Low Power instrument Transformer: technologies and applications

Instrument transformers serve an important role in the protection and isolation of AC electrical systems for measurements of different electrical parameters like voltage, current, power factor, frequency, and energy. As suggested by name these transformers are used in connection with suitable measuring instruments like an ammeter, wattmeter, voltmeter, and energy meters. We have seen how higher voltages and currents are transformed into lower magnitudes to provide isolation between power networks, relays, and other instruments. Reducing transient, suppressing electrical noises in sensitive devices, standardization of instruments and relays up to a few volts and current. Transformer performance directly affects the accuracy of power system measurements and the reliability of relay protection. We classified transformers in terms of purpose, insulating medium, Voltage ranges, temperature ranges, humidity or environmental effect, indoor and outdoor use, performance, Features, specification, efficiency, cost analysis, application, benefits, and limitations which enabled us to comprehend their correct use and selection criteria based on our desired requirements. We also discussed modern Low power instrument transformer products that are recently launched or offered by renowned companies like Schneider Electric, Siemens, ABB, ZIV, G&W etc. These new products are innovations and problem solvers in the domain of measurement, protection, digital communication, advance, and commercial energy metering. Since there is always some space for improvements to explore new advantages of Low power instrument transformers in the domain of their wide linearity, high-frequency range, miniaturization, structural and technological modification, integration, smart frequency modeling, and output prediction of low-power voltage transformers.

Assimilation of data from conventional and non conventional networks through a LETKF scheme in the COSMO model

The present work studies a km-scale data assimilation scheme based on a LETKF developed for the COSMO model. The aim is to evaluate the impact of the assimilation of two different types of data: temperature, humidity, pressure and wind data from conventional networks (SYNOP, TEMP, AIREP reports) and 3d reflectivity from radar volume. A 3-hourly continuous assimilation cycle has been implemented over an Italian domain, based on a 20 member ensemble, with boundary conditions provided from ECMWF ENS. Three different experiments have been run for evaluating the performance of the assimilation on one week in October 2014 during which Genova flood and Parma flood took place: a control run of the data assimilation cycle with assimilation of data from conventional networks only, a second run in which the SPPT scheme is activated into the COSMO model, a third run in which also reflectivity volumes from meteorological radar are assimilated. Objective evaluation of the experiments has been carried out both on case studies and on the entire week: check of the analysis increments, computing the Desroziers statistics for SYNOP, TEMP, AIREP and RADAR, over the Italian domain, verification of the analyses against data not assimilated (temperature at the lowest model level objectively verified against SYNOP data), and objective verification of the deterministic forecasts initialised with the KENDA analyses for each of the three experiments.

Genetic and process engineering approaches for improving lipid productivity in the non-conventional oleaginous yeast Cutaneotrichosporon oleaginosus

Gli oli microbici stanno ricevendo sempre più attenzioni come possibile alternativa agli oli vegetali, nel processo di sostituzione dei combustibili fossili. Tuttavia, diversi aspetti necessitano di essere ottimizzati al fine di ottenere oli economicamente competitivi e con caratteristiche chimico-fisiche desiderate. In questa ricerca, sono stati utilizzati due differenti approcci per poter realizzare l’obiettivo preposto. Il primo, si è basato sull’ingegnerizzazione genetica del lievito C. oleaginous, al fine di incrementare la produttività di lipidi e modificare la composizione dei trigliceridi (TAG) sintetizzati. Un protocollo basato su una trasformazione genetica mediata da Agrobacterium è stato utilizzato per sovraesprimere la diacilglicerol trasnferasi (DGA1), l’enzima responsabile dell’ultimo step della sintesi dei TAG, e la Δ9-desaturasi, l’enzima che catalizza la conversione dell’acido stearico (C18:0) in acido oleico (C18:1). La selezione di colonie positive e l’analisi dei mutanti ottenuti ha confermato la buona riuscita della trasformazione. Il secondo approccio ha mirato a studiare l’influenza sulla crescita e sul profilo di lipidi accumulati da C. oleaginous da parte di diversi acidi grassi volatili (VFAs), una materia prima ottenibile da trattamenti di scarti industriali. A questo proposito, sono state utilizzate fermentazioni fed-batch su scala da 1-L basate su glucosio e miscele sintetiche di acido acetico e di VFAs come fonte di carbonio. L’utilizzo simultaneo di acido acetico e acidi secondari ha mostrato come sia possibile stimolare il metabolismo microbico al fine di incrementare l'accumulo di oli e ottenere una composizione chimica lipidica desiderata.

