XiaoMi-AI文件搜索系统
World File Search System总功率
巴西航空工业公司 190/195 飞机 DC-Link VSCF 交流电源系统的设计
介绍了一种用于 Embraer 190/195 运输类飞机的新型 DC-Link VSCF AC-DC-AC 电力系统转换器。所提出的转换器可以取代现有的基于 CSCF IDG 的传统系统。几架当代生产飞机已经将 VSCF 作为主要或备用电源。过去，较旧的 VSCF 系统存在问题；然而，开关电源电子和数字控制器已经成熟，我们认为现在可以安全地集成并取代现有的为 CSCF AC 发电机供电的恒速液压传动装置。使用 IGBT 功率晶体管进行中等水平的功率转换和相对快速有效的切换。利用 VSCF 进行电力发电、转换、分配、保护和负载管理可提供传统 CSCF IDG 系统所不具备的灵活性、冗余性和可靠性。针对 E190/195 提出的 DC-Link VSCF 系统利用 12 脉冲整流器、降压转换器和 3-w 12 步逆变器（带 DY、YY 和 YD 3-w 变压器）提供多个级别的 3-w 交流和直流电源，即 330/270/28 VDC 和 200/115/26 VAC。使用三个参考交流相位信号和高达 100 kHz 三角载波的传统双极双边载波脉宽调制可用于消除所有偶数和许多奇数超谐波。无源低通滤波器用于消除高次谐波。RL 交流负载与同步和感应交流电机连接时处于活动状态，还包括无源交流负载。总功率因数超过 85%。电压和电流的总谐波失真低于 5%，因此满足 MIL-STD-704F 和 IEEE Std. 519 电能质量标准，同时避免了有源滤波器的需要。使用连续周期调谐方法设计和调谐了几个用于调节同步发电机直流励磁和逆变器组的 PI 和 PID 控制器，以提供所需的性能和反馈回路的稳定性。Mathworks 的 Simulink TM 软件用于电气元件和电路的仿真。模拟了飞机运行的几个关键场景，例如复飞，以评估 VSCF 系统的瞬态行为。
为 Embraer 190/195 飞机设计 DC-Link VSCF 交流电源系统
提出了一种用于 Embraer 190/195 运输类飞机的新型 DC-Link VSCF AC-DC-AC 电力系统转换器。所提出的转换器可以取代现有的基于 CSCF IDG 的传统系统。几架当代生产的飞机已经将 VSCF 作为主要或备用电源。过去旧的 VSCF 系统存在问题；然而，开关电源电子和数字控制器已经成熟，我们认为现在可以安全地集成并取代现有的为 CSCF AC 发电机供电的恒速液压传动装置。使用 IGBT 功率晶体管进行中等水平的功率转换和相对快速有效的切换。利用 VSCF 进行电力生成、转换、分配、保护和负载管理提供了传统 CSCF IDG 系统所不具备的灵活性、冗余性和可靠性。针对 E190/195 提出的 DC-Link VSCF 系统利用 12 脉冲整流器、降压转换器和 3-w 12 步逆变器（带 D-Y、Y-Y 和 Y-D 3-w 变压器）提供多个级别的 3-w 交流和直流电源，即 330/270/28 VDC 和 200/115/26 VAC。使用三个参考交流相位信号和高达 100 kHz 三角载波的传统双极双边载波脉宽调制可用于消除所有偶数和许多奇数超谐波。无源低通滤波器用于消除高次谐波。RL 交流负载与同步和感应交流电机相关，并且还包括无源交流负载。总功率因数超过 85%。电压和电流的总谐波失真低于 5%，从而满足 MIL-STD-704F 和 IEEE Std.519 电能质量标准，同时避免了有源滤波器的需要。使用连续周期调谐方法设计和调谐了几个调节同步发电机直流励磁和逆变器组的 PI 和 PID 控制器，以提供反馈回路所需的性能和稳定性。Mathworks 的 Simulink TM 软件用于电气元件和电路的仿真。模拟了飞机运行的几个关键场景，例如复飞，以评估 VSCF 系统的瞬态行为。
富勒烯受体有机太阳能电池
背景：脑电图（EEG）越来越多地用于监测全身麻醉的深度，但是大麻醉监测的EEG数据很少被重复用于研究。在这里，我们探索了从一般麻醉中重新利用脑电图监测，用于使用机器学习进行大脑年龄建模。我们假设在全身麻醉期间从脑电图估算的大脑年龄与围手术期风险有关。方法：我们在稳定的丙泊酚或稳定的丙烷麻醉下重新分析了323例患者的四局EEG，以研究四个EEG特征（EEG功率的95％（95％EEG功率<8 E 13 Hz）的年龄预测：总功率，Alpha频段，Alpha频段，Alpha band Power（8 E 13 Hz），Power Spectrum和Spatial spatial和Spatsial spatsial sy fromeny confurears和Spats spats spatsial sy频率。我们在丙泊酚麻醉期间由健康参考组（ASA 1或2）的EEG构建了年龄预测模型。尽管所有签名都是信息丰富的，但最先进的年龄预测性能通过沿整个功率谱的电极进行解析（平均绝对误差¼8.2岁； R2¼0.65）来解锁。结果：ASA 1或2例患者的临床探索表明，脑年龄与术中爆发抑制正相关，这是全身麻醉并发症的危险因素。令人惊讶的是，大脑年龄与较高的ASA分数患者的爆发抑制作用，表明隐藏的混杂因素。次级分析表明，与年龄相关的脑电图特征是丙泊酚麻醉的特异性，这是通过有限的模型概括对用sevo lureane维持的麻醉的。结论：尽管全身麻醉的脑电图可能实现最新的年龄预测，但麻醉药物之间的差异会影响脑时代模型的有效性和有效性。为了释放脑电图监测临床研究的休眠潜力，至关重要的是，具有精确记录药物剂量的异质种群的较大数据集至关重要。
重新利用脑电图监测用于建立脑老化生物标志物的一般麻醉：探索性研究
背景：脑电图（EEG）越来越多地用于监测全身麻醉的深度，但是大麻醉监测的EEG数据很少被重复用于研究。在这里，我们探索了从一般麻醉中重新利用脑电图监测，用于使用机器学习进行大脑年龄建模。我们假设在全身麻醉期间从脑电图估算的大脑年龄与围手术期风险有关。方法：我们在稳定的丙泊酚或稳定的丙烷麻醉下重新分析了323例患者的四局EEG，以研究四个EEG特征（EEG功率的95％（95％EEG功率<8 E 13 Hz）的年龄预测：总功率，Alpha频段，Alpha频段，Alpha band Power（8 E 13 Hz），Power Spectrum和Spatial spatial和Spatsial spatsial sy fromeny confurears和Spats spats spatsial sy频率。我们在丙泊酚麻醉期间由健康参考组（ASA 1或2）的EEG构建了年龄预测模型。尽管所有签名都是信息丰富的，但最先进的年龄预测性能通过沿整个功率谱的电极进行解析（平均绝对误差¼8.2岁； R2¼0.65）来解锁。结果：ASA 1或2例患者的临床探索表明，脑年龄与术中爆发抑制正相关，这是全身麻醉并发症的危险因素。令人惊讶的是，大脑年龄与较高的ASA分数患者的爆发抑制作用，表明隐藏的混杂因素。次级分析表明，与年龄相关的脑电图特征是丙泊酚麻醉的特异性，这是通过有限的模型概括对用sevo lureane维持的麻醉的。结论：尽管全身麻醉的脑电图可能实现最新的年龄预测，但麻醉药物之间的差异会影响脑时代模型的有效性和有效性。为了释放脑电图监测临床研究的休眠潜力，至关重要的是，具有精确记录药物剂量的异质种群的较大数据集至关重要。
