XiaoMi-AI文件搜索系统
World File Search System误差值
能源存储杂志 - Dehesa
光伏电池系统 (PVBS) 的最佳尺寸确定是一项关键挑战，因为大量参数会影响其优化。由于实际原型的局限性，有时很难重现某些实验情况。因此，创建了 PVBS 仿真模型，并在软件 TRNSYS（瞬态系统仿真工具）中实现了反倾销机制。随后，使用从实际系统获得的实验数据通过误差度量方法进行验证，其中评估了整个测试期间系统最终累积能量的测量值和模拟值的偏差。模型的准确性主要受固定模拟步骤的影响，因为由于模型的敏感性，能量变化难以察觉，以及某些组件的编程，忽略了光伏板之间的连接、能量效率的变化以及系统组件运行期间的工作电压水平等方面。然而，在测试过程中，测量结果和模拟结果的趋势相似，电池充电/放电能量和发电能量的平均绝对误差值约为 4.00 kWh/天，所有情况下的平均相对误差值均低于 10.00%，太阳能发电能量为 3.07%，电池放电能量为 3.81%，电池充电能量为 8.85%。因此，证明了使用 TRNSYS 模拟实施反倾销机制的并网电池光伏系统模型是令人满意的，可以无限测试和控制大量变量。
第一个发生了5年累积发生率...
DL-TCV与地面真相TCV有很强的相关性，这也通过高误差较低的高DSC证明。由TCV模型确定的估计的TCV值高度准确，除一个受试者外，所有受试者的绝对百分比误差均为<10％。这符合我们当前的基准误差值10％，这大约是整个心脏周期中TCV的预期变化[15]。Shahzad等人报道的0.94的DSC与0.96的DSC相当。在健康的成年人口中使用多ATLAS技术[11]。但是，Shahzad等人的研究通过使用计算得出的参考标准作为地面真理而不是手动
自主横向控制系统的论文设计...
这项研究分析了模糊逻辑控制器（FLC）类型-2用于自动车辆方向盘控制的应用，使用误差形式的输入值和从主控制器产生的输出与从脉冲机构计算获得的转向角度值之间的差异的输入值。然后通过ROS（机器人操作系统）处理此数据。本研究将FLC -2类型的性能与7个成员和5个成员以及在各种情况下的PID控制器进行了比较。结果表明，具有7个成员的FLC -2平均误差为4.97％，比5个误差为7.71％的成员的配置要好。在避免障碍测试中，FLC型-2显示出卓越的准确性，人类回避的平均误差为1.54％，一辆停车车的4.28％，左侧两辆停车车的平均误差为1.2％，左侧两辆停车车为2.13％，左侧为1.2％。与PID控制器进行了比较，PID控制器记录了分别为2.19％，3.49％，1.12％和3.49％的错误。从电气工程部门到工程学院的完整路线测试，FLC型-2型的平均误差为8.87％，而PID的平均误差为12.35％，而PID的FLC型误差为4.52％，FLC型-2型和7.57％。flc型-2具有7个成员的被证明在保持动态驾驶条件下的准确性和性能更有效，尽管PID对较小的误差值的响应更平滑。 这一发现显示了FLC -2型在提高转向准确性和整体自动驾驶汽车性能方面的潜力。被证明在保持动态驾驶条件下的准确性和性能更有效，尽管PID对较小的误差值的响应更平滑。这一发现显示了FLC -2型在提高转向准确性和整体自动驾驶汽车性能方面的潜力。关键字：自动驾驶汽车，FLC型-2，PID控制器，转向角，5个成员，7个成员
电力电池板上的基于物联网的电池容量监控系统
摘要。本文使用基于IoT的NodeMCU ESP8266研究了电动汽车太阳能电池电池容量监测系统。所有这些系统的构建都是为了使工人在充电电池时更容易管理传入的功耗，同时防止电池损坏，从而使电池寿命更长，并且使用电池的使用变得更加最佳。本研究通过智能手机使用Blynk和OLED 128 x 64来查看电池容量的百分比。测试监视精度后，获得了0.97％的平均误差值。使用容量为50 wp的太阳能电池板测试12 V / 7 AH电池，需要4.5小时才能以平均电流为1.74安培为电池充电。电池充电也可以通过按智能手机按下Blynk应用程序上的OFF按钮来控制。
锂离子电池建模和 BMS 的自适应扩展卡尔曼滤波器实现
摘要- 为单引擎双座滑翔机上的有效载荷系统制造了定制锂离子电池。在形成电池管理系统的软件开发阶段，为了在充电和放电过程中提供安全性，需要一些参数来指示电池的状况。因此，在本研究中，在 42 Ah 锂离子电池中进行了电等效电路方法和自适应扩展卡尔曼滤波器中使用的充电状态估计过程。结果，平均绝对误差和均方根误差的值小于 1%。在实际过程中，从未发现过真正的误差值。给出噪声以确定扩展卡尔曼滤波器和自适应扩展卡尔曼滤波器 (AEKF) 算法之间的自适应能力。此外，将主 SoC 设置为某个值以查看估计精度。研究表明，该方法可以应用于有效载荷系统的 BMS 软件的开发。
