XiaoMi-AI文件搜索系统
World File Search System动态模型
WECC 认可的动态模型库
esac3a ESAC3A ESAC3A AC3A 已批准 1/21/11 2005 IEEE 标准 - 更新 AC3A 在所有程序中 esac3c AC3C AC3C AC3C 已批准 4/22/20 exac4 EXAC4 EXAC4 AC4A 已批准 8/11/06 带可控整流器的旋转交流电 (Althyrex) (罕见) 与 IEEE AC4A 不同 - 没有 OEL/UEL 输入 esac4a ESAC4A ESAC4A AC4A 已批准 1/21/11 2005 IEEE 标准 - 更新 AC4A 在所有程序中 esac4c AC4C AC4C AC4C 已批准 4/22/20 esac5a ESAC5A ESAC5A AC5A 已批准 1/21/11 简化无刷励磁机 在所有程序中 esac5c AC5C AC5C 已批准 4/22/20 exac6a ESAC6A EXAC6A AC6A 从未批准 交流发电机，非控制整流器，超前滞后 与 IEEE AC6A 不同 - 没有 OEL/UEL 输入；速度乘法器，不是 PSS/E 的新模型（模型已经存在） esac6a ESAC6A ESAC6A AC6A 批准 1/21/11 2005 IEEE 标准 - 更新的 AC6A 在所有程序中 esac6c AC6C AC6C AC6C 批准 4/22/20 esac7b AC7B ESAC7B 和 AC7B AC7B 批准 1/21/11 2005 IEEE 标准 - 新 在所有程序中 esac7c AC7C AC7C AC7C 批准 4/22/20 exac8b ESAC8B EXAC8B ESAC8B 批准 8/11/06 带 PID 电压调节器的无刷励磁机 与 IEEE AC8B 不同 - 没有励磁机上限；增加了输入限制和速度乘数 esac8b AC8B ESAC8B_GE 和 AC8B AC8B 已批准 1/21/11 2005 IEEE 标准 - 更新了 AC8B 在所有程序中 esac8c AC8C AC8C AC8C 已批准 4/22/20 esac9c AC9C AC9C AC9C 已批准 4/22/20 esac10c AC10C AC10C 已批准 4/22/20 AC11C AC11C AC11C 已批准 4/22/20 exbbc BBSEX1 EXBBC 和 BBSEX1 已批准 8/11/06 静态带 ABB 调节器 在所有程序中 exdc1 IEEEX1 EXDC1 和 IEEEX1 DC1A 已批准 8/11/06 旋转直流 与 IEEE DC1A 不同 - 没有 UEL 输入；速度倍增器 esdc1a ESDC1A ESDC1A DC1A 已批准 1/21/11 2005 IEEE 标准 - 更新了 DC1A 在所有程序中 esdc1c DC1C DC1C DC1C 已批准 4/22/20 exdc2 EXDC2 EXDC2_GE 和 EXDC2_PTI 已批准 8/11/06 带有终端供电先导的旋转直流电、交替反馈 exdc2a EXDC2 EXDC2A 和 EXDC2_PTI DC2A 已批准 8/11/06 带有终端供电先导的旋转直流电 与 IEEE DC2A 不同 - 没有 UEL 输入；速度倍增器 esdc2a ESDC2A ESDC2A DC2A 已批准 2005 年 1 月 21 日 IEEE 标准 - 在所有程序中更新了 DC2A esdc2c DC2C DC2C DC2C 已批准 20 年 4 月 22 日 exdc4 IEEET4 EXDC4 和 IEEET4 DC3A 已批准 2006 年 8 月 11 日 旋转、非连续 - 模型间细微差别 如果 Kr = 0，应转换为 IEEEX4 (IEEE DC3A)。在 PSS/E -32 中添加了模型。 