XiaoMi-AI文件搜索系统
World File Search System设计优化
摘要集 - IRIS
全电动无人机沿飞行任务最优轨迹的多学科设计优化...................................................................................................................................................... 52
电网连接混合电池储能系统的多目标协同设计优化框架：优化规模和技术选择
摘要：本文开发了一个多目标协同设计优化框架，用于优化连接到电网的混合电池储能系统 (HBESS) 中的电池和电力电子设备的尺寸和选择。协同设计优化方法对于具有耦合子组件的复杂系统至关重要。为此，在 HBESS 的设计中，使用非支配排序遗传算法 (NSGA-II) 进行技术的尺寸优化和选择，同时考虑成本、效率和寿命等设计参数。可互操作框架考虑了三个第一寿命电池单元和一个第二寿命电池单元，以形成两个独立的电池组作为混合电池单元，并考虑了两种功率转换架构，用于将混合电池单元连接到具有不同功率级和模块化水平的电网。最后，作为框架输出获得的全局最佳 HBESS 系统由 LTO 第一寿命和 LFP 第二寿命电池组成，与基线相比，总拥有成本 (TCO) 降低了 29.6%。
IEEE 电路与系统学报 I：普通论文
主题：电路与系统，例如多维非线性系统、大规模集成电路、电力网络等，在从基础科学理论到各种实际应用的整个过程中发挥着重要作用。随着应用需求的不断增长，通过高效学习、设计优化和集成实现，开发高精度、高稳定性、高灵活性和高安全性的电路与系统至关重要。随着人工智能（AI）的快速发展，电路与系统与人工智能在理论和应用上相辅相成。一方面，人工智能驱动下的电路与系统的高效学习、设计优化和集成实现研究得到了长足的发展，其中节能电路与系统有着非常广泛的应用，包括电力负荷预测、光伏/电池系统协调控制、图像/视频/音频处理、脑机接口等；另一方面，人工智能应用于实际应用也离不开高效低功耗计算的电路与系统的优化与实现。 1）从高效学习的角度，基于DNN进行电路与系统的信号处理、动态建模和非线性分析是一种可行、有效的方法。2）从设计优化的角度，目前的电路设计面临着内存占用和功耗方面的挑战。因此，迫切需要开发人工智能驱动的电路与系统设计优化，以确保以更少的内存占用、更高的能效和更快的计算速度执行复杂的计算。3）从集成实现的角度，电路与系统的硬件和软件实现都需要考虑利用率、适应性和兼容性。总的来说，通过人工智能驱动的高级学习、优化和实现，可以实现低功耗实时运行的高效电路和系统，以实现更广泛的应用。所有这些及时的重要主题都属于本特刊的讨论范围。
电网连接混合电池储能系统的多目标协同设计优化框架：优化规模和技术选择
摘要：本文开发了一个多目标协同设计优化框架，用于优化连接到电网的混合电池储能系统 (HBESS) 中的电池和电力电子设备的尺寸和选择。协同设计优化方法对于具有耦合子组件的复杂系统至关重要。为此，在 HBESS 的设计中，使用非支配排序遗传算法 (NSGA-II) 进行技术的尺寸优化和选择，同时考虑成本、效率和寿命等设计参数。可互操作框架考虑了三个第一寿命电池单元和一个第二寿命电池单元，以形成两个独立的电池组作为混合电池单元，并考虑了两种功率转换架构，用于将混合电池单元连接到具有不同功率级和模块化水平的电网。最后，作为框架输出获得的全局最佳 HBESS 系统由 LTO 第一寿命和 LFP 第二寿命电池组成，与基线相比，总拥有成本 (TCO) 降低了 29.6%。
魏玛优化和随机日 - 库
在设计开发阶段，六西格玛设计概念可优化设计，使产品符合六西格玛质量标准。这意味着，即使制造、设计配置和环境等方面发生变化，稳健性和可靠性也是明确的优化目标。基于可靠性和方差的稳健设计优化的应用可实现优化设计，使其对高达六西格玛安全级别的不确定性不敏感。本文提供了一种有效的迭代解耦循环方法来减少必要的设计评估次数。该方法被应用于轴流式涡轮机的基于 CAD 和 CAE 参数的稳健设计优化，包括基于随机场建模的制造公差。概率和优化任务由 optiSLang 、SoS 执行
PyBOP：用于电池模型优化和参数化的 Python 包
Python 电池优化和参数化 (PyBOP) 包提供了估算和优化电池模型参数的方法，提供确定性和随机性方法以及示例工作流程来帮助用户。PyBOP 支持从各种电池模型的数据中识别参数，包括流行的开源 PyBaMM 包 (Sulzer et al., 2021) 提供的电化学和等效电路模型。使用相同的方法，PyBOP 还可用于在用户定义的操作条件下针对各种模型结构和设计目标进行设计优化。PyBOP 通过多种方法促进优化，并通过诊断来检查优化器的性能以及成本和相应参数的收敛。识别出的参数可用于预测、在线估计和控制以及设计优化，从而加速电池的研究和开发。
人工智能在...中的应用
电力电子和驱动系统是许多工业和消费应用的关键组件，包括电动汽车、可再生能源系统和家用电器。为了满足日益增长的性能和效率提升需求，人工智能 (AI) 的应用已成为改进电力电子和驱动系统的控制、故障检测、能源管理和设计优化的一种潜在策略。本文全面回顾了人工智能在电力电子和驱动系统中的应用。首先介绍电力电子和驱动系统以及人工智能在提高其性能方面的重要性。然后，介绍人工智能技术的基础知识，包括机器学习、模糊逻辑和元启发式方法。本文介绍了人工智能在电力电子和驱动中的各种应用，包括控制和优化、故障诊断和预测、能源管理和设计优化。
Ph.D.候选人Ph.D.候选人
10。Multari，Silvia，Rızaözçelik，Angelica Mazzolari，Salvatore Nobile和Francesca Grisoni。“与分子变压器预测药物设计优化的代谢反应。” IEEE生物信息学和计算生物学计算智能会议（CIBCB），2024。
已发布版本的引用（APA）：Hasan, MM, Berseneff , B., Meulenbroeks , T., Cantero, I., Chakraborty, S., Geury, T., & Hegazy, O. (2022)。
摘要：本文开发了一个多目标协同设计优化框架，用于优化与电网相连的混合电池储能系统 (HBESS) 中的电池和电力电子设备的尺寸和选择。协同设计优化方法对于具有耦合子组件的复杂系统至关重要。为此，在 HBESS 的设计中，使用非支配排序遗传算法 (NSGA-II) 来优化尺寸和技术选择，同时考虑成本、效率和寿命等设计参数。可互操作框架考虑了三个第一寿命电池单元和一个第二寿命电池单元，以形成两个独立的电池组作为混合电池单元，并考虑了两种功率转换架构，用于将混合电池单元以不同的功率级和模块化程度连接到电网。最后，作为框架输出获得的全局最佳 HBESS 系统由 LTO 第一寿命和 LFP 第二寿命电池组成，与基线相比，总拥有成本 (TCO) 降低了 29.6%。