XiaoMi-AI文件搜索系统
World File Search SystemBenchmarks
最优功率流导出的稀疏线性求解器基准
由于电网的变化性质，能够在大型电网中求解高保真最优潮流模型变得越来越重要。这种高保真问题称为交流最优潮流 (ACOPF)，是一个非线性、非凸优化问题。解决此类问题的少数可靠方法之一是内点法。这些方法会产生稀疏线性系统，其中系数矩阵是对称的、不确定的并且通常是病态的。因此，它们对于稀疏线性求解器来说尤其具有挑战性，并且代表了求解 ACOPF 问题时相当大的计算瓶颈。在本文中，我们介绍了一个线性系统存储库，该存储库由开源优化器 IPOPT 求解 ACOPF 问题时捕获。这些矩阵旨在用作稀疏线性求解器开发的测试套件。
计算电源电荷无差调整预测和真实UP
PCIA计算是在D.11-12-018中建立的，最近在D.23-06-006中进行了完善。PCIA是IOU与捆绑服务后的能源成本无动于衷的数量，相当于IOU的PCIA-PCIA-合格投资组合的成本降低了投资组合在给定年内的市场价值。市场价值在d.19-10-001中定义为“以美元计量的估计财务价值，这归因于能源资源的投资组合，目的是计算给定年份的电费无差调整。” 2 D.19-10-001将MPB定义为“与IOU投资组合中三个主要价值来源相关的每单位值（不是总投资组合值）的估计（能源，资源充足和可再生能源）。”作为市场价值总体计算的一部分，将3个MPB乘以相关投资组合量。预测的加法器是旨在减少冷漠量的不确定性的机制，而真正的UP加成器是旨在将实现市场收入与预测价值相结合的机制。
美国太阳能光伏系统和储能成本基准，包括最低可持续价格分析：2023 年第一季度
致谢 由于我们的 2023 年第一季度基准测试方法需要更多来自光伏 (PV) 和存储行业的直接投入，因此今年我们与比近几年更多的专家参与者进行了交流。 2023 年 2 月，我们参加了在加利福尼亚州长滩举行的北美国际太阳能展览会和北美储能展览会，在那里我们收集了 100 多家参展商的现场数据和见解。 会议结束后，我们对大约 40 位与模块、逆变器、储能系统和系统平衡组件的制造和销售以及光伏和储能系统的安装相关的专家进行了深入的访谈和通信。 我们感谢所有这些参与者的帮助。 本报告中汇总并匿名化了结果数据，以制定我们的 2023 年第一季度成本基准。 但是，为了尊重可能希望保持完全匿名的参与者的意愿，我们在此仅列出同意被致谢的参与者。
从电化学阻抗光谱
电化学系统的电化学阻抗光谱（EIS）数据的分析通常包括使用专家知识来定义等效电路模型（ECM），然后优化模型参数以反应各种抗性，能力，电感，电感性或扩散反应。对于小型数据集，可以手动执行此过程；但是，对于具有广泛的EIS响应的广泛数据集，手动定义适当的ECM是不可行的。对ECM的自动识别将基本上加速大量EIS数据的分析。 我们展示了机器学习方法，以分类由量子景观为电池派黑客马拉松提供的9,300个阻抗光谱的ECM。 最佳性能方法是利用库自动生成特征的梯度增强树模型，然后使用原始光谱数据进行随机森林模型。 使用Nyquist表示的布尔图像的卷积神经网络是替代的，尽管它的精度较低。 我们发布数据并开源关联的代码。 本文中描述的方法可以作为进一步研究的基准。 关键的剩余挑战是标签的识别能力，由模型性能和错误分类光谱的比较强调。 ©2023作者。 由IOP Publishing Limited代表电化学学会出版。 [doi：10.1149/1945-7111/acd8fb]对ECM的自动识别将基本上加速大量EIS数据的分析。我们展示了机器学习方法，以分类由量子景观为电池派黑客马拉松提供的9,300个阻抗光谱的ECM。最佳性能方法是利用库自动生成特征的梯度增强树模型，然后使用原始光谱数据进行随机森林模型。使用Nyquist表示的布尔图像的卷积神经网络是替代的，尽管它的精度较低。我们发布数据并开源关联的代码。本文中描述的方法可以作为进一步研究的基准。关键的剩余挑战是标签的识别能力，由模型性能和错误分类光谱的比较强调。©2023作者。由IOP Publishing Limited代表电化学学会出版。[doi：10.1149/1945-7111/acd8fb]这是根据Creative Commons Attribution 4.0许可（CC by，http://creativecommons.org/licenses/ by/4.0/）分发的开放式访问文章，如果原始工作适当地引用了原始作品，则可以在任何媒介中不受限制地重复使用工作。
面向应用的量子计算性能基准
在本研究中，我们引入了一套面向量子应用的开源性能基准测试套件，旨在衡量量子计算硬件在执行量子应用时的有效性。这些基准测试通过使用体积基准测试框架，将结果的保真度映射为电路宽度和深度的函数，探测量子计算机在各种算法和小型应用上的性能，因为问题规模是变化的。除了估计量子执行生成的结果的保真度之外，该套件还旨在对执行管道的某些方面进行基准测试，以便为最终用户提供解决问题的质量和时间的实际衡量标准。我们的方法旨在预测未来五年可能出现的量子计算硬件的进步。该基准测试套件旨在让广大用户随时可用，并提供与许多著名量子计算算法相对应的基准测试。