esdc3a DC3A ESDC3A 和 DC3A DC3A 已批准 1/21/11 旋转，非连续 在所有程序中 esdc4b DC4B ESDC4B DC4B 已批准 1/21/11 带 PID 的旋转直流 在所有程序中 esdc4c DC4C DC4C DC4C 已批准 4/22/20 exeli EXELI EXELI 已批准 8/11/06 静态 PI 变压器供电励磁系统 exst1 EXST1 EXST1_GE 和 EXST1_PTI ST1A 已批准 8/11/06 静态双超前/滞后 与 IEEE ST1A 不同 - 没有 OEL/UEL 输入；添加了 Xe Ifd 负载；RFB 在励磁电流限制器之前。esst1a ESST1A ESST1A 和 ESST1A_GE ST1A 已批准 1/21/11 在所有程序中 esst1c ST1C ST1C ST1C 已批准 4/22/20 exst2 EXST2 EXST2 已批准 8/11/06 SCPT - 添加了超前/滞后块（Tc、Tb） exst2a ESST2A EXST2A ST2A 已批准 8/11/06 包含超前/滞后块（Tc、Tb）以匹配 WECC FM 与 IEEE ST2A 不同 - 没有 UEL 输入；添加了超前/滞后。 esst2a ESST2A ESST2A ST2A 已批准 2005 年 1 月 21 日 IEEE 标准 - 更新的 ST2A esst2c ST2C ST2C ST2C 已批准 20 年 4 月 22 日 exst3 EXST3 EXST3 ST3 已批准 2006 年 8 月 11 日 exst3a ESST3A EXST3A ST3A 已批准 2006 年 8 月 11 日 用于 GE Generex 与 IEEE ST2A 不同 - 没有 UEL 输入；时间常数较少。esst3a ESST3A ESST3A ST3A 已批准 2005 年 1 月 21 日 IEEE 标准 - 更新的 ST3A esst3c ST3C ST3C 已批准 20 年 4 月 22 日
引用：LV J，Wang C，Gao X等。动态模型的开发和验证，以预测急性Myo
抽象目标不良事件和预后因素的风险在急性心肌梗塞（AMI）后在不同的时间阶段发生变化。在AMI住院后的早期，不良事件的发生率很大。因此，需要动态风险预测来指导AMI的入院后管理。本研究旨在为AMI后的患者开发动态风险预测工具。设计前瞻性队列的回顾性分析。在中国设立108家医院。参与者在中国急性心肌梗塞注册处总共有23名887例患者。主要结果衡量全因死亡率。结果进行多变量分析，年龄，先前的中风，心率，杀伤类，左心室射血分数（LVEF），院内经皮冠状动脉干预（PCI）（PCI），复发性心肌缺血，再生心脏梗死，心脏故障，心脏故障，心脏故障，心脏故障（HF）在住院期间与远期治疗相关，并在抗年度施工时进行了抗衡状态。与30天至2岁之间的死亡率有关的变量，包括年龄，先前的肾功能障碍，HF病史，AMI分类，心率，Killip类，血红蛋白，LVEF，Hospital PCI，Hospital PCI，HF，HF在住院期间，HF在出院后30天内在30天内恶化，抗血小板治疗，抗乳状细胞疗法，β受体抑制作用，β受体抑制作用，β受体抑制作用，β受体抑制作用，β受体抑制作用，β受体抑制作用，β受体抑制作用，β受体抑制剂在30天内使用。包括不良事件和药物的包含显着提高了没有这些指数的模型的预测性能（似然比测试P <0.0001）。这两组预测因子用于建立动态预后列图，以预测AMI患者的死亡率。C索引的c指数为30天和2年的预后命名图为0.85（95％CI 0.83-0.88）和0.83（95％CI 0.81-0.84）的衍生归因于0.79，0.79（0.79）（95％CI 0.71-0.86）和0.71-0.86）和0.81（95％CI coi cos in valiality CORERTIATY in VILATIONS）（95％0.79-0.79-0.79-0.79-0.79-9-0）--84）--84）--84）--84）--84）--84） - 184） - 84） - 84） - 184） - 184） - 184） - 184） - 184） - 184） - 184） - 184） - 184-0） - 84） 校准。
