XiaoMi-AI文件搜索系统
World File Search System实时操作
实时系统运营中的人工智能和机器学习白皮书 – 2024 年 11 月第 1 版
虽然人工智能 (AI)、机器学习 (ML) 和数据科学已经研究和开发了几十年，但技术发展和公众关注度最近激增。这导致市场上出现了大量的研究和新解决方案，影响到工作和个人生活的几乎每个方面。随着人们的兴趣不断增长以及投资和研究扩展到新领域，创新和讨论继续迅速发展。在实时电力运营领域，人们也认识到由于不断发生的变化，BPS 的复杂性和复杂性不断增加，其中有几个新的用例扩展了系统的假设（例如，对网络方面的担忧日益增加、过量的太阳能流入输电系统、电动汽车充电的负载显着增长、AI/ML 的功率需求不断增长、区块链上的加密货币挖掘和其他数据中心运营）。BPS 是北美能源基础设施的支柱。它对整个大陆和国家的安全和经济稳定都至关重要，并支撑着我们的日常生活。管理系统的实时可靠性需要控制室操作员拥有不断提高的认知、注意力、警惕性、知识和抽象推理水平，这必然会导致许多人考虑新的 AI/ML 解决方案。由于 BPS 是地球上最复杂的社会技术系统（涉及复杂人类和复杂系统以及它们之间复杂交互的系统），因此需要考虑许多因素以尽量减少系统风险。本文档旨在供决策者、监管者和这些技术的最终用户使用，特别是在实时操作中。断言这些技术是否应该用于实时操作是没有用的，因为对整个行业主要利益相关者的调查和访谈表明，这种情况已经发生了。“精灵”无法被放回瓶子里（本文档并未断言应该这样做）。相反，本文档提供了有关人们应该询问这些技术的问题类型的指导，以彻底了解它们的能力以及正确实施它们需要进行哪些类型的更改。以前进入市场的技术已经陷入了典型的模式，导致最初的“坎坷”实施，出现意外风险或不良事件。本文档提供了实时操作的途径（在这种操作中，此类不良事件是无法容忍的），旨在确保能够以最大程度地提高成功部署和可靠性的方式实施 AI/ML 技术。业界已经认识到，许多组织已经在考虑 AI/ML 应用，并做出了各种决定，积极尝试避免这些应用（例如，人工智能从传统的机器学习方法（例如，阻止工作计算机访问生成式预训练变压器 (GPT) 并制定有关信息安全的政策）转变为拥抱它们（例如，利用更好的客户呼叫跟踪、确保加强资产健康以及预测实时运行参数，如风力发电、太阳能发电和负载）。现在和未来的 AI/ML 技术的表面积非常巨大。本文档重点介绍当前可用的技术，这些技术是为处理特定情况而构建、训练和部署的，不能在其训练领域之外工作（例如，不能依赖太阳能发电预测器来预测风力发电），通常称为狭义人工智能（或有时称为弱人工智能）。这包括最近快速增长的领域，包括生成新内容的能力（使用 GPT 等生成式人工智能算法）。
在功能限制下，用于移动操纵器系统的基于控制屏障功能的视觉伺服
本文提出了一种针对移动操纵器系统（MMS）的新控制策略，该策略集成了基于图像的视觉伺服（IBVS），以解决操作限制和安全限制。基于控制屏障功能（CBF）的概念的拟议方法提供了一种解决方案，以应对各种操作挑战，包括可见性约束，操纵器关节限制，预定义的系统速度界限和系统动态不确定性。提出的控制策略是两层结构，其中第一级CBF-IBVS控制器计算控制命令，并考虑到视野（FOV）约束。通过利用空空间技术，这些命令被转移到MMS的联合配置，同时考虑系统操作限制。随后在第二级中，用于整个MMS使用的CBF速度控制器对关节级的命令进行跟踪，以确保遵守预定义的系统的速度限制以及整个组合系统动力学的安全性。拟议的控制策略提供了出色的瞬态和稳态响应，并提高了对干扰和建模不确定性的弹性。此外，由于其计算复杂性较低，因此可以在板载计算系统上轻松实现，从而促进实时操作。通过仿真结果说明了拟议策略的有效性，与常规IBVS方法相比，该结果揭示了增强的性能和系统安全性。结果表明，所提出的方法可有效解决移动操纵器系统的具有挑战性的操作限制和安全限制，使其适合于实际应用。
2024.11.04 CSC研讨会-Negar Mehr