美国太阳能光伏系统和储能成本基准，包括最低可持续价格分析：2022 年第一季度
缩略词列表 ac 交流电 AD/CVD 反倾销和反补贴税 BESS 电池储能系统 BLS 美国劳工统计局 BNEF BloombergNEF BOS 系统平衡 CBP 美国海关和边境保护局 CPI 消费者价格指数 dc 直流电 DOE 美国能源部 EPC 工程、采购和施工 GAAP 美国公认会计原则 HVAC 供暖、通风和空调 IFRS 国际财务报告准则 ILR 逆变器负载率 IRR 内部收益率 kWh 千瓦时 LBNL 劳伦斯伯克利国家实验室 LCOE 平准化能源成本 LFP 磷酸铁锂 Li-ion 锂离子 MMP 模型市场价格 MSP 最低可持续价格 MW ac 兆瓦交流电 MW dc 兆瓦直流电 MSRP 制造商建议零售价 NEM 净能量计量 NREL 国家可再生能源实验室 O&M 运营和维护 PII 许可、检查和互连 PPA 购电协议 PV光伏 PVCS 光伏组合开关设备 Q 季度 R&D 研究与开发 RTE 往返效率 SAM 系统顾问模型 SAPC 太阳能获取公共资本 SEIA 太阳能产业协会 SETO 美国能源部太阳能技术办公室 SG&A 销售、一般及行政管理 SOC 充电状态 STC 标准测试条件 UFLPA 维吾尔族强迫劳动预防法
市场价格基准的计算 20220930
市场价格基准 PCIA 计算是在 D.11-12-018 中建立的，最近在 D.22-01-023 中进行了改进。2 PCIA 或 IOU 的差异金额等于 IOU 的总 PCIA 合格投资组合成本减去给定年份的投资组合市场价值。市场价值在 D.19-10-001 中定义为“以美元衡量的估计财务价值，该价值归因于 IOU 能源资源投资组合，目的是计算给定年份的电费差异调整。”3 D.19-10-001 将 MPB 定义为“与 IOU 投资组合（能源、资源充足性和可再生能源）的三个主要价值来源相关的每单位价值（而非投资组合总价值）的估计值。”4 MPB 乘以相关投资组合数量，作为整体市场价值计算的一部分。预测加法器旨在减少无差异量的不确定性，而实际上行加法器旨在使实际市场收入与预测值保持一致。能源指数能源指数是反映 IOU 符合 PCIA 资格的投资组合中每单位能源的估计市场价值的 MPB，以美元/兆瓦时 ($/MWh) 为单位。能源指数以前被称为“棕色电力指数”。5
新冠疫苗被低估了多少？来自离散选择实验和 VSL 基准的证据
本文表达的观点为作者本人观点，不代表美国国防部、美国政府、作者所属的任何其他机构或美国国家经济研究局的官方政策或立场。特别感谢 Denvil Duncan、Seth Freedman、David R. Henderson、Thomas J. Kniesner、Lisa Robinson、Justin Ross、W. Kip Viscusi、Dan Sacks 以及美国经济协会、成本效益分析协会和南方经济协会会议、内华达大学拉斯维加斯分校、圣地亚哥州立大学和海军研究生院的研讨会参与者提供的有益评论。作者要感谢 Regenstrief Institute, Inc.，尤其是公共关系团队和生物医学信息学中心在疫情期间对此项非资助研究项目的支持。还要感谢研究团队成员 Shaun Grannis、Monica Kasting、Jon Macy 和微软新闻团队在开发和实施横幅广告方面提供的支持（Mary L. Gray、Vera Chan、Juan Lavista Ferres、Matt Lindenburg 和 Erin Van Noy）以及微软研究健康未来小组的 Mandi Hall。我们感谢 Ashley Wiensch 提供的行政支持。
Qualcomm Cloud AI 100 MLPerf™ 推理基准测试
凭借性能密度和每瓦性能方面的业界领先进步，Qualcomm Cloud AI 100 平台在最新基准测试的所有评分卡中均处于领先地位。
EEG 迁移学习竞赛基准
构建用于 EEG 解码的独立于受试者的深度学习模型面临着跨不同数据集、受试者和记录会话的强协变量转移的挑战。我们解决这一困难的方法是使用简单的统计技术以及具有更多表示能力的可训练方法明确对齐深度学习模型各个层的特征分布。这与基于协方差的对齐方法 [1] 类似，后者通常用于黎曼流形上下文 [2]。本文提出的方法在 NeurIPS 会议 2 举办的 2021 年 EEG 迁移学习基准 (BEETL) 竞赛 1 中荣获第一名。竞赛的第一项任务是睡眠阶段分类，这需要将在年轻受试者身上训练的模型转移到对多名年龄较大的受试者进行推理，而无需个性化的校准数据，因此需要独立于受试者的模型。第二项任务需要将在一个或多个源运动想象数据集的受试者上训练的模型转移到两个目标数据集上进行推理，为多个测试对象提供一小组个性化校准数据。