XiaoMi-AI文件搜索系统
World File Search System动态规划
考虑电池退化的能量受限微电网随机运行
可再生能源发电占比较高的电力系统容易受到发电量低的时期的影响。保持高可调度发电能力的另一种方法是使用电能存储，这样可以利用剩余电力，电能存储有助于保障供电安全。这种系统可以视为能源受限系统，电能存储的运行必须在最小化当前运营成本与无法满足未来需求的风险之间取得平衡。安全高效的运行需要具有足够远见的随机方法。依赖于运行的存储退化是一个复杂因素。本文提出了一种电池电量退化的线性近似方法，并将其与循环退化相结合，在基于随机对偶动态规划的能源管理模型中实现。本文研究了退化建模对挪威小型微电网日常运行的长期影响，该微电网具有可变可再生能源发电和有限的可调度发电能力，以及电池和氢气存储以平衡供需。我们的结果表明，与简单的随机策略相比，提出的策略可以将预期电池寿命延长四年以上，但可能会导致其他系统资源的退化加剧。
通过机会价值函数预测进行储能价格套利
摘要 — 本文提出了一种结合监督学习和动态规划的新型储能价格套利算法。所提出的方法使用神经网络直接预测不同储能充电状态水平下的机会成本，然后将预测的机会成本输入基于模型的套利控制算法以做出最佳决策。我们使用价格数据和动态规划算法生成历史最优机会价值函数，然后将其作为基本事实并以历史价格作为预测因子来训练机会价值函数预测模型。在使用不同储能模型和纽约州价格数据的案例研究中，我们的方法与完美预见相比实现了 65% 至 90% 的利润，这大大优于现有的基于模型和基于学习的方法。在保证高盈利能力的同时，该算法也是轻量级的，可以以最小的计算成本进行训练和实施。我们的结果还表明，学习到的预测模型具有出色的可转移性。使用一个地区的价格数据训练的预测模型在其他地区测试时也能提供良好的套利结果。索引词 — 能源存储；深度学习；电力系统经济学。I. 引言
考虑电池退化的影响，能量受限微电网的随机运行
摘要 — 可再生能源发电占比较高的电力系统容易受到发电量低的时期的影响。保持高可调度发电能力的另一种方法是使用电能存储，这样可以利用剩余电力，电能存储有助于保障供电安全。这种系统可以视为能源受限系统，电能存储的运行必须在运营成本最小化和稀缺风险之间取得平衡。在这方面，依赖于操作的存储特性（如储能退化）是一个复杂因素。本文提出了一种电池充电状态退化的线性近似方法，并将其与循环退化相结合，在基于随机对偶动态规划的能源管理模型中实现。研究了退化建模对挪威小型微电网的影响，该微电网具有可变可再生能源发电和有限的可调度发电能力，以及电池和氢气存储以平衡供需。我们的结果表明，与简单的随机策略相比，所提出的策略可以将预期电池寿命延长四年以上，但可能会导致其他系统资源的退化加剧。显然，随机策略对于在能源受限的系统中保持较低的稀缺风险至关重要。
马尔可夫决策过程的结构评估
马尔可夫决策过程 (MDP) 为在不确定的情况下对顺序决策进行建模提供了一个广泛的框架。MDP 有两种类型的变量：状态变量 st 和控制变量 dr，它们都按时间 t = 0、1、2、3 .... , T 进行索引，其中时间范围 T 可能是无穷大。决策者或代理可以用一组原语 (u, p, ~) 表示，其中 u(st, dr) 是代表代理在时间 t 的偏好的效用函数，p(st+ 1Is, d,) 是代表代理对不确定未来状态的主观信念的马尔可夫转移概率，fit(0, 1) 是代理在未来时期内折现效用的比率。假设代理是理性的：它们的行为遵循最优决策规则 d t = (~(St)，该规则求解 vr(s) - max~ Eo { E r o fltu(s,, d,)l So = s}，其中 Ea 表示对由决策规则 6 引起的受控随机过程 {s,,dt} 的期望。动态规划方法 min9 提供了一种建设性的过程，用于计算 6，使用价值函数 V r 作为“影子价格”，将复杂的随机/多周期优化问题分散为一系列更简单的确定性/静态优化问题。
马尔可夫决策过程的结构评估
马尔可夫决策过程 (MDP) 为在不确定的情况下对顺序决策进行建模提供了一个广泛的框架。MDP 有两种类型的变量：状态变量 st 和控制变量 dr，它们都按时间 t = 0、1、2、3 .... , T 进行索引，其中时间范围 T 可能是无穷大。决策者或代理可以用一组原语 (u, p, ~) 表示，其中 u(st, dr) 是代表代理在时间 t 的偏好的效用函数，p(st+ 1Is, d,) 是代表代理对不确定未来状态的主观信念的马尔可夫转移概率，fit(0, 1) 是代理在未来时期内折现效用的比率。假设代理是理性的：它们的行为遵循最优决策规则 d t = (~(St)，该规则求解 vr(s) - max~ Eo { E r o fltu(s,, d,)l So = s}，其中 Ea 表示对由决策规则 6 引起的受控随机过程 {s,,dt} 的期望。动态规划方法 min9 提供了一种建设性的过程，用于计算 6，使用价值函数 V r 作为“影子价格”，将复杂的随机/多周期优化问题分散为一系列更简单的确定性/静态优化问题。