存储使传统发电资产更具灵活性 (StorFlex)
在过去二十年中，电力系统面临着越来越苛刻的运营要求。这些具有挑战性的运营条件是由多种因素造成的，包括负荷增长、基础设施老化、分布式能源 (DER) 的渗透率不断提高、经济电气化以及脱碳等政策举措。电力系统及其组件必须提供高度的运营灵活性，以缓解这些挑战。例如，风能和太阳能等间歇性 DER 的普及增加了对水电站等传统发电资产的需求，以应对突然的负荷发电不平衡。水电站对灵活性的要求越高，磨损就越大，可能会缩短水电涡轮机的使用寿命。为了减少水电站跟踪调度信号突然变化的需要，我们研究了它们与储能系统 (ESS；“基于 ESS 的混合”) 的联合运行。我们的分析侧重于通过基于 ESS 的混合来延长水电站的使用寿命。水电涡轮机（尤其是弗朗西斯涡轮机）的磨损使用寿命损失概念建模，该概念基于涡轮机因各种运行周期而遭受的损坏。然后，我们表明使用 ESS 抵消一些高变化可以延长水电站的剩余寿命。为了证明这一点，我们为这项工作开发了一些建模工具：（1）涡轮机及其调速器各个部件的动态模型；（2）一种控制策略，将缓慢变化的调度信号分配给水电机组，将快速变化的信号分配给 ESS，以使总功率请求保持不变；（3）财务分析模型，以量化这种框架的经济效益。我们使用我们开发的模型来分析实际水电站的调度模式，该水电站的功率输出为 50 MW，水头高度为 152 m。这项工作表明，基于 ESS 的混合可以将水电站的寿命平均延长 5%。然后使用这种寿命延长来估计与水电站维护和更换相关的成本延期的经济效益：平均为 360 万美元。针对 ESS 的大小和涡轮机的成本进行了敏感性分析，以显示收益在涡轮机成本和 ESS 大小范围内的变化。至关重要的是，将损害减少和寿命延长与其他 ESS 价值流（例如提供辅助服务）叠加在一起可以大大增加基于 ESS 的混合的经济效益。当多个价值流叠加并共同优化以获取最大收益时，与适当大小的 ESS 相关的更高成本将更具经济意义。未来将在未来的工作中探索这一维度。
重新利用全身麻醉的脑电图监测来建立大脑老化的生物标志物：一项探索性研究
重新利用全身麻醉的脑电图监测来建立大脑老化的生物标志物：一项探索性研究 David Sabbagh* a,b 、Jérôme Cartailler a,c 、Cyril Touchard c 、Jona Joachim c 、Alexandre Mebazaa a,c 、Fabrice Vallée a,b,c 、Étienne Gayat a,c 、Alexandre Gramfort b 、Denis A. Engemann* b,d,ea 巴黎大学，INSERM，U942 MASCOT，F-75006，法国巴黎 b 巴黎萨克雷大学，因里亚，CEA，帕莱索，法国 c 麻醉和重症监护医学系，AP-HP，Hôpital Lariboisière，F-75010，法国巴黎 d 马克斯·普朗克人类认知和脑科学研究所，系神经病学， D-04103，德国莱比锡和罗氏制药研究与早期开发、神经科学和罕见疾病、罗氏巴塞尔创新中心、F.霍夫曼 - 罗氏有限公司，瑞士巴塞尔 通讯：* david.sabbagh@inria.fr，denis.engemann@roche.com 背景：EEG 是监测麻醉深度的常用工具，但很少在生物医学研究中重新使用。本研究旨在探索在麻醉期间重新利用 EEG 来了解在失去意识的情况下大脑衰老的生物标志物。 方法：我们以大脑年龄估计为例。使用机器学习，我们重新分析了 323 名接受丙泊酚和七氟醚治疗的患者的 4 电极 EEG。我们应用最近发表的参考方法，将稳定麻醉的空间光谱特征纳入基于 EEG 的年龄预测中。当 95% 的总功率低于 8Hz 至 13Hz 之间的频率时，认为麻醉稳定。结果：我们考虑使用丙泊酚麻醉的中度风险患者（ASA <= 2）来探索预测性 EEG 特征。平均 alpha 波段功率（8-13Hz）可以提供年龄信息。然而，通过分析所有电极的整个功率谱（MAE = 8.2y，R2 = 0.65），可以实现最先进的预测性能。临床探索表明，大脑年龄与术中爆发抑制系统相关——通常与与年龄相关的术后认知问题有关。令人惊讶的是，高危患者（ASA = 3）的大脑年龄与爆发抑制呈负相关，这表明存在未知的混杂效应。二次分析显示，大脑年龄 EEG 特征是丙泊酚麻醉所特有的，这反映在七氟醚下的预测性能有限和跨药物泛化能力差。结论：全身麻醉中的脑电图可能实现最先进的脑年龄预测。然而，麻醉药物之间的差异会影响麻醉中脑电图再利用的有效性。为了释放脑电图监测在缺乏意识的情况下用于临床和健康研究的潜在潜力，收集具有精确记录的药物剂量的更大数据集将是关键的促成因素。关键词：全身麻醉、脑电图 (EEG)、脑老化、机器学习、爆发抑制、丙泊酚、七氟醚
moteane thabo melamu - 电子论文和学位论文