摘要：为了改变我们的生活，自主系统需要在复杂的共享环境中与其他代理进行互动。例如，自动驾驶汽车需要与行人，人驱动的汽车和其他自动驾驶汽车互动。自主交付无人机需要在其他无人机共享的空中空间中导航，或者仓库中的移动机器人必须在机器人共享的出厂空间中导航。此类应用领域的多机构性质要求我们开发一种系统的方法，以实现各种应用程序自主系统的有效相互作用。在这次演讲中，我将首先关注游戏理论计划和机器人的控制。要达到智能的机器人互动，机器人必须考虑代理人彼此决定的依赖性。我将讨论游戏理论计划和控制如何使机器人意识到它们对其他代理的影响。我将介绍我们最新的结果，以利用交互中固有的结构来开发有效的运动计划算法，该算法适用于机器人硬件上的实时操作。在谈话的第二部分中，我将重点介绍机器人如何学习和推断其周围代理的意图，以说明代理人的偏好和目标。目前，机器人可以推断出逆增强学习形式中孤立的代理的目标；但是，在多机构域中，没有孤立的代理，并且所有代理的决策均互相耦合。i将讨论一种数学理论和数值算法，以从观察到代理相互作用的观察结果中推断出这些相互关联的偏好。
em至Merc F＆S规定的第一修正案，2023年
日期：2024年7月3日，简介马哈拉施特拉邦电力监管委员会（“ MERC”或“委员会”）通知了马哈拉施特拉邦电力监管委员会（预测，日程安排和偏差太阳能和风能生成）法规，2018年（2018年）（“ Merc F＆S规定，2018年”，2018年，2018年或“原则上的规定”。委员会在第32条第（4）款第32款第（4）款第32节（第4）节（第33款第33款第（b），（b），（e）第186条第（e）第33节（e）第86条和（ZP）第18节（e）和（ZP）第33节（b）和（ZP）第33节第（4）款第32节（4）第32节（4）第32节（4）第32节（4）第32节（4）第32节第（4）款第（4）款第（4）款第（4）款第（4）款第（3）款第（4）款的第（4）款第（4）款第（4）款第（4）款第（4）款第（4）款第（4）款和（G）和（G）法案，2003年（2003年3月36日）（EA 2003年）和所有其他权力，在此之后以及先前的出版之后。MERC F＆S法规的规定，旨在介绍计划纪律和授权可再生能源生成器（太阳能和风），以提供预先计划，以促进马哈拉施特拉邦州负载寄存器寄存器（MSLDC）的电网实时操作。在实施太阳能和风力发电机的预测和安排方面获得了经验，委托行使《主要法规》第4.2条规定的权力的委员会审查了与在主要法规和其他相关参数的部分中规定的绝对错误，准确性频段和偏差费用相关的方面。此外，根据偏差和解机制（DSM）工作组和马哈拉施特拉邦国家电力委员会（MSPC）共享的投入，中央电力监管委员会构成的法规
物联网镜头 - 一个物联网工作负载的完善框架
•IOT规则引擎：根据创建的规则将数据路由到AWS服务。AWS IOT规则进行分析，并根据主题触发操作。•基本摄入：将设备数据安全地发送到AWS IoT规则操作支持的AWS服务。这通过从摄入路径中删除发布/订阅消息代理来优化数据流量并降低成本。•AWS IOT Greengrass：由于它也具有边缘代理，因此可以无缝地进行边缘代理和云之间的数据传输以及部署到边缘。它可以将数据发送到不同的AWS服务，例如S3，FireHose，IoT SiteWise，IoT Analytics等。•AWS IOT网站：托管服务，有助于按大规模收集，组织和分析工业设备数据。它可用于监视操作，计算性能指标并创建分析工业设备数据的应用程序。•AWS IoT Weletwise：收集，组织和将车辆数据传输到云的托管服务。它可以帮助您获得有关车辆平流的见解，并将其用于诊断，警报和采取实时操作。•AWS IoT Roborunner：提供集中存储，以存储不同机器人供应商系统的数据。可以使用它来可视化机器人位置和单个地图视图上的状态。•Amazon Kinesis：是用于流数据的托管服务，有助于从IoT设备获得见解，并且可以与IoT规则引擎集成。它允许将设备无缝集成到支持非MQTT协议的应用程序。它还有助于将通信层与应用程序层分解。•Amazon简单队列服务（SQS）：当IoT应用程序需要一个不需要消息订单的队列时，提供了事件驱动的，可扩展的摄入队列。
尾巴风险的概率计划
