XiaoMi-AI文件搜索系统
World File Search SystemOptima
风力涡轮机群隐式相位协调最优控制
惯性质量，J 101 537 . 5 kg m 2 阻尼，B 100 N ms / rad 极对数，p 2 变速箱速比，N 24 . 12 叶片长度 + 轮毂，R m 13 . 5 m 转子电阻，R r 0 . 007 645 44 Ω 转子电感，L r 0 . 007 067 33 H 定子电阻，R s 0 . 009 585 76 Ω 定子电感，L s 0 . 000 252 35 H 定子电流。 d 轴，isdisd ≥ 0 A 定子频率，ω s ω s ≥ 0 rad / s 初始转子频率，ω r 0 2 rad / s 转子频率，ω r ω r ∈ [ 0 , 9 . 208 ] rad / s 直流母线电压，vv ∈ [ 437 , 483 ] V (460 V ± 5%) 直流母线电阻，R 1000 Ω 直流母线电容，C 0 . 1 F 连接电感，L 0 . 001 H 连接电阻，R 0 . 05 Ω 时间窗口 600 s 直流母线电压，vv ′′ ∈ [ − 20 , 20 ] V / s 2
信息论中的最佳重正化群变换
最近，引入了一种新颖的实空间重正化群 (RG) 算法。通过最大化信息论量，即实空间互信息，该算法可确定相关的低能自由度。受此启发，我们研究了平移不变系统和无序系统的粗粒化程序的信息论性质。我们证明，完美的实空间互信息粗粒化不会增加重正化汉密尔顿量中的相互作用范围，并且对于无序系统，它会抑制重正化无序分布中相关性的产生，从这个意义上讲是最优的。我们通过对干净随机的伊辛链进行任意粗粒化，通过经验验证了这些复杂性度量作为 RG 保留信息的函数的衰减。结果建立了 RG 作为压缩方案的性质与物理对象（即汉密尔顿量和无序分布）性质之间的直接且可量化的联系。我们还研究了约束对通用 RG 程序中粗粒度自由度的数量和类型的影响。
最佳大脑压缩：准确的训练后量化和修剪框架
我们考虑深度神经网络 (DNN) 在具有挑战性的一次性/后训练环境中的模型压缩问题，在该环境中，我们获得了一个经过精确训练的模型，并且必须仅基于少量校准输入数据对其进行压缩，而无需进行任何重新训练。鉴于新兴的软件和硬件支持通过加速剪枝和/或量化来执行压缩模型，这个问题变得很普遍，并且已经针对这两种压缩方法分别提出了性能良好的解决方案。在本文中，我们介绍了一种新的压缩框架，该框架在统一的环境中涵盖权重剪枝和量化，具有时间和空间效率，并且大大提高了现有后训练方法的实际性能。在技术层面，我们的方法基于 [LeCun、Denker 和 Solla，1990] 的经典最佳脑外科医生 (OBS) 框架的精确和高效实现，该框架扩展到还涵盖现代 DNN 规模的权重量化。从实际角度来看，我们的实验结果表明，它可以显著改善现有后训练方法的压缩-准确度权衡，并且可以在后训练环境中实现修剪和量化的准确复合应用。
Julia 中的交流最优功率流
具有 13 个条目的 Dict{String,Any}：“source_type”=>“matpower” “name”=>“pglib_opf_case5_pjm” “source_version”=> v“2.0.0” “baseMVA”=> 100.0 “per_unit”=> true “bus”=> Dict{String,Any}(...) “branch”=> Dict{String,Any}(...) “dcline”=> Dict{String,Any}(...) “gen”=> Dict{String,Any}(...) “load”=> Dict{String,Any}(...) “shunt”=> Dict{String,Any}(...) “storage”=> Dict{String,Any}(...)
