A systematic review of resilience strategies with emphasis on the role of machine learning and quantitative assessment under adverse operating conditions
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
This paper presents a simulation-based systematic review that quantitatively evaluates the effectiveness of various strategies in maintaining smart grid performance under different disturbances, using the IEEE 33-bus test system. The disturbances of islanding, line, generator, and renewable source outages, and their effect on the system resilience index were analyzed, showing a 3.46 % reduction compared to normal operation. To mitigate these impacts, several strategies were compared: the fixed Battery Energy Storage System (BESS) improved the resilience index by 2.78 %, the Mobile BESS (MBESS) achieved a 3.55 % enhancement, and demand response programs contributed only a 0.41 % enhancement. Additionally, in a line outage scenario between buses 6 and 26, the base case without BESS resulted in 0.460 MWh of Expected Energy not Served (EENS) and an equivalent outage duration of 0.12 h. In comparison, the integration of BESS reduced these values to 0.023 MWh and 0.01 h, highlighting the critical role of BESS in strengthening network resilience and ensuring service continuity. Additionally, this study reviews different Machine Learning (ML) methods across the four resilience phases and presents use cases for each phase. The study also presents recent DOE recommendations that prioritize low-cost, high-impact resilience measures. These include targeted investments in distributed generation, fuel security, robust distribution lines, smart monitoring, and vegetation management, demonstrating that grid resilience can be improved through practical, low-cost measures rather than major infrastructure projects. Consequently, this study offers practical insights for researchers on enhancing smart grid resilience.
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 | 0,000 |
| 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 découle