XiaoMi-AI文件搜索系统
World File Search SystemNTL
NTL 编号 2023-N01
2009 年 4 月 29 日 (74 FR 19638)，内政部 (DOI) 在《联邦公报》上发布了最终规定，在前矿产管理局 (MMS)（BSEE 和 BOEM 的前身机构）内建立了 OCS 可再生能源计划的监管框架。2011 年 10 月 18 日，MMS 的可再生能源法规被分配给 BOEM，并在 30 CFR 第 585 部分 (76 FR 64432) 中重新颁布。监督职责的转移部长令 3299 成立了 BOEM 和 BSEE，将 OCS 可再生能源计划的安全和环境监督职责分配给 BOEM，直到土地和矿产管理局 (ASLM) 助理部长认为活动的增加证明将这些职能转移到 BSEE 是合理的。 2020 年 12 月，由于风能活动的增加，土地和矿产管理部首席副助理部长在 ASLM 的授权下，指示将 OCS 可再生能源计划的安全和环境监督从 BOEM 转移到 BSEE。1 2022 年 9 月 14 日，DOI 分别在部门手册第 219 部分第 1 章和第 218 部分第 1 章中将相关权力委托给 BSEE 和 BOEM。[添加发布日期]，DOI 在联邦公报上发布了一项最终规则（添加联邦公报引文），该规则改变了现有的 OCS 可再生能源和现有 OCS 设施的替代使用规定，与部长的命令和部门手册保持一致。最终规则并未对现有法规做出任何实质性更改。该规则只是重新分配了现有法规，以反映部长最近将职责委托给 BSEE 和 BOEM。具体而言，最终规则将有关 OCS 可再生能源活动安全和环境监督的法规从 30 CFR 第 585 部分中的 BOEM 监督重新分配给 30 CFR 第 285 部分中的 BSEE 监督。该规则还将 30 CFR 第 585 部分中有关现有 OCS 设施替代使用的使用权和地役权的法规移至 30 CFR 第 285 部分和新部分 30 CFR 第 586 部分。某些法规出现在多个部分中，因为它们涉及委托给 BOEM 和 BSEE（统称为局）的职责。本 NTL 澄清了 BOEM 和 BSEE 在这些情况下的各自角色。但是，承租人、受让人和运营商的合法权利、义务和利益不受最终规则中这些机构职责的行政重组的影响。
BOEM NTL 编号 2020-G01
本指导文件取消并取代了 NTL-2008-G04《勘探计划和开发作业协调文件的信息要求》中的空气排放信息部分，生效日期为 2008 年 5 月 5 日（第 13 至 17 页），并将一直有效，直到被取消或发布后续版本。本指导文件对 NTL 2008-G04 的其他部分没有影响。简介美国内政部 (DOI)、海洋能源管理局 (BOEM) 审查勘探计划 (EP)、开发作业协调文件 (DOCD) 以及开发和生产计划 (DPP) 是否符合适用的空气质量法律和法规。BOEM 负责西经 87°30' 以西墨西哥湾的这些审查，而美国环境保护署 (USEPA) 负责其他地区的相关空气质量审查。除了审查 EP、DOCD 和 DPP 是否符合 BOEM 的规定外，BOEM 还考虑潜在的空气质量影响以及根据《国家环境政策法》（NEPA）分析的其他潜在环境影响。以下指南旨在促进承租人和运营商准确、完整地提交必要的排放信息，以促进 BOEM 及时审查 EP、DOCD 和 DPP。背景以下是适用于 BOEM 在墨西哥湾进行空气质量审查的法律法规：
BOEM NTL 编号 2005-G07 生效日期
根据 550.194，当区域主管有“理由相信可能存在考古资源……”时，可能需要对租赁区域提交考古报告。30 CFR 550.194(a)。该法规的序言指出，“有理由相信”是通过对现有考古、地质和其他相关环境数据进行技术分析得出的。”参见 71 Fed. Reg. 23858（2006 年 4 月 25 日）（重点添加）。如果考古报告表明可能存在考古资源，则您必须确定任何作业的地点，以免对可能存在考古资源的区域造成不利影响 (550.194(a)(1))，或进行进一步的考古调查，以使区域主任确信考古资源不存在或不会受到作业的不利影响 (550.194(a)(2))。
印度夜间灯光 (NTL) 的十年变化......
