XiaoMi-AI文件搜索系统
World File Search SystemStochastic
含可再生能源发电和储能的微电网运行随机优化
摘要 — 在电力系统中，可变可再生能源 (VRES) 和 ESS 必须有助于确保供应，因此储能系统 (ESS) 的运行可视为对稀缺性的套利。即时使用储能的价值必须与其潜在的未来价值和未来的稀缺风险相平衡。本文提出了一种多阶段随机规划模型，用于运行带有 VRES、ESS 和火力发电机的微电网，该模型分为短期和长期模型。短期模型利用每六小时更新一次的预测信息，而长期模型则考虑预测期以外的储能价值。该模型使用随机对偶动态规划和马尔可夫链求解，结果表明，对于可变可再生能源发电和 ESS 程度高且可调度发电容量有限的系统，考虑短期和长期不确定性的重要性增加。
考虑电池退化的影响，能量受限微电网的随机运行
摘要 — 可再生能源发电占比较高的电力系统容易受到发电量低的时期的影响。保持高可调度发电能力的另一种方法是使用电能存储，这样可以利用剩余电力，电能存储有助于保障供电安全。这种系统可以视为能源受限系统，电能存储的运行必须在运营成本最小化和稀缺风险之间取得平衡。在这方面，依赖于操作的存储特性（如储能退化）是一个复杂因素。本文提出了一种电池充电状态退化的线性近似方法，并将其与循环退化相结合，在基于随机对偶动态规划的能源管理模型中实现。研究了退化建模对挪威小型微电网的影响，该微电网具有可变可再生能源发电和有限的可调度发电能力，以及电池和氢气存储以平衡供需。我们的结果表明，与简单的随机策略相比，所提出的策略可以将预期电池寿命延长四年以上，但可能会导致其他系统资源的退化加剧。显然，随机策略对于在能源受限的系统中保持较低的稀缺风险至关重要。
基于力的润湿表征Nanonewton敏感性的随机超疏水涂层
不同类型的液体固定表面，超疏水材料和涂料是良好的。有效的超疏水表面必须具有地形粗糙度和防水表面化学。微型或纳米乳状表面，通过微观图案制造，然后进行表面化学修饰[13,14]，通常用于系统地探索超恐惧症的特性。但是，它们的织物需要在大规模应用上经济上可行的光刻过程。[15]为了克服这一问题，已经报道了用于预先处理超疏水表面和材料的众多替代解决方案。[16,17]中，通过喷涂沉积的涂料在工业和企业应用中都发现了市场。[15]然而，喷雾沉积过程和材料的随机性会导致涂层均匀性的变化，并带来了提供一致的高涂层质量的挑战。在很大程度上缺乏这些广泛使用涂层的润湿性能的系统定量评估，[18]，可以使涂料程序和涂料配方的优化有益于优化。表面的润湿表征传统上是通过光接触角性测量法（CAG）进行的。[19]该技术在高度非润湿表面（例如超疏水涂层）上的准确性降低，在这些技术中，前进和退化的接触角的误差可以达到10°。[23][20–22]此外，人们普遍理解，这些测量不适合研究表面润湿性的空间异质性，因为几毫米的横向分辨率导致平均润湿性能在大面积上平均。
随机特征选择带退火及其在流数据中的应用
特征选择是高维统计和机器学习的重要主题，用于预测和理解潜在现象。它在计算机视觉，自然语言处理，生物信息学等中都有许多应用。但是，文献中的大多数特征选择方法已提出用于离线学习，现有的在线功能选择方法在真正的支持恢复中具有理论和实际限制。本文提出了两种新型的在线特征选择方法，该方法由随机梯度下降和硬阈值操作员提出。提出的方法可以同时选择相关特征，并基于所选变量构建线性回归或分类模型。为提出方法的一致性提供了理论上的理由。对模拟和实际稀疏数据集的数值实验表明，所提出的方法与文献的最新在线方法相比有利。关键字：变量选择，流数据，随机算法，退火过程，大数据学习
Markovian噪声的随机近似和加固学习的ODE方法
随机近似是一类算法，这些算法迭代，递增和随机更新，包括，例如，包括随机梯度下降和时间差学习。分析随机近似算法的一个基本挑战是建立其稳定性，即表明随机矢量迭代几乎肯定是有限的。在本文中，我们将著名的Borkar-Meyn定理从Martingale不同的噪声设定设置扩展到Markovian噪声设置，从而极大地提高了其在强化学习方面的适用性，尤其是在那些具有线性功能近似近似和资格率痕迹的O效性强化学习算法中。我们分析的核心是一些函数的变化变化速率的降低，这两种形式的强大定律和迭代对数定律的形式都暗示。关键字：随机近似，增强学习，稳定性，几乎确定的收敛性，资格跟踪
Provernf：在NERF中的每个点出处建模为随机字段