图 4-7：带 VSC 控制的 DC - AC 逆变器 ...................................................................................................... 79 图 4-8：电压源转换器控制 ...................................................................................................................... 80 图 4-9：电压源控制方案 ...................................................................................................................... 80 图 4-10：Simulink 中的 LC 滤波器 ............................................................................................................. 82 图 4-11：带调速器模块的水力涡轮机 MATLAB/SIMULINK ............................................................. 83 图 4-12：佩尔顿水轮机速度三角形 ............................................................................................................. 84 图 4-13：叶片出口速度 ............................................................................................................................. 86 图 4-14：微水力系统 MATLA/SIMULINK ............................................................................................. 87 图 4-15：同步机参数 ............................................................................................................................. 87 图 4-16：同步机额定功率输出 ............................................................................................................. 88 图 4-17：电池组模块........................................................................................................................... 89 图 4-18：双向转换器 .......................................................................................................................... 90 图 4-19：开关开启的双向转换器 ................................................................................................ 90 图 4-20：开关关闭的双向转换器 ................................................................................................ 91 图 4-21：电池存储双向转换器电路 ................................................................................................ 93 图 4-22：电池 DC-DC 双向转换器控制 ............................................................................................. 93 图 4-23：电池电流放电特性 ............................................................................................................. 94 图 4-24：模糊推理进程 ................................................................................................................ 95 图 4-25：模糊规则 ............................................................................................................................. 96 图 4-26：输入成员函数 ............................................................................................................. 96 图 4-27：输出成员函数 ............................................................................................................. 97 图 4-28：模糊逻辑输入和输出 ............................................................................................................. 98 图 4-29：用于电池控制的 Simulink 模块 ...................................................................................................... 98 图 4-30：模糊逻辑表面视图 ................................................................................................................ 99 图 4-31：能量管理算法 ................................................................................................................ 