血脑屏障微流控体外三维动态模型用于研究免疫细胞的迁移
摘要：为了研究新化学和生物实体的生物分布，血脑屏障 (BBB) 的体外模型可能成为药物发现早期阶段的重要工具。在这里，我们展示了我们设计的内部三维 BBB 生物芯片的概念验证。这种三维动态 BBB 模型由内皮细胞和星形胶质细胞组成，它们在模拟血流的流动条件下共培养在聚合物涂层膜的相对两侧。我们的结果证明了 BBB 非常有效，证据是 (i) 跨内皮电阻 (TEER) 增加了 30 倍，(ii) 紧密连接蛋白的表达显著增加，以及 (iii) 与静态体外 BBB 模型相比，我们的技术解决方案具有较低的 FITC-葡聚糖渗透性。重要的是，我们的三维 BBB 模型有效地表达了 P-糖蛋白 (Pg-p)，这是脑源性内皮细胞的标志性特征。总之，我们在此提供了一种完整的整体方法和对整个 BBB 系统的见解，可能在临床和制药领域带来转化意义。
EEG P-ADIC量子潜力准确地识别抑郁症，精神分裂症和认知能力下降非暴力抵抗策略的动态模型
为什么即使有适度的参与人数也能成功进行某些非暴力革命，而尽管大规模动员了，但其他革命也失败了？我们开发了一个基于代理的模型，该模型可以预测三种著名的激进主义策略的结果。第一个迅速招募了许多激进主义者，这使对手的支持网络不堪重负，并鼓励大规模叛逃。在第二个动员的激进主义者中，即使他们无法自行测试，也已经致力于成功，并激发其他平民抗议。在第三个战略中，运动将精力和影响力直接集中在政权的支持支柱上。我们发现，即使广告系列的大小很小，这第三个策略即使在产生赤字方面都优于其他策略。当激进主义者拥有有关支柱对政权忠诚度水平的信息时，他们可以针对最有可能缺陷的统治者说服力。重要的是，对于中小型运动，专注于支柱（尤其是忠诚的支柱）的策略比仅依靠快速动员和数值优势更有可能取得成功。
EEG P-ADIC量子潜力准确地识别抑郁症，精神分裂症和认知能力下降 非暴力抵抗策略的动态模型
对于大多数神经精神疾病，尚无可用来帮助早期诊断和及时治疗干预的诊断或预测工具。开发了基于常规的脑电图记录，量子潜在的平均值和可变性评分（QPMV）以高精度识别具有高精度的神经精神和神经认知失误。假定大脑中的信息过程涉及大脑各个区域中神经元活性的整合。因此，假定的量子样结构允许量化连通性作为空间和时间（局部性）的函数以及信息空间（非局部性）中类似量子的效应的函数。eeg信号反映了大脑的整体（不可分割）功能，包括大脑的高度层次结构，该功能由量子电位根据Bohmian力学表达，并结合了数据和PADIC数字的树状图表示。参与者由230名参与者组成，其中包括28名患有严重抑郁症的参与者，42名精神分裂症，65名认知障碍和95个对照。常规的脑电图记录用于基于超级分析的QPMV，与P -ADIC数字和量子理论紧密结合。新型的EEG分析算法（QPMV）似乎是诊断神经精神疾病和神经认知疾病的有用且足够准确的工具，并且可能能够预测疾病的病程和治疗的反应。基于曲线下的面积，在将健康对照与诊断为精神分裂症（p <0.0001）（p <0.0001），阿尔茨海默氏病，阿尔茨海默氏病（AD; p <0.0001）和轻度认知障碍（MCI; p <0.0001）以及与Schizeprenrren的参与者（p <0.0001）以及p <0.000 <0.000 <0.000 <0.000 <0.000 <0.0001）中获得了高准确性。 0.0001）或MCI（p <0.0001）以及与AD（P <0.0001）或MCI（P <0.0001）的抑郁症患者区分开来。
