Bibliographic record
Abstract
L’objectif principal de la recherche est d’automatiser la régulation de la tension au niveau secondaire dans les réseaux électriques d’Hydro-Québec. Pour y parvenir, un réglage secondaire coordonné de tension (RSCT) a été utilisé. Les principales étapes à suivre pour implémenter un RSCT sont la division d’un réseau électrique en zones, le choix de noeuds pilotes représentatifs du profil de tension dans chaque zone et l’implémentation du contrôle en tant que telle. Le présent mémoire met à l’essai certaines méthodologies pour chacune des étapes. Pour la division d’un réseau électrique, l’utilisation des algorithmes de classification comme le « Fuzzy C-Means » et la carte auto-adaptative (« Self-Organizing Map » en anglais ou « SOM ») est mise à l’essai. Pour le choix des noeuds pilotes, une méthode de recherche globale effectuée à l’aide d’un algorithme génétique (AG) est mise à l’essai. Pour l’implémentation du RSCT, celle-ci est faite à l’aide d’une architecture simple utilisant des écoulements de puissance optimaux (« OPF ») dans le contrôle. Le réseau d’IEEE de 39 noeuds, le réseau d’IEEE de 118 noeuds, qui a été modifié, ainsi que le réseau d’Hydro-Québec ont été utilisés pour valider l’ensemble des méthodologies. En gros, le principe de fonctionnement du RSCT avec des OPF est concluant. Les principales recommandations consistent à améliorer la recherche de noeuds pilotes, à améliorer la discrétisation des « valeurs shunts » et à ajouter dans le contrôle la capacité de tenir compte des puissances réactives produites par les générateurs et de limiter les variations de tension sur ces derniers.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.000 | 0.001 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.001 | 0.000 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.000 | 0.001 |
| Insufficient payload (model declined to judge) | 0.004 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".