XiaoMi-AI文件搜索系统
World File Search System可靠运行
关键基础设施政策杂志
2022 年 2 月，俄罗斯联邦入侵了拥有互联电网的国家乌克兰。1 虽然大多数分析师都关注俄罗斯袭击的军事层面，但对能源基础设施的影响既前所未有，也至关重要。俄罗斯有动机保持乌克兰电网的可靠运行。双方在攻击能源基础设施方面都表现出克制。俄罗斯的一个明显目标是保持难以替代的基础设施完好无损，尤其是水力发电厂和核电站。乌克兰的天然气管道系统依靠电网电力进行集中控制。俄罗斯通过乌克兰的管道向欧洲输送天然气，从而获利。所有国家都力求避免破坏本国社会的基础设施事故和人员迁移。尽管如此，通过出口禁令、海上封锁和物理攻击，俄罗斯已经破坏了乌克兰发电厂的燃料供应。在发电厂被迫停电、输电系统中断和蓄意攻击后，互联电网很容易发生连锁崩溃。随着冬季的临近，乌克兰电网的燃料供应将受到限制，电网崩溃的可能性增加。如果乌克兰电网长时间无法运行，可能会导致饥荒、疾病和冬季低温症导致大面积死亡。核反应堆熔毁和
使用卷积神经网络进行飞行中新奇事物检测
航空航天燃气涡轮发动机 (GTE) 是复杂的机器，必须对其进行监控和维护，以确保长期可靠运行 [1]。最大限度提高可靠性的一个关键概念是基于条件而不是基于计划的维护 [2]。这需要对发动机状况进行准确评估，但这可能很难获得。发动机状况通常相对于机队中的类似资产以及功能性能阈值进行评估，并且需要维护决策者具备专业的工程知识。传统上，评估发动机性能的有限人力资源由小型数据快照和故障模式特定功能工程支持。较大的数据包是临时从在役状态收集的，但这在后勤上成本高昂，并且通常仅限于观察到运行中断的情况。需要新的方法来支持更高效的在役操作。从发动机上放置的各种不同传感器获得的数据是评估发动机状况的主要资源。然而，由于传感器数量众多、飞行中带宽限制和机载存储限制，大多数当前系统无法将所有数据返回地面进行分析 [3]。因此，有必要
多层感知器和参数模型的混合集成用于智能电网的可靠性预测
摘要 电力系统的可靠运行是电力公司的一个主要目标，这需要准确的可靠性预测以最大限度地减少电力中断的持续时间。由于天气状况通常是智能电网（尤其是其配电网）电力中断的主要原因，本文全面研究了各种天气参数对配电网可靠性性能的综合影响。特别地，提出了一种基于多层感知器 (MLP) 的框架，使用常见天气数据的时间序列来预测一个配电管理区域中每日持续和瞬时电力中断的次数。首先，实施参数回归模型来分析每日电力中断次数与各种常见天气参数（如温度、降水量、气压、风速和闪电）之间的关系。然后将选定的天气参数和相应的参数模型作为输入，以建立 MLP 神经网络模型来预测每日电力中断次数。引入了一种改进的基于极限学习机 (ELM) 的分层学习算法，使用来自佛罗里达州电力公司的实时可靠性数据和来自国家气候数据中心 (NCDC) 的常见天气数据来训练制定的模型。此外，还实施了敏感性分析以确定各种影响
基于XGB-AKF方法的储能锂离子电池健康状态评估研究
锂离子电池具有能量密度高、循环寿命长、稳定性高等优点，被广泛应用于电动汽车、电网储能等领域。为保证电池系统安全可靠运行，准确快速地估计锂离子电池的健康状态（SOH）具有重要意义。锂离子电池是一个复杂的非线性动态系统，实际工作条件下锂离子电池的健康状态无法直接测得，只能通过反映电池老化程度的外特性参数来间接估计。基于单一老化特征或模型的方法难以保证可靠性。因此，本文提出了一种数据驱动的XGBoost与卡尔曼滤波相结合的多特征SOH估计方法。首先，采用主成分分析算法基于数据重构多种电池老化特征，并基于重构的特征数据构建融合多种特征的XGBoost在线估计模型。最后，该方法通过引入基于XGBoost模型实时校正的时域卡尔曼滤波实现了锂离子电池SOH的联合优化估计。结果表明，该方法提高了估计模型的准确性和鲁棒性，实现了锂离子电池SOH的高精度联合估计。
自动植物浇水系统
自动植物浇水系统的创建旨在通过基于土壤湿度水平的自动灌溉来简化植物护理和维持植物健康所需的工作。该项目使用 Arduino Uno 微控制器作为系统的核心，集成了土壤湿度传感器、继电器模块和微型水泵，以监测土壤状况并在需要时供水。该系统使用在线购买的套件中的可用组件和在线找到的 Arduino 代码构建而成。主要目标是创建一种经济高效且易于组装的解决方案，以减少灌溉中对人为干预的需求并防止灌溉不足或过度。通过实时分析土壤湿度，系统仅在必要时启动水泵，确保最佳用水量。在开发过程中，通过反复试验以及额外的在线指南解决了传感器校准、泵控制和电路设计等挑战。结果表明，该系统可以可靠运行，准确响应不同的湿度条件。潜在的改进将包括一个可以取代插入计算机的系统。总的来说，这个系统表明自己是一个有价值的工具。关键词 自动化、Arduino-Uno、灌溉、DIY、湿度传感器、节水、园艺
