Metodologia para depuração off-line de parâmetros série e shunt de linhas de transmissão através de diversas amostras de medidas
Bibliographic record
Abstract
Neste trabalho propõe-se uma metodologia off-line, prática e eficiente, para detectar, identificar e corrigir erros em parâmetros série e shunt de linhas de transmissão. As linhas de transmissão, ou ramos do modelo barra-ramo, suspeitas de estarem com EPs são identificadas através do Índice de Suspeita (IS). O IS de um ramo é a relação entre o número de medidas incidentes a esse ramo, cujos resíduos normalizados são maiores que um valor pré-estabelecido, e o número total de medidas incidentes a esse ramo. Usando várias amostras de medidas, os parâmetros dos ramos suspeitos são estimados, de forma seqüencial, via um estimador de estado e parâmetros baseado nas equações normais, que aumenta o vetor de variáveis de estado para inclusão dos parâmetros suspeitos. Resultados numéricos de diversas simulações, com os sistemas de 14, 30 e 57 barras do IEEE, têm demonstrado a alta precisão e confiabilidade da metodologia proposta, mesmo na ocorrência de erros múltiplos (em mais de um parâmetro) em ramos adjacentes, como também em linhas de transmissão paralelas com compensação série. Comprovou-se a viabilidade prática da metodologia proposta através da aplicação da mesma, para depuração (detecção, identificação e correção) dos valores dos parâmetros de dois subsistemas da Hydro-Québec Trans-Énergie.
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 | 0.001 | 0.002 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.001 | 0.000 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.001 | 0.000 |
| Research integrity | 0.001 | 0.000 |
| Insufficient payload (model declined to judge) | 0.002 | 0.000 |
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".