这份白皮书的目的是针对尾巴风险的概率规划，是研究低概率/高影响力的未来天气极端条件中的操作风险。了解风险的影响将促使讨论如何为它们做准备。如本白皮书中所述，运营计划的响应可以是增强发电和传输能力的形式，以增强储备金利润率，识别具有共同模式漏洞的资源以及在极端事件时可以抵消赤字或提供弹性的能源。认识到BPS无法完全承受所有潜在事件，因此必须提供足够的可靠性1，以便即使在服务质量下降，系统也可以可靠地操作。此外，进行维修或减轻系统条件时，系统必须具有反弹或恢复的能力。有关弹性2的可靠性问题指导委员会（RISC）报告提供了有关弹性如何适应NERC活动以及其他活动如何进一步支持电网的弹性的指导。RISC报告强调了NERC长期关注弹性方面的关注，并强调面对不断变化的资源组合，重新审视该问题。NERC概率分析工作组（PAWG）试图通过从发表的文献和电力行业中概率工具的用户收集的最佳实践来解决这些问题。规划人员和运营商的主要关注点是开发一个具有足够可靠性水平的系统，如NERC标准中所阐明的。他们的共同目标是保持系统的可靠性，韧性和安全性，并计划在实时操作中可能发生的极端高影响，低概率的事件中避免在极端高点，低概率的事件中进行广泛的中断。白皮书涵盖了关于极端天气事件的概率研究的全部实施，包括以下组成部分：
实施分布式自主控制的基于频率调节的基于自主控制的电池储能系统
摘要：已要求将常规化石燃料发电厂的发电能力的5％专门用于韩国的频率法规（FR）目的。但是，发电机的旋转速度无法快速控制，因此FR发电的变化需要一些时间。即使在短时间内，也可能发生频率频率，并且该频率可能超出其参考值的范围。为了克服现有的FR方法的局限性，已安装了374 MW（103 MWH）电池储能系统（BESS），并已安装在韩国的13个地点。在设计BES的FR的能力时，考虑了三个关键因素，即部署时间，交付时间和交付结束。当可以减少这些时间时，可以降低所需的BESS安装能力，从而实现相同的操作效果，而对设施的投资最少。但是，由于需要在较大的容量下安装fr（fr bess）的贝斯，因此采用了一种集中的控制方法。集中式控制方法具有能够立即查看和检查整个系统的优点，尽管对于Fr Bess而言，需要更快，更准确的控制速度来优化上述三个因素。因此，本文提议实施基于分布式自主控制的BES进行频率调节。对于拟议的贝斯神父，中央控制系统负责确定外部因素，例如发电/需求预测；并且该系统的设计使得可再生能源的最佳控制方法和根据实时操作过程中实时频率变化的最佳控制方法，并使用分布式自主控制方法确定并操作。此外，这项研究通过模拟验证，即提出的分布式自主控制方法比具有常规集中控制的FR BES更快地进行FR，从而导致FR成功率的增加，并减少所需的部署时间（例如，200 ms）。
新闻稿
Eindhoven（NL），2025年1月15日。Bleckmann推出了BSCALE-一种针对启动和扩展品牌的独特物流解决方案，Bleckmann与较小的企业融合了伙伴关系机会，并引入了BSCALE（一种创新的物流解决方案），以满足启动和扩展品牌的物流需求。为专业实现的好处提供了大规模的解决方案，该解决方案改变了初创企业和扩展品牌可以管理其供应链的方式。旨在增强较小企业的能力，BSCALE提供了完全数字化的自助物流经验，结合了敏捷性，可扩展性和成本效益。彻底改变新兴品牌的物流BSCALE是寻求专业支持的品牌而无需自定义设置或大量前期投资的最终物流解决方案。与BSCALE一起，品牌带头，拥有自己的物流之旅，同时受益于由全自动解决方案提供动力的无缝和自动化过程。BSCALE的关键功能•自助服务简单性：从入职到实时操作，企业可以在几天内独立管理其物流设置，从而简化了曾经是耗时的过程。•数字集成：BSCALE确保与电子商务平台和市场毫不费力地集成，使品牌能够在没有后勤头痛的情况下扩大跨境。•可伸缩性和灵活性：与企业一起成长，BSCALE适应不断变化的市场需求，提供模块化解决方案以根据需要扩展或简化操作。其创新设计使品牌负责，同时提供必要的工具和专业知识来壮成长。•专业知识：BSSCALE在Bleckmann几十年的后勤经验的支持下提供了行业领先的支持，而无需过多成本。•自动化提高效率：利用最先进的汽车技术，BSCALE提高了操作准确性和库存管理。品牌的主要好处•DIY物流管理：BSCALE使品牌能够负责其供应链，促进所有权和独立性。•成本透明度：标准化的定价和合同消除了不必要的复杂性，为成长的企业提供可预测性。•未来的设计：通过模块化设置，BSCALE演变以满足新兴需求，从管理回报到全面的端到端服务。bscale-完美的合身BSCALE是针对需要专业物流支持的初创公司和规模量身定制的，而无需承诺定制解决方案或大量投资。是开展新的合资企业还是扩大现有的企业，BSCALE为
引用：Oloko O.（2024）使用预测分析的最后一英里交付的动态路线优化：美国电子商务的案例研究，欧洲