通过逐层优化脑外科医生学习修剪深度神经网络
如何开发精简而准确的深度神经网络对于实际应用至关重要，尤其是对于嵌入式系统中的应用。尽管之前沿着该研究方向的工作已经显示出一些有希望的结果，但是大多数现有方法要么无法显著压缩训练有素的深度网络，要么需要对修剪后的深度网络进行大量再训练才能重新提高其预测性能。在本文中，我们提出了一种新的深度神经网络分层修剪方法。在我们提出的方法中，每个单独层的参数都基于相应参数的分层误差函数的二阶导数独立地进行修剪。我们证明，修剪后最终的预测性能下降受每层造成的重构误差的线性组合限制。通过适当控制分层误差，只需对修剪后的网络进行轻度再训练即可恢复其原始的预测性能。我们在基准数据集上进行了大量实验，以证明我们的修剪方法与几种最先进的基线方法相比的有效性。我们的工作代码发布在：https://github.com/csyhhu/L-OBS 。
考虑核能的低碳综合能源系统优化调度
摘要：小型化核电机组的发展和碳交易市场的完善为实现综合能源系统低碳运行提供了新途径。本研究将NP机组和碳交易机制引入综合能源系统，构建新型低碳调度模型。针对NP机组引入导致的系统运行灵活性下降的问题，一方面对NP机组进行供热改造，使其成为热电联产机组，扩大其运行范围，提高其运行灵活性；另一方面在综合能源系统引入储电系统、储热系统、电转气机组等可进行能量时间转换或能量形式转换的辅助设备，共同提高系统运行灵活性。在模型求解阶段，利用离散化步长变换，将考虑可再生能源出力不确定性的机会约束规划（CCP）模型转化为等效的混合整数线性规划（MILP）模型。基于华北地区某综合能源系统实际数据搭建的测试系统表明，所提方法具有良好的经济效益和低碳环保效益。关键词：综合能源系统；核电机组；碳交易；碳排放；核能供热；低碳；机会约束；可再生能源发电不确定性。
使用 HOMER 对土耳其某地区混合可再生能源系统进行优化设计
近年来，提高绿色能源的使用率以满足日益增长的能源需求和应对全球变暖已成为各国的重要目标之一。因此，将可再生能源整合为分布式发电变得越来越流行。在本研究中，为土耳其代尼兹利省萨拉伊科伊区一个 100 户家庭的电气化设计了混合可再生能源系统，并使用电力可再生能源混合优化模型程序来优化所需的组件输出，以实现最佳的经济和环境效果。共创建了六种混合可再生能源系统设计，三种并网和三种独立系统，这些系统采用了光伏板、风力涡轮机、柴油发电机、电池储能系统和转换器等不同组件的组合。最经济的设计是仅使用太阳能的并网系统，单位能源成本为 0.0362 美元/千瓦时，而最具成本效益的是包含太阳能、风能和电池的独立系统，成本为 1.61 美元/千瓦时。从环境角度来说，离网系统恰恰相反，排放的二氧化碳较少，而并网系统排放的二氧化碳较多。
原始发表论文的引用（记录版本）：Thaler, B., Kanchiralla, F., Posch, S. et al (2022). 优化设计和运行
逐步淘汰航运业的化石燃料对于减少温室气体排放至关重要。基于可再生能源的合成燃料是可持续海运业的一个有前途的选择，可再生甲醇是最广泛考虑的能源载体之一。然而，可再生甲醇的供应仍然有限，而且与传统燃料相关的成本明显高于传统燃料，这也是因为燃料合成必须依赖二氧化碳作为资源。通过使用船上碳捕获，可以避免燃烧过程中二氧化碳的释放，这种闭式循环减少了对碳源的需求。本文通过分析使用内燃机和相连的燃烧前和燃烧后碳捕获技术的整体船舶能源系统来研究这种情况。通过建立一个混合整数优化框架来优化船舶推进系统的设计和运行，研究了这些技术对完全可再生能源系统的技术经济性能的影响。所选案例研究的推进需求包括在波罗的海运营的渡轮的典型运行概况。将捕获情况与仅基于可再生甲醇的系统进行比较，可以发现封闭式碳循环系统具有显著的成本优势。基线情景的年成本降低了近 20%，燃烧后情况下的总捕获率为 90%，燃烧前情况下的总捕获率为 40% 左右。广泛的敏感性分析表明，这些成本优势在各种技术和经济边界条件下都具有稳健性。在燃烧前情况下，工艺热需求减少与发动机热供应增加相结合可能会使捕获率超过 90%。结果表明，将可再生燃料与船上碳捕获相结合可以为成本效益高、可持续的航运创造机会。
风能转化为甲醇的最佳方案：技术经济...
已经开发出一种优化工具来确定电转甲醇子系统（电解器、氢气和电池存储以及甲醇生产厂）的最佳配置和规模，以最大限度地降低电转甲醇生产成本。研究结果表明，并网配置比离网配置更具经济效益。对于 300,000 吨/年的甲醇生产能力，并网配置实现了 1,094 欧元/吨的甲醇平准成本 (LCOM)，比离网配置低 20%。离网配置的最佳生产规模为 70,000 吨/年，LCOM 为 1,220 欧元/吨。对于并网配置，较大的工厂受益于规模经济，年产能为 100 万吨的工厂可获得 1,072 欧元/吨的 LCOM。
培训计算最佳的大语言模型
Layton，D。“ Chatgpt - 我们如何到达今天的位置 - GPT开发的时间表。” https://medium.com/@dlaytonj2/chatgpt-how-we-we-got-to-wher-we-we-are-today-a-timeline-timeline-fppt-development-f7a35dcc660e（2023）。Lubbad，M。“ GPT-4参数：无限制指南NLP的游戏规则改变者。”https://mlubbad.medium.com/the-ultimate-guide-to-gpt-4-parameters-verything-nything-to-to-to-to-to-to-about-about-about-about-about-about-nlps-changer-changer-109b87678555a（2023）。Shree，P。“开放AI GPT模型的旅程。”https://medium.com/walmartglobaltech/the-journey-open-open-ai-gpt-models-32d95b7b7fb2（2020）。