Instrument transformers with Digital outputting high voltage power networks

In recent years, energy modernization has focused on smart engineering advancements. This entails designing complicated software and hardware for variable-voltage digital substations. A digital substation consists of electrical and auxiliary devices, control and monitoring devices, computers, and control software. Intelligent measurement systems use digital instrument transformers and IEC 61850-compliant information exchange protocols in digital substations. Digital instrument transformers used for real-time high-voltage measurements should combine advanced digital, measuring, information, and communication technologies. Digital instrument transformers should be cheap, small, light, and fire- and explosion-safe. These smaller and lighter transformers allow long-distance transmission of an optical signal that gauges direct or alternating current. Cost-prohibitive optical converters are a problem. To improve the tool's accuracy, amorphous alloys are used in the magnetic circuits and compensating feedback. Large-scale voltage converters can be made cheaper by using resistive, capacitive, or hybrid voltage dividers. In known electronic voltage transformers, the voltage divider output is generally on the low-voltage side, facilitating power supply organization. Combining current and voltage transformers reduces equipment size, installation, and maintenance costs. These two gadgets cost less together than individually. To increase commercial power metering accuracy, current and voltage converters should be included into digital instrument transformers so that simultaneous analogue-to-digital samples are obtained. Multichannel ADC microcircuits with synchronous conversion start allow natural parallel sample drawing. Digital instrument transformers are created adaptable to substation operating circumstances and environmental variables, especially ambient temperature. An embedded microprocessor auto-diagnoses and auto-calibrates the proposed digital instrument transformer.

Seismic mitigation of existing masonry structures by means of added damping and stiffness

In this work seismic upgrading of existing masonry structures by means of hysteretic ADAS dampers is treated. ADAS are installed on external concrete walls, which are built parallel to the building, and then linked to the building's slab by means of steel rod connection system. In order to assess the effectiveness of the intervention, a parametric study considering variation of damper main features has been conducted. To this aim, the concepts of equivalent linear system (ELS) or equivalent viscous damping are deepen. Simplified equivalent linear model results are then checked respect results of the yielding structures. Two alternative displacement based methods for damper design are herein proposed. Both methods have been validated through non linear time history analyses with spectrum compatible accelerograms. Finally ADAS arrangement for the non conventional implementation is proposed.

Synthesis of new non-fullerene acceptors based on indacenodithiophene core for organic solar cells

Due to the low cost, lightness and flexibility, Polymer Solar Cell (PSC) technology is considered one of the most promising energy technologies. In the past decades, PSCs using fullerenes or fullerene derivatives as the electron acceptors have made great progress with best power conversion efficiency (PCE) reaching 11%. However, fullerene type electron acceptors have several drawbacks such as complicated synthesis, a low light absorption coefficient and poor tuning in energy levels, which prevent the further development of fullerene-based PSCs. Hence the need to have a new class of electron acceptors as an alternative to conventional fullerene compounds. Non-fullerene acceptors (NFAs) have developed rapidly in the last years and the maximum PCEs have exceeded 14% for single-junction cells and 17% for double-junction tandem cells. By combining an electron-donating backbone, generally with several fused rings with electron-withdrawing units, we can simply construct NFA of the acceptor–donor–acceptor type (A–D–A). Versatile molecular structures have been developed using methods such as acceptor motif engineering and donor motif engineering. However, there are only a few electron-donating backbones that have been proved to be successful. Therefore, it is still necessary to develop promising building blocks to further enrich the structural diversity. An indacenodithiophene (IDT) unit with just five fused rings has a sufficiently rigid coplanar structure, which has been regarded as one of the promising electron-rich units to design high-performance A–D–A NFAs. In this work, performed at the King Abdullah University of Science and Technology in Saudi Arabia, a new nine-cyclic building block (TBIDT) with a two benzothiophene unit was synthesized and used for designing new non-fullerene electron acceptors.

Generare con transformer lineare spiegazioni di concept set medicali costituiti da termini correlati estratti da social post di pazienti