摘要：最后一英里的交付问题是现代物流中最复杂和资源密集的方面之一，尤其是在不断发展的电子商务领域。随着在线购物的不断扩大，公司承受着巨大的压力，要求更快，高效，成本更低的交付商品，同时满足日益敏感客户的需求。这已经需要创新解决方案，该解决方案可以应对与动态流量模式，客户偏好波动以及操作限制（例如车辆能力和交付窗口）相关的挑战。应对这些挑战，本文探讨了预测分析作为优化最后一英里交付路线的应用程序。该研究首先确定了最后一英里物流中固有的核心挑战，尤其是在美国电子商务环境中，尤其是在美国电子商务的成本中，上一英里的成本可以代表总运输成本的53％。随着交通拥堵，不可预测的客户可用性和交付时间限制，带来了巨大的障碍，常规的静态路线计划模型通常不足。在本文中，提出了预测分析作为解决这些挑战的解决方案，利用实时数据来告知更有效的路由决策。尽管这些模型已被证明有用，但面对电子商务领域的实时操作复杂性时，它们的局限性会暴露出来。因此，本研究引入了一个高级动态路由模型，该模型将机器学习算法（例如决策树和神经网络）与传统的VRP框架相结合。案例研究概述了如何预测模型By processing vast amounts of real-time traffic data, customer preferences, and delivery constraints, predictive models can offer a more flexible and responsive approach to last-mile delivery.The research then presents a comprehensive literature review of existing route optimization methods, such as the traditional Vehicle Routing Problem (VRP) and its extensions, including VRP with Time Windows (VRPTW), Dynamic VRP (DVRP), and Capacitated VRP （CVRP）。这些机器学习模型，经过历史数据培训，能够预测未来的流量模式，客户行为和交付时间Windows。使用来自美国电子商务公司的数据进行案例研究，以证明预测分析在优化上一英里交付时的实际应用。
高级传输技术
高压传输电网是一个复杂，相互联系且相互依存的系统，负责向客户提供安全，可靠和成本效益的电力。在美国，传输系统由三个不同的电网或“互连”组成：东部互连，西部互连和一个较小的网格，其中包含大部分德克萨斯州。这三个系统之间的关系较弱，可以充当权力传输，但它们在很大程度上依靠独立系统保持稳定和可靠。与陈旧的资产一起，主要来自1960年代和1970年代，电力系统正在发展，从主要可靠，可靠和可变的产生来源（例如煤炭，天然气，天然气和水力发电）组成，到气候依赖的发电量的增长百分比到增加的百分比。所有这些一代来源都在很大程度上依赖于高压传输线，变电站和分销网格，以将电力带给客户。原始的垂直集成系统设计很简单，遵循生成到向客户分发的传输之路。派遣生成以满足可变客户需求的集中式控制范式正在通过更大的分布式能源部署（在传输和分配水平上）进行挑战，这可能不会遵循上述传统路径。这意味着今天的电力客户可能是明天的一代来源，如果风或太阳能资产在其私人财产上。客户现在可以成为电源的事实意味着他们不必完全依靠自己的公用事业来满足他们的需求，并且可以将电力卖给公用事业。但是，如果公用事业公司和私人拥有的一代无法产生足够的电力来满足所需的负载，则该公用事业仍必须维护向客户的电力基础设施。这将导致额外的公用事业支出，而没有任何进一步的客户收入，尽管该安排在公用事业公司管理由极端天气或其他问题引起的停电时有助于电网弹性和客户安全。电动汽车采用的越来越多也引入了电力需求增长。由于电动汽车（EV）充电需求是可移动的，因此对电动系统上的何处可能会实时出现的差异。满足这种电动汽车需求是对系统设计师和电网运营商的独特挑战，可以管理实时操作，系统增长和基础设施改进。这些广泛的系统变化产生了需要高级解决方案，以帮助解决现代运营挑战，并解决与老年基础设施相关的局限性和风险。当今运行中的传输系统是电力输送系统的骨干，它连接了所有网格资源，并充当电力从发电到需求的途径。高级传输技术，再加上先进的计算和高级动态情境意识，是一套工具，可以帮助解决传输挑战，提高电力传递的效率和有效性，并提高系统的可靠性和弹性。