99 图 5-1：系统模型 ............................................................................................................................. 101 图 5-2：恒定辐照度下的 PV 功率输出 ............................................................................................. 84 图 5-3：PV 输出功率瞬态时间 ............................................................................................................. 85 图 5-4：PV 电压 (a) 未升压 (c) 升压和 (b) 占空比 ............................................................................. 85 图 5-5：PV 阵列 (a) 功率，(b) 电流，(C) 电压 ............................................................................................. 86 图 5-6：MHP 功率输出 ............................................................................................................................. 86 图 5-7：MHP 瞬态时间 ............................................................................................................................. 87 图 5-8：电池充电（SOC 增加）................................................................................................ 87 图 5-9：电池 (a) 电压，(b) 电流，(c) SOC，(d) 功率 ........................................................................ 88 图 5-10：系统特性（a）辐照度、PV 功率、(c) MHP 功率 (d) 负载功率 (e) SOC 和 (d) 电池功率 ............................................................................................................................. 89 图 5-11：负载电压 ............................................................................................................................. 89 图 5-12：MHP 功率 ............................................................................................................................. 90 图 5-13：400W/m2 下的 PV 功率 ............................................................................................................. 91 图 5-14：系统 (a) 总功率和 (b) SOC ............................................................................................................. 91 图 5-15：(a) PV_Power (b) Load_Power 和 (c) Battery_Power ................ ...功率 ................................................................................................................................ 92 图 5-17：系统特性 (a) 辐照度、(b) PV 功率、(c) MHP 功率、(d) 负载功率、(e) SOC 和 (f) 电池功率 ............................................................................................................................. 93 图 5-18：电池特性 (a) 电压、(b) 电流、(c) SOC 和 (d) 功率 ...................................... 94 图 5-19: 系统 (a) PV 功率 (b) 负载功率 (c) 电池功率 .............................................. 94 图 5-20: (a) 辐照度 (b) 可再生能源 (c) SOC<20% 和 (d) 电池功率 ............................................................................. 95 图 5-21: (a) 辐照度 (b) 可再生能源 (c) SOC> 80% 和 (d) 电池功率 ............................................................................. 96