基于物联网的能源信息物理系统数字孪生
摘要：随着分布式能源（DER）的出现及其相关的通信和控制复杂性，需要一个高效的平台来消化所有传入数据并确保电力系统的可靠运行。数字孪生（DT）是一个新概念，可以释放巨大的机遇，可用于电力系统的不同控制和安全级别。本文提供了一种用于多种应用的能源信息物理系统（ECPS）实施建模的方法。介绍了两种 DT 类型，以涵盖需要集中监督决策的高带宽和低带宽应用。使用 Amazon Web Services（AWS）作为云主机验证和测试数字孪生的概念，该云主机可以整合物理和数据模型，并能够从不同的实际电力和控制实体接收实时测量值。实验结果证明了基于物联网 (IoT) 和云计算技术实时实现 ECPS DT 的可行性。低带宽 DT 情况下的归一化均方误差为 3.7%。在高带宽 DT 的情况下，所提出的方法在重建电压估计方面表现出色，仅从控制器的状态来看准确率就达到 98.2%。
菲律宾农村能源技术研究
摘要 农村可再生能源技术为促进菲律宾北萨马岛小村庄 Marubay 的农村发展创造了重要机会，该村庄受益于技术援助。水系统直接促进了村庄社会和经济福祉的改善——有助于实现可持续发展目标 6（“人人享有清洁水和卫生设施”）；为村庄提供安全管理的饮用水。可持续项目复制是衡量成功或失败的最终标准。当地机构应不断寻求探索农村可再生能源技术在水应用方面的动态，因为它们可以在最低限度的维护下可靠运行。然而，必须充分解决几个因素：当地居民对这项技术及其所能提供的内容的了解；提供当地可用的设备和服务、支付技术费用的能力以及获得融资机制的机会。社区的独特之处在于，由于社区的积极参与，供水设施是合适的。从而确保对项目的有效责任感和主人翁意识，以可持续和方便地使用供水系统。关键词：水治理、农村可再生能源技术、社区问责制、社会合作。
nistir 8323 - NIST 技术系列出版物
美国的国家和经济安全取决于国家关键基础设施的可靠运行。定位、导航和授时 (PNT) 服务广泛部署于整个基础设施中。为了减轻 PNT 中断或操纵的潜在影响，政府于 2020 年 2 月 12 日发布了行政命令 (EO) 13905，即“通过负责任地使用定位、导航和授时服务增强国家复原力”。美国商务部 (DoC) 下属的国家标准与技术研究所 (NIST) 制定了此自愿 PNT 配置文件，以响应第 4 节实施 (a)，详情请见 EO。PNT 配置文件是使用 NIST 网络安全框架创建的，可用作风险管理计划的一部分，帮助组织管理使用 PNT 服务的系统、网络和资产的风险。PNT 配置文件旨在广泛适用，并可作为制定特定行业指导的基础。此 PNT 配置文件为 PNT 用户提供了一个灵活的框架，用于管理在形成和使用 PNT 信号和数据时的风险，这些信号和数据容易受到自然、人为、有意或无意的干扰和操纵。
审查电动汽车中使用的转换器-IJRPR
电动汽车由于其巨大的环境利益以及减少对化石燃料的依赖的潜力而变得越来越流行。它们产生零直接排放，这可以帮助减轻空气污染并减少温室气体排放，从而促进应对气候变化的努力。电动汽车（EV）是一款由一个或多个电动机供电的汽车，使用存储在可充电电池或其他储能设备中的能量。与在汽油或柴油机上运行的传统内燃机车辆不同，电动汽车是由电动电动机推动的，电动汽车储存在车载电池中。在电动汽车中，转换器是必不可少的组件，可促进各种电气系统的高效和可靠运行。转换器的主要功能是将直流电流（DC）功率转换为交流电（AC）功率，反之亦然，具体取决于特定组件的要求。转换器对于电动汽车中的有效操作至关重要。他们将高压直流电源从电池转换为电动机的交流电源，从而使车辆推进。转换器还管理功率流，调节电压并通过再生制动为能量再生做出贡献。他们的高级功能，例如控制算法和通信界面，提高了电动汽车操作的总体效率，可靠性和安全性。
使用 LLM 框架评估电池健康状态
摘要 — 电池健康监测对于电动汽车 (EV) 的高效可靠运行至关重要。本研究引入了一种基于变压器的框架，利用基于循环和瞬时放电的数据来估计钛酸锂 (LTO) 电池的健康状态 (SoH) 并预测其剩余使用寿命 (RUL)。我们在 500 次循环中对 8 个 LTO 电池在各种循环条件下进行测试，展示了充电时间对能量存储趋势的影响，并应用差分电压分析 (DVA) 来监测电压范围内的容量变化 (dQ/dV)。我们的 LLM 模型实现了卓越的性能，平均绝对误差 (MAE) 低至 0.87%，并且具有支持高效处理的各种延迟指标，展示了其实时集成到 EV 中的强大潜力。该框架通过高分辨率数据中的异常检测有效地识别了退化的早期迹象，从而促进了预测性维护以防止电池突然故障并提高能源效率。索引词 — 电池退化、健康状态 (SoH)、剩余使用寿命 (RUL)、钛酸锂 (LTO)、差分电压分析 (DVA)、大型语言模型 (LLM)