抽水蓄能配置的短期评估：上升、下降还是关闭？
我们研究了各种类型的双水库抽水蓄能设施的能量产生和存储问题：由自然流入供给上水库或下水库的开环设施和闭环设施。我们将这个问题表述为一个在流量和电价不确定下的随机动态规划。我们将流量和电价作为外生状态变量纳入我们的公式中。我们比较了在电价可能为负的市场环境中运行不同抽水蓄能配置所获得短期总现金流。我们首先推导出从一种配置切换到另一种配置所带来的收入收益和损失的理论界限。然后，我们采用时间序列模型进行数值实验，以表述我们的外生状态变量的演变。我们考虑了三个不同的季节，它们有不同的流量、不同的负价格发生频率和不同的水库容量。我们的结果表明：（1）具有上游流量的开环设施可以产生比闭环设施高达四倍的现金流； （2）运行大型闭环设施的现金流可以通过运行小型 10 倍水库的开环设施来实现；（3）如果负电价发生的时间超过 30%，则下游流量的开环设施比上游流量的开环设施更具优势（现金流可提高 10% 以上）。
内存受限量子路径上的启发式远程纠缠分布算法
摘要 —远程纠缠分布在大规模量子网络中起着至关重要的作用，而实现纠缠分布的关键因素是能够延长纠缠传输距离的量子路由器（或中继器）。但量子路由器的性能还远未完善，其中量子路由器中有限的量子存储器极大地影响了纠缠分布的速率和效率。为了克服这一挑战，本文提出了一种在存储器受限路径上最大化纠缠分布速率（EDR）的新模型，然后将其转化为纠缠生成和交换子问题。我们提出了一种用于短距离纠缠生成的贪婪算法，以便高效利用量子存储器。对于纠缠交换子问题，我们使用纠缠图（EG）对其进行建模，其解被发现至少是 NP 完全的。在此基础上，我们提出了一种启发式算法，将原始EG划分为多个子问题，每个子问题都可以在多项式时间内使用动态规划（DP）进行求解。通过进行模拟，结果表明我们提出的方案可以实现较高的EDR，并且所开发的算法具有多项式时间上界和合理的平均运行时间复杂度。
使用模板和符号泡利门进行 Clifford 电路优化
Clifferd 群是由 Hadamard 门、cnot 门和 Phase 门生成的酉群的有限子群。该群在量子纠错、随机基准测试协议和纠缠研究中起着重要作用。这里，我们考虑寻找实现给定 Clifferd 群元素的短量子电路的问题。我们的方法旨在最小化假设全到全量子比特连接的纠缠门数。首先，我们考虑基于模板匹配的电路优化，并设计 Clifferd 特定的模板，利用分解 Pauli 门和交换门的能力。其次，我们引入一种符号窥孔优化方法。它的工作原理是将整个电路投影到一小部分量子比特上，然后通过动态规划以最佳方式重新编译投影的子电路。将选定的量子比特子集与剩余量子比特耦合的 cnot 门用符号 Pauli 门表示。通过软件实现这些方法，可以找到距离 6 量子比特最优仅 0.2% 的电路；与 Aaronson–Gottesman 标准形式相比，最多 64 量子比特的电路中的两量子比特门数量平均减少了 64.7% [ 3 ]。
预防性适应策略模型...
本文介绍了针对复杂技术对象预防性维护计划所开发的模型的分析结果。我们开发了基于两组不同假设的模型。解决的一般问题是确定一组零件或子组件的预防性更新联合时间。第一个模型（计划预防性维护策略模型）的目的是确定对进行故障后更新的零件持续应用先前开发的预防性维护计划的盈利能力。第二个模型（系统预防性维护的自适应策略模型）允许人们在每次其中一个零件进行故障后更新时确定一组零件的新预防性更新联合时间。使用典型的维护规划工具（基于动态规划和贝尔曼最优原理的决策随机模型）获得每个零件或子组件的初始预防性维护策略。使用这两个模型进行了示例模拟计算，并将其结果呈现为所开发的更新策略的估计总维护成本。分析对象是所选轨道车辆车轮在运行过程中因磨损而变化的几何特征。基于此类分析，可以为特定应用领域选择更好的预防性维护模型。
基于分支对决 Q 网络的分布式储能系统微电网在线调度
引言微电网是一个很有前途的概念，它可以解决分布式可再生能源和储能系统融入电网的挑战。在线优化是根据系统的实时状态对微电网的运行进行调度，是确保微电网经济运行的关键技术。然而，可再生能源的不确定性给微电网的在线优化带来了巨大的挑战。为了解决这个问题，研究人员提出了几种在线优化方法，如模型预测控制（MPC）[1]和基于近似动态规划（ADP）的算法[2]。然而，上述方法的在线优化性能依赖于预测信息。因此，性能受到可再生能源和负荷功率的预测精度的影响。为了减少对预测的依赖，已经提出了其他几种微电网在线优化方法，包括Lyapunov优化[3]、CHASE算法[4]以及最近开发的基于深度强化学习（DRL）的优化方法（例如深度Q网络（DQN）[5]、MuZero [6]）。与传统的微电网在线优化方法（例如MPC）相比，基于DRL的算法通过历史可再生能源发电和负载序列来学习操作系统，并且可以在不使用任何预测信息的情况下进行近似最优调度[6]。然而，上述工作主要关注具有单个电池储能系统（BESS）的微电网的在线优化，未能解决BESS的分布式位置特性。随着商业和家庭储能技术的快速发展，大量BESS将安装在微电网的分布式位置。