流行病、激励措施和经济政策：动态模型
疫情的爆发是一种外生冲击，但传染的动态在很大程度上是内生的——取决于个人在激励下做出的选择。在这种情况下，经济政策不仅可以通过减轻经济损失来发挥作用，还可以通过影响疫情本身轨迹的激励来发挥作用。我们在受疫情影响的经济体的动态均衡模型中发展了这一想法。与传统的 SIR 模型一样，感染率取决于人们在家里和外出工作的时间。但在我们的模型中，是否外出工作是由个人做出的决定，他们在今天外出工作的更高报酬与更高的感染风险以及预期的未来经济和健康相关损失之间做出权衡。因此，疫情动态取决于传统模型中无关的因素。特别是，预期和前瞻性行为至关重要，可能导致具有不同水平的经济活动、感染和死亡的多重均衡。分析产生了新的政策教训。例如，类似于美国《关怀法案》的财政方案中所包含的激励措施可能会导致两波感染。
大流行，激励和经济政策：动态模型
大流行的出现是一种外源性休克，但是传染的动态非常内源性 - 取决于个人在激励措施中做出的选择。在这样的事件中，经济政策不仅可以减轻经济损失，而且可以通过影响大流行本身的轨迹的激励措施来产生改变。我们在经济的动态平衡模型中发展了这一想法。就像在传统的Sir模型中一样，感染率取决于人们在家中花费多少时间而不是在家外工作。但是，在我们的模型中，是否要上班是一个个人做出的决定，他们在今天外部工作与更高的感染风险以及预期的未来经济和健康相关的损失做出了更高的薪水。结果，大流行动力学取决于在常规模型中无关的因素。特别是，期望和前瞻性行为至关重要，可能导致均衡，经济活动，感染和死亡的水平不同。分析得出新颖的政策课程。例如，嵌入类似于《美国照顾法》的财政包装中的激励措施可能导致两种感染波。
基于车辆动态模型的导航中气动系数的自校准
摘要：基于车辆动态模型 (VDM) 的导航性能在很大程度上取决于先验未知的气动系数的准确确定。在不同的技术中，例如模型模拟或风洞中的实验分析，通过有利于全球导航卫星系统 (GNSS) 定位的状态空间增强进行自校准的方法是一种有趣且经济的替代方案。我们在模拟下研究这种技术，目的是确定飞机机动对气动系数之间以及与其他误差状态的精度和（去）相关性的影响。不同机动的组合表明对于获得令人满意的气动系数估计并减少其不确定性至关重要。
基于车辆动态模型导航中气动系数自校准的研究
摘要：基于车辆动态模型 (VDM) 的导航性能在很大程度上取决于先验未知的气动系数的准确确定。在模型模拟或风洞实验分析等不同技术中，通过有利于全球导航卫星系统 (GNSS) 定位的状态空间增强进行自校准的方法是一种有趣且经济的替代方案。我们在模拟下研究这种技术，目的是确定飞机机动对气动系数之间以及与其他误差状态的精度和（去）相关性的影响。不同机动的组合表明对于获得令人满意的气动系数估计并减少其不确定性至关重要。
用于电力系统稳定性分析的大规模电池储能系统动态模型
电池储能系统 (BESS) 在电网中日益增长的兴趣凸显了其在未来电网中的重要作用。在电网的传输层，大型电池由于其快速响应可以提供负载频率控制。电池集成到电网中可以有效地减少由小负载扰动引起的频率和联络线功率曲线的振荡 [1]。一般来说，较小的时间常数、快速响应和高能量密度为 BESS 在电力系统中创造了广泛的潜在应用。关于 BESS 在电力系统中的不同应用，有大量的文献。[2] - [3] 研究了结合 AGC 的电池对负载频率调节的影响。此外，[4] 和 [5] 研究了作为微电网和大型风电场备用电池。在 [4] 中，表明孤立微电网中的大规模电池储能可以改善微电网响应电力系统动态的动态性能。在 [5] 中，从电力系统稳定性和控制的角度研究了电池集成在风电场中的影响。此外，电力系统中的电池集成可以改善大型风电系统的频谱响应，并抑制系统的频率振荡。在 [6] 中，设计了用于充电模式的风电场和 BESS 的协调控制器，以保证电网频谱响应与期望响应几乎完美匹配。电力系统中的大规模电池集成还可以提高电力系统的暂态稳定性