神经辐射场（NERFS）在各种应用程序中都表现出有希望的结果，已获得流行。据我们所知，现有作品并未明确对训练相机姿势的分布进行建模，或者因此是三角测量质量，这是影响重建质量的关键因素，它可以追溯到经典视觉文献。 我们用Provernf缩小了这一差距，该方法是将每个点的出处（即可能可见的位置）建模为NERFS作为随机场的方法。 我们通过将隐式最大似然估计（IMLE）扩展到具有优化目标的功能空间来实现这一目标。 我们表明，在NERF优化过程中对每点出处进行建模丰富了模型，并提供了三角剖分的信息，从而改善了新型视图合成和在针对竞争性基线的具有挑战性的稀疏，无约束的视图设置下的不确定性估计。据我们所知，现有作品并未明确对训练相机姿势的分布进行建模，或者因此是三角测量质量，这是影响重建质量的关键因素，它可以追溯到经典视觉文献。我们用Provernf缩小了这一差距，该方法是将每个点的出处（即可能可见的位置）建模为NERFS作为随机场的方法。我们通过将隐式最大似然估计（IMLE）扩展到具有优化目标的功能空间来实现这一目标。我们表明，在NERF优化过程中对每点出处进行建模丰富了模型，并提供了三角剖分的信息，从而改善了新型视图合成和在针对竞争性基线的具有挑战性的稀疏，无约束的视图设置下的不确定性估计。
一种模拟随机过程的量子谱方法及其在蒙特卡罗中的应用
随机过程在物理学、数学、工程学和金融学中起着基础性的作用。量子计算的一个潜在应用是更好地近似随机过程的性质。例如，用于蒙特卡罗估计的量子算法将随机过程的量子模拟与振幅估计相结合，以改进均值估计。在这项工作中，我们研究了与蒙特卡罗方法兼容的模拟随机过程的量子算法。我们引入了一种新的随机过程“模拟”量子表示，其中时间 t 时的过程值存储在量子态的振幅中，从而能够以指数方式高效编码过程轨迹。我们表明，这种表示允许使用高效量子算法来模拟某些随机过程，这些算法使用这些过程的光谱特性与量子傅里叶变换相结合。特别是，我们表明我们可以使用门复杂度为 polylog(T) 的量子电路来模拟分数布朗运动的 T 个时间步，该电路可以连贯地准备布朗路径上的叠加。然后，我们表明这可以与量子均值估计相结合，以创建端到端算法，用于估计时间 O (polylog(T)ϵ − c) 内过程的某些时间平均值，其中 3 / 2 < c < 2 是分数布朗运动的某些变体，而经典蒙特卡洛运行时间为 O (Tϵ − 2)，量子均值估计时间为 O (Tϵ − 1)。在此过程中，我们给出了一种有效的算法，以相干方式加载具有不同方差的高斯振幅的量子态，这可能是独立的兴趣所在。
开关光伏电池系统的随机非线性模型预测控制
摘要 - 预算系统在住宅家庭设置中的用户中获得了知名度。在此设置中，目前的利用能力的主要来源是增加光伏（PV）的自我效率，这高度依赖电池系统的效率。我们提出了一种基于随机动态编程（SDP）的控制方法，以提高系统效率。优化框架包括一个带有备用损失的开关系统，转换器损失的非线性建模以及家庭负载和PV生成的随机预测模型。我们在模拟典型基准案例的模拟中显示，我们的方法实际上可以减少整体系统损失和操作成本。然后，在现实世界中使用市售电池系统显示的现实情况中的适用性。
基于随机多目标优化模型的多能源微电网日前调度
摘要：处理多目标问题有几个有趣的好处，其中之一是它为决策者提供了有关帕累托前沿的完整信息，以及对问题所涉及的各种权衡的清晰概述。选择这样的代表性集合本身就是一个多目标问题，必须考虑选择的数量以显示表示的均匀性和/或表示的覆盖范围，以确保解决方案的质量。在本研究中，由于包含诸如多能源多微电网 (MMG) 的运营成本和配电公司 (DISCO) 的利润等目标，日前调度已转变为多目标优化问题。所提出的系统的目的是确定热电联产 (CHP) 装置、燃气锅炉、储能和需求响应计划以及电力和天然气 (NG) 交易的最佳日前运行。电力和天然气由 MG 与 DISCO 以动态和固定价格进行交易。通过场景生成和概率密度函数，考虑了风速、太阳辐射、电力和热量需求的不确定性。通过使用混合整数线性规划 (MILP) 进行场景缩减，生成的场景数量显著减少。使用 ε 约束方法并将其作为混合整数非线性规划 (MINLP) 进行求解，以获得满足这两个非线性目标函数需求的解决方案。
不确定电力市场中家用热泵的随机能量优化
可再生能源在世界各地电力系统中的渗透率正在提高。由于可再生能源的间歇性和波动性，需求侧管理是克服这一问题的实用解决方案。本文提出了一种用于热泵的随机模型预测控制，用于为住宅建筑提供空间供暖和生活热水消耗。连续时间随机模型用 R 语言编写，以解决模型识别方法。该方法使用家庭的传感器数据来提取建筑物的热动态。控制器参与可再生能源渗透率高的三层电力市场。建议采用三阶段随机规划，分别在日前、日内和平衡市场中，在长期、中期和短期提前通知下解锁电热灵活性。考虑到可再生能源可用性与电价之间的密切相关性，价格数据通过自回归综合移动平均线建模为概率场景。环境温度以及生活热水消耗被视为具有上限和下限的包络边界。最后，在一座 150 平方米的测试房屋中，在电价、天气变量和占用模式不确定的情况下，检查控制器的运行策略。