XiaoMi-AI文件搜索系统
World File Search SystemPreprint
使用强化学习恢复可再生不确定性下的配电系统：预印本
摘要 — 配电系统中的分布式能源 (DER)，包括可再生能源发电、微型涡轮机和储能，可用于在极端事件后恢复关键负载，以提高电网弹性。然而，在可再生能源不确定性和燃料可用性的情况下，正确协调系统中的多个 DER 以进行多步恢复过程是一个复杂的顺序最优控制问题。由于其处理系统非线性和不确定性的能力，强化学习 (RL) 成为解决复杂顺序控制问题的潜在有力候选者。此外，RL 的离线训练在在线操作期间提供了出色的行动准备，使其适用于需要及时、正确和协调行动的负载恢复等问题。在本研究中，研究了基于简化单总线系统的配电系统优先负载恢复：在可再生能源发电预测不完善的情况下，将 RL 控制器的性能与确定性模型预测控制 (MPC) 的性能进行了比较。我们的实验结果表明，与基线控制器相比，RL 控制器能够从经验中学习，适应不完善的预测信息并提供更可靠的恢复过程。
学习极快交流最佳功率流的最佳解决方案：预印本
摘要 - 在本文中，我们开发了一种机器学习，以优化电网的实时操作。尤其是，我们学到了可行的解决方案，这些解决方案具有可忽略不计的最佳差距的交流最佳功率流（OPF）问题。AC OPF问题旨在确定电网的最佳操作条件，以最大程度地减少功率损失和/或发电成本。由于解决了这个非概念问题的计算挑战，许多努力都集中在线性化或近似问题上解决AC OPF问题，以解决更快的时间范围内的AC OPF问题。但是，其中许多近似值可能是实际系统状态的相当差的表示，并且仍然需要解决优化问题，这对于大型网络来说可能很耗时。在这项工作中，我们学习了系统加载和最佳生成值之间的映射，使我们能够找到近乎最佳和可行的AC OPF解决方案。这使我们能够绕过传统的非convex AC OPF问题，从而导致网格运营商的计算负担显着减少。
数据驱动的线性参数变化建模和电网服务灵活负载控制：预印本
摘要 — 灵活负载具有极大潜力，可提高电网的灵活性和稳定性。要有效控制大量异构负载，需要可靠的模型。本文介绍了一种数据驱动的建模和控制方法来管理灵活负载以提供电网服务。我们利用线性参数变化自回归移动平均 (LPV-ARMA) 模型来描述总负载响应，其中模型中的参数用于捕获外部环境影响（例如天气）。然后开发增益调度反馈控制器以适应环境变化。这种数据驱动方法可以轻松应用于各种环境条件下的不同类型的负载。除了集合控制器之外，分布式负载控制器还旨在提供电网服务，同时保持固有负载任务的服务质量。我们展示了 IEEE 37 节点配电系统的工作，通过控制恒温控制负载来实现实时功率调节服务。
太阳能预测不确定的混合发电厂的竞价曲线设计：预印本
摘要 —本文提出了一种新型竞价曲线设计算法，专门用于混合发电厂 (HPP) 参与批发电力市场。利用光伏 (PV) 发电量和可用电池电量的预测，我们的算法策略性地计算竞价曲线以最大化 HPP 利润，同时巧妙地管理与光伏发电相关的固有不确定性。此外，在 HPP 竞价曲线中引入惩罚成本为系统运营商提供了一种有效管理由 HPP 引起的系统级不确定性的工具。通过蒙特卡洛模拟的数值分析证实，我们的竞价曲线方法在各种情况下都优于基准。索引术语 —混合发电厂、竞价曲线、日前市场、经济调度。
使用木质素基混合物调整 3D 打印砂浆的流变性能：预印本