印度政府太空部国家遥感中心，巴拉纳加尔，海得拉巴 - 500 037 电话：+9140 2388 4000 / 2388 4001 电子邮件：director@nrsc.gov.in
向承租人（NTL）的通知提供了有关外部大陆货架（OCS）可再生能源重组的信息和指南
2023年1月31日，DOI在联邦公报（88 FR 6376）中发布了最终规则，该规则转移了现有的OCS可再生能源和替代使用现有OCS设施法规，这与秘书的命令和部门手册一致。最终规则没有对现有法规进行任何实质性更改。该规则简单地重新分配了现有法规，以反映秘书最近将BSEE和BOEM的责任授权。具体来说，最终规则重新分配了与OCS可再生能源活动的安全和环境监督有关的法规，从BOEM的30 CFR第585部分的监督到BSEE在30 CFR第285部分的BSEE监督。该规则还将现有OCS设施的替代使用权的使用权和地役权的规定移至30 CFR第285部分和新部分，30 CFR Part 586。
![arxiv：2502.13593v1 [cs.lg] 2025年2月19日](/simg/5\5a25e74d4bf217233f1271ec9147c997c4f18e5f.webp)
arxiv：2502.13593v1 [cs.lg] 2025年2月19日
在过去的几十年中，研究人员主要专注于提高模型的概括能力，而对调节这种概括的关注有限。然而，模块化对意外数据（例如有害或未经授权的数据）的能力可以被恶意对手以无法预见的方式利用，这可能导致违反模型伦理的行为。不可转移的学习（NTL）提议解决这些挑战，旨在重塑深度学习模型的一般能力。尽管在该领域提出了Nuber的方法，但仍缺乏对现有进展的全面审查，并且对当前局限性进行了彻底的分析。在本文中，我们通过对NTL进行首次全面调查并引入NTLBENCH来弥合这一差距，这是评估NTL性能和鲁棒性在统一框架中的第一个基准。具体来说，我们首先介绍了NTL的任务设置，一般框架和criaia，然后进行NTL AP-aperaches的摘要。此外，我们强调了对各种AT-
能源消耗中的非技术损失检测，重点关注能源回收和可解释性
摘要 非技术损失 (NTL) 是许多公用事业公司试图解决的问题，通常使用黑盒监督分类算法。一般来说，这种方法取得了良好的效果。然而，在实践中，NTL 检测面临着技术、经济和透明度方面的挑战，这些挑战无法轻易解决，并且会损害预测的质量和公平性。在这项工作中，我们将这些问题置于为一家国际公用事业公司建立的 NTL 检测系统中。我们解释了如何通过从分类转向回归系统并引入解释技术来提高其准确性和理解力，从而缓解这些问题。正如我们在本研究中所展示的，回归方法可以成为缓解这些技术问题的一个很好的选择，并且可以进行调整以捕捉最引人注目的 NTL 案例。此外，可解释的人工智能（通过 Shapley 值）使我们能够在基准测试之外验证回归方法在这种背景下的正确性，并大大提高我们系统的透明度。
基于优先级的负载平衡与多代理深的增强学习，用于空气空间集成网络切片
摘要 - 已研究了用于支持多样化应用的Space-Air-fromend集成网络（SAGIN）切片，该应用由陆地（TL）组成，由基站（BS）部署（BS），由无人驾驶汽车（无人驾驶汽车（UAV）的空中层部署的空中层（AL）组成。每个Sagin组件的能力是有限的，在退出文献中尚未完全考虑高效和协同负载平衡。为了这种动机，我们最初提出了一种基于优先级的载荷平衡方案，用于Sagin切片，其中AL和SL合并为一层，即非TL（NTL）。首先，在相同的物理萨金下建造了三个典型的切片（即高通量，低延迟和宽覆盖片）。然后，引入了一种基于优先级的跨层负载平衡方法，用户将拥有访问陆地BS的优先级，并且不同的切片具有不同的优先级。更具体地说，超载的BS可以将低优先级切片的用户卸载到NTL。此外，通过制定多目标优化问题（MOOP），共同优化相应切片的吞吐量，延迟和覆盖范围。此外，由于TL和NTL的独立性和优先级关系，上述摩托车被分解为两个子摩托车。报告的仿真结果表明了我们提出的LB方案的优势，并表明我们所提出的算法优于基准测试器。最后，我们自定义了一个两层多代理的深层确定性策略梯度（MADDPG）算法，用于求解这两个子问题，该问题首先优化了TL的用户-BS关联和资源分配，然后确定UAVS的位置部署，USE-UAV/Leo satellite Satellite Association和NTL的资源分配。
工作论文 · 第 2021-78 号 我们应该在多大程度上相信独裁者的 GDP 增长估计？
我通过将自报的 GDP 数据与外太空卫星记录的夜间灯光 (NTL) 进行比较，研究了专制政权夸大 GDP 增长的情况。我指出，在更专制的政权中，GDP 的 NTL 弹性系统性地更大。弹性的这种专制梯度对于数据来源、计量经济学规范或样本构成的多种变化具有稳健性，并且不能通过大量国家特征的潜在差异来解释。当夸大经济增长的动机更强或对这种夸大的限制较弱时，梯度会更大。结果表明，专制政权每年夸大 GDP 增长高达 35%。根据专制政权中发生的操纵调整 GDP 数据会导致对近几十年来非民主国家经济成功的更细致入微的看法，并影响我们对外国援助流入变化对人均收入的影响的理解。
用于配电网能源盗窃检测的人工智能
摘要：配电系统的数字化彻底改变了数据收集和分析的方式。本文解决了利用这些信息识别电力消耗中的违规和异常这一关键任务。重点是检测配电网中的非技术性损失 (NTL) 和能源盗窃。本文全面概述了利用电力消耗测量来发现 NTL 和能源盗窃的方法。确定了消费者中最常见的异常和盗窃场景和普遍案例。此外，还提出了针对特定异常的统计指标。在这篇研究论文中，重点介绍了许多人工智能 (AI) 算法的实际实现，包括人工神经网络 (ANN)、ANFIS、自动编码器神经网络和 K 均值聚类。这些算法在我们的研究中起着核心作用，我们的主要目标是展示它们在识别 NTL 方面的有效性。我们使用直接来自配电网的真实数据。此外，我们仔细评估统计方法的效果，并通过使用真实数据进行测试，将其与 AI 技术进行比较。人工神经网络 (ANN) 准确识别了各种消费者类型，频率误差为 7.62%。相比之下，K 均值算法的频率误差略高，为 9.26%，而自适应神经模糊推理系统 (ANFIS) 无法检测到初始异常类型，导致频率误差为 11.11%。我们的研究表明，人工智能可以更有效地发现电力消耗中的异常情况。这种方法，尤其是在使用智能电表数据时，可以帮助我们发现问题并保护配电网络。