使用天气变量的甘蔗产量预测的机器学习技术
摘要。天气对农作物的生长，发育和产量有深远的影响。本研究涉及天气参数用于甘蔗产量预测的使用。机器学习技术（例如K-最近的邻居（KNN）和随机森林模型）已用于甘蔗产量预测。天气参数，即最高温度和最低温度，降雨，早晨和晚上相对湿度，阳光小时，蒸发以及甘蔗产量被用作输入变量。诸如R 2，均方根误差（MSE），平均绝对误差（MAE），均方根误差（RMSE），平均绝对百分比误差（MAPE）之类的性能指标已用于选择预测作物产量的最佳模型。在模型中，根据高R 2和最小误差值选择随机森林算法作为最佳拟合。结果表明，在傍晚的天气变量中，降雨和相对湿度对甘蔗产量有重大影响。
通过循环深度学习对癫痫患者的脑电图记录进行脑年龄预测/分类
摘要：随着现代人口的增长和平均寿命的增加，越来越多的患者患上了痴呆症和阿尔茨海默氏症等神经退行性疾病。有癫痫、药物滥用和抑郁症等精神健康障碍病史的患者在晚年患阿尔茨海默氏症和其他神经退行性疾病的风险更大。利用从天普大学异常脑电图 (EEG) 语料库获得的患者脑电波记录，深度学习长短期记忆神经网络用于对患者的大脑年龄进行分类和预测。所提出的深度学习神经网络模型结构和脑电波处理方法使六个年龄组患者的大脑年龄分类准确率达到 90%，脑年龄回归分析的平均绝对误差值为 7 年。所取得的结果表明，使用原始患者来源的脑电波信息比使用其他脑电波预处理方法的方法具有更高的性能指标，并且优于其他深度学习模型，例如卷积神经网络。
文章 使用机器学习算法对锂离子 NMC 电池进行充电状态 (SoC) 预测建模 Farah Apit Tantri 1、Dewanto Harj
6 文莱理工大学工程学院电气工程系，文莱达鲁萨兰国加东 *电子邮件：elhanif@staff.uns.ac.id（通讯作者）摘要。充电状态 (SoC) 估计对于锂离子电池至关重要，以防止过度充电和放电，影响电池的安全性、稳定性和效率。传统技术是估算 SoC 最常用的方法。然而，由于它们的计算敏感性和难以适应复杂环境，它们在预测 SOC 方面不太准确。本研究提出了四种机器学习模型：线性回归、多层感知器、决策树和随机森林，用于锂离子 NMC 电池的 SoC 预测。模型的性能是根据相关系数和误差值（平均绝对误差或 MAE 和均方根误差或 MRSE）进行评估的。结果显示，随机森林模型性能最佳，相关系数为1，MAE和MRSE值分别为0.2052和0.2712。相反，线性回归模型性能最差，相关系数为0.9534，MAE和MRSE值分别为5.9064和8.2602。关键词：充电状态（SoC），NMC电池，机器学习。
无人驾驶飞机传输缺陷检测
由于电网大小的持续增长，传输线的抽象缺陷识别已成为确保当前传输系统正确运行的关键步骤。这项研究主要涉及当前无人机传播缺陷检测的缺点，尤其是在图像质量和其他相关问题方面。为了响应，已经提出了基于边缘计算的无人机传播缺陷检测系统。该系统采用边缘计算网络和轻巧的改进，最后，通过对实验数据的分析，验证了系统的性能和检测有效性。结果表明，用于检测绝缘体的研究模型的准确性比其他模型高0.05。该系统在检测正常绝缘体和异常绝缘子方面更有效。该系统在检测传输线图像中的误差比其他算法低0.18，与其他模型误差值相比，平均百分比误差低0.20。这表明研究中使用的系统能够改善传输线的检测，并提高了检测到的图像的质量。这是一本出色的手册，可在将来增强无人机输电线路缺陷精度。
对光伏高渗透比的电力系统频率稳定性的影响
摘要：电池监控系统（BMO）对于监视电池在运行时提供和吸收能量的状况至关重要，并同时确定实现长电池寿命的最佳限制。所有这些都可以通过测量电池参数并增加电池电量（SOC）和健康状况（SOH）来完成。来自NASA的电池数据集用于评估。在这项工作中，采用了梯度向量来从电池中获取能源供应模式的趋势。此外，采用了支持向量机（SVM）以获得精确的电池精度指数。这与多项式回归的使用一致；因此，点V1和V2作为正常使用阶段的边界。此外，还对电池从分类中成功提取的时间长度进行了时间长度分布的测试。所有这些阶段都可以用于计算使用过程中电池降解速率，以便可以通过不断比较值在实际情况下应用此策略。在这种情况下，使用电压梯度，SVM方法以及建议的多项式回归，MAPE（％），MAE和RMSE可以在电池值图中获得分别为0.3％，0.0106和0.0136的电池值图。使用此误差值，可以获得电池的SOC值的动力学，并且可以通过避免使用电压流量阶段来通过较短的使用时间来解决SOH问题。