Le malattie rare pongono diversi scogli ai pazienti, ai loro familiari e ai sanitari. Uno fra questi è la mancanza di informazione che deriva dall'assenza di fonti sicure e semplici da consultare su aspetti dell'esperienza del paziente. Il lavoro presentato ha lo scopo di generare da set termini correlati semanticamente, delle frasi che abbiamo la capacità di spiegare il legame fra di essi e aggiungere informazioni utili e veritiere in un linguaggio semplice e comprensibile. Il problema affrontato oggigiorno non è ben documentato in letteratura e rappresenta una sfida interessante si per complessità che per mancanza di dataset per l'addestramento. Questo tipo di task, come altri di NLP, è affrontabile solo con modelli sempre più potenti ma che richiedono risorse sempre più elevate. Per questo motivo, è stato utilizzato il meccanismo di recente pubblicazione del Performer, dimostrando di riuscire a mantenere uno stesso grado di accuratezza e di qualità delle frasi prodotte, con una parallela riduzione delle risorse utilizzate. Ciò apre la strada all'utilizzo delle reti neurali più recenti anche senza avere i centri di calcolo delle multinazionali. Il modello proposto dunque è in grado di generare frasi che illustrano le relazioni semantiche di termini estratti da un mole di documenti testuali, permettendo di generare dei riassunti dell'informazione e della conoscenza estratta da essi e renderla facilmente accessibile e comprensibile al pazienti o a persone non esperte.

Apprendimento non supervisionato di rappresentazioni e legami di similarità tra eventi menzionati nella letteratura biomedica

L'estrazione automatica degli eventi biomedici dalla letteratura scientifica ha catturato un forte interesse nel corso degli ultimi anni, dimostrandosi in grado di riconoscere interazioni complesse e semanticamente ricche espresse all'interno del testo. Purtroppo però, esistono davvero pochi lavori focalizzati sull'apprendimento di embedding o di metriche di similarità per i grafi evento. Questa lacuna lascia le relazioni biologiche scollegate, impedendo l'applicazione di tecniche di machine learning che potrebbero dare un importante contributo al progresso scientifico. Approfittando dei vantaggi delle recenti soluzioni di deep graph kernel e dei language model preaddestrati, proponiamo Deep Divergence Event Graph Kernels (DDEGK), un metodo non supervisionato e induttivo in grado di mappare gli eventi all'interno di uno spazio vettoriale, preservando le loro similarità semantiche e strutturali. Diversamente da molti altri sistemi, DDEGK lavora a livello di grafo e non richiede nè etichette e feature specifiche per un determinato task, nè corrispondenze note tra i nodi. A questo scopo, la nostra soluzione mette a confronto gli eventi con un piccolo gruppo di eventi prototipo, addestra delle reti di cross-graph attention per andare a individuare i legami di similarità tra le coppie di nodi (rafforzando l'interpretabilità), e impiega dei modelli basati su transformer per la codifica degli attributi continui. Sono stati fatti ampi esperimenti su dieci dataset biomedici. Mostriamo che le nostre rappresentazioni possono essere utilizzate in modo efficace in task quali la classificazione di grafi, clustering e visualizzazione e che, allo stesso tempo, sono in grado di semplificare il task di semantic textual similarity. Risultati empirici dimostrano che DDEGK supera significativamente gli altri modelli che attualmente detengono lo stato dell'arte.

Previsione del Successo di Prodotti di Moda Prima della Commercializzazione: un Nuovo Dataset e Modello di Vision-Language Transformer

A differenza di quanto avviene nel commercio tradizionale, in quello online il cliente non ha la possibilità di toccare con mano o provare il prodotto. La decisione di acquisto viene maturata in base ai dati messi a disposizione dal venditore attraverso titolo, descrizioni, immagini e alle recensioni di clienti precedenti. É quindi possibile prevedere quanto un prodotto venderà sulla base di queste informazioni. La maggior parte delle soluzioni attualmente presenti in letteratura effettua previsioni basandosi sulle recensioni, oppure analizzando il linguaggio usato nelle descrizioni per capire come questo influenzi le vendite. Le recensioni, tuttavia, non sono informazioni note ai venditori prima della commercializzazione del prodotto; usando solo dati testuali, inoltre, si tralascia l’influenza delle immagini. L'obiettivo di questa tesi è usare modelli di machine learning per prevedere il successo di vendita di un prodotto a partire dalle informazioni disponibili al venditore prima della commercializzazione. Si fa questo introducendo un modello cross-modale basato su Vision-Language Transformer in grado di effettuare classificazione. Un modello di questo tipo può aiutare i venditori a massimizzare il successo di vendita dei prodotti. A causa della mancanza, in letteratura, di dataset contenenti informazioni relative a prodotti venduti online che includono l’indicazione del successo di vendita, il lavoro svolto comprende la realizzazione di un dataset adatto a testare la soluzione sviluppata. Il dataset contiene un elenco di 78300 prodotti di Moda venduti su Amazon, per ognuno dei quali vengono riportate le principali informazioni messe a disposizione dal venditore e una misura di successo sul mercato. Questa viene ricavata a partire dal gradimento espresso dagli acquirenti e dal posizionamento del prodotto in una graduatoria basata sul numero di esemplari venduti.