摘要。可以通过针对替代外加剂以及精确控制制造过程的多方面方法来促进建筑材料和与水泥和混凝土相关的工业过程的脱碳。减水化学外加剂在先进混凝土混合物的开发中发挥了至关重要的作用。为从玉米秸秆生物质生产航空燃料而开发的较新的生物质加工技术产生了更具反应性的木质素副产品，该副产品适合进行化学改性以模仿具有较小碳足迹的聚羧酸醚外加剂的性质。本研究考察了木质素基减水外加剂在用于 3D 打印的水泥浆和砂浆混合物中的使用。实验计划探索使用不同剂量的木质素基外加剂来生产具有适当挤出性和可建造性的 3D 打印样品。进行了流变学表征以确定各种混合物的流动曲线。最后，通过等温量热法监测水泥浆体的水化热，以评估木质素基掺合料对水泥水化过程的影响。本研究结果表明，使用生物质副产品（例如木质素基掺合料）具有巨大潜力，可以有效控制水泥基材料的新鲜状态性能。
生成式人工智能和教育机构：批判性范围审查和主题分析：预印本
目前社会对人工智能的关注导致人们不清楚这些新技术应该如何在教育中使用。媒体报道经常强调 GenAI 技术的负面影响的耸人听闻的影响，并预测灾难性的社会后果 (Roe & Perkins, 2023)。另一方面，一些教育领域的研究表明，GenAI 工具对学习和教学有积极的影响。例如，使用结构化框架在评估中合理使用 GenAI 工具可以减少学术不端行为的发生，并促进批判性数字素养 (Furze et al., 2024; Perkins, Furze, et al., 2024)，大学生使用 GenAI 工具可能会对学业成绩产生积极影响 (Sun & Zhou, 2024)。此外，学习者本身并不一定反对 GenAI，实证研究表明，如果有教师监督，高等教育环境中的学习者愿意接受 GenAI 对评估项目的反馈（Roe 等人，2024 年）。
预印本 DOI：发布于 2023 年 5 月 10 日 https://doi.org/10.1099/acmi.0.000558.v2
© 2023 作者。这是一篇开放获取的文章，根据知识共享署名许可条款发布。
电网边缘 DER 芯片集成到下一代智能电表中的硬件在环评估：预印本
摘要 — 为了促进分布式能源资源管理系统 (DERMS) 的实施，我们建议在下一代智能电表中插入一个承载 DERMS 算法的电网边缘分布式能源资源 (DER) 芯片。这将为 DERMS 技术的广泛采用开辟道路，因为许多公用事业公司计划在不久的将来投资先进的计量基础设施。这也将弥合电力公用事业公司和电表背后的 DER 之间的差距。DER 芯片旨在遵循来自 DERMS 协调器的功率方向信号，同时平衡其本地目标。我们在 DERMS 在现实世界中可能面临的三种情况下使用控制器和电源硬件在环评估测试了该芯片。DER 芯片能够有效地指挥四个异构 DER 响应 DERMS 协调器的电网服务（例如，电压调节和虚拟发电厂）。
通过天空图像进行遮挡扰动深度学习概率太阳预报：预印本
摘要 — 由于太阳能资源本身的不确定性，太阳预报正在转向概率范式。输入不确定性量化是建模太阳不确定性的广泛使用和最佳方法之一。然而，与其他输入源（例如数值天气预报模型）相比，纯基于天空图像的概率太阳预报落后了。在这项研究中，开发了一种遮挡扰动卷积神经网络，称为 PSolarNet。PSolarNet 提供来自天空图像序列的全球水平辐照度的非常短期的确定性预报、预报场景和概率预报。基于 6 年开源数据的案例研究表明，开发的 PSolarNet 能够生成准确的 10 分钟确定性预报，标准均方根误差为 5.62%，预测场景逼真多样，与实际时间序列的平均相关性为 0.966，概率预报可靠而敏锐，标准连续排序概率得分为 2.77%。索引术语 — 深度学习、太阳预报、天空图像处理、贝叶斯模型平均