the normalized mean square error between the estimated and measured substation voltages. The proposed method is evaluated using the IEEE 13-bus test feeder simulated in PSCAD/EMTDC and validated on a two-day real-world power system dataset collected by the IEEE Power & Energy Society Working Group on Power Quality Data Analytics.
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 | 0,000 | 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 | 0,001 |
| Science ouverte | 0,001 | 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 découle