XiaoMi-AI文件搜索系统
World File Search System决策变量
基于电网连接的混合可再生能源系统，用于优化能源管理
过去几年，与电网系统集成的混合可再生能源系统 (HRES) 的需求显著增加。这种集成提供了更好的可靠性、持续供应和改进的系统性能。本文提出了与电网连接的 HRES 的最佳规模 (额定值)。蚁狮优化 (ALO) 算法用于优化。对于 ALO 算法，决策变量是光伏电池板 (N PV ) 和风力涡轮机 (N WT ) 的数量。优化考虑基于限制的特定优先级，以满足与光伏阵列、风力涡轮机以及最终电网相关的混合系统负载需求。此外，还研究了将太阳能光伏和风能与单个目标函数独立结合的影响。使用 ALO 最小化作为目标函数的总净现值 (TNPC) 和可靠性指数 (IR)。提出了两种不同的方案。运行优化算法后，在 TNPC 和 IR 方面对两种提出的方案进行了比较。因此，这决定了构建 HRES 所需的光伏和风力涡轮机的数量。关键词：混合可再生能源 (HRES)、负载需求、电网、Ant-Lion 优化器、
Jite（信息学和电信工程杂志）
北亚齐（North Aceh）是亚齐省的一个地区之一，在海事和渔业领域具有巨大潜力。许多捕获的渔业资源是领先的商品，因为北亚齐的一部分是捕获渔业产品的供应商。至于本研究中的问题，由于该地区远离海岸线的位置，北亚齐的摄政区有几个子区域，渔业供应不足，因此导致渔业产品供应链的物流成本很高。因此，我们需要优化供应链规划渔业产品的模型。这项研究的目的是使用混合整数线性编程方法的捕获供应链优化模型。本研究中进行的阶段汇编了研究工具和文献研究，数据收集和分析，确定参数和决策变量，制定目标函数和模型约束，设计优化模型，测试和仿真模型。该模型可以最大程度地减少从供应商到消费者的渔业产品供应链的运营成本。测试和仿真使用Lindo软件，目的地功能的最大值为15次迭代关键字：优化，供应链，渔业产品，线性混合整数编程。
游戏理论方法
在这项研究中，游戏理论方法已用于执行使用时间（TOU）定价，并通过政府干预来实现可持续发展目标，以实现可再生和常规的能源供应链。此外，基于TOU定价的需求响应计划（DRP）也得到了提高，以改善功率生产者的利用和最终库的能源消耗模式。决策变量包括在低负载期，税率和补贴期间的常规和可再生能源价格。这些变量是在三种情况下确定的，其目标是最大化政府收入，最大化社会福利，最大程度地减少环境影响，以及生产商之间的合作和NASH的两场结构。通过向后诱导获得了三种情况下每个游戏的平衡解决方案。结果表明，与能源价格和关税有关的决策在实现可持续发展的目标，供应链成员的利润以及满足消费者需求方面起着重要作用。在所有三种情况下，政府收入功能和社会福利功能在NASH游戏中的价值比合作游戏中的价值更高，但是环境影响和生产商的Pro -Firt功能在合作游戏中的价值分别越来越高。©2022 Elsevier Ltd.
能量转换和管理
锂离子电池存储已成为各种能源系统的有前途的解决方案。但是，复杂的退化行为，相对较短的寿命，高资本和运营成本以及电力市场波动是挑战其实际生存能力的关键因素。因此，为了确保锂离子电池在现实生活中的持续盈利能力，考虑到关键影响因素的智能和最佳管理策略对于实现有效的电池利用至关重要。本研究提出了两天的电池行为感知操作计划策略，以最大限度地提高盈利能力和寿命，并使用动态电力定价来实现住宅电网连接应用。每个场景采用独特的方法来做出最佳决策，以实现最佳电池利用。第一种方案通过将收入率在三个收费/放电率（高，中，低）下优先级优化短期盈利能力，将每日收费和放电时间视为决策变量。相反，第二种情况提出了一种智能策略，能够在广泛的变量上做出明智的决策，以同时最大化收入并最大程度地减少退化成本，从而确保短期和长期利润能力。决策变量包括每个特定日期的周期频率，每个周期充电和排放的时间以及持续时间。为了确保有效的长期评估，两种情况都可以准确估计电池性能，日历和周期性降解，剩余的寿命以及在实际操作条件下的内部状态，直到电池达到其寿命末期标准为止。使用各种指标对情景进行经济评估。此外，还检查了电池价格和尺寸对优化的影响。关键发现表明，在第一组方案中，电荷/放电率低的策略最有效地扩展了电池寿命，估计为14。8年。但是，事实证明它是最少的利润，导致负利润为-3欧元 /千瓦时 /年。另一方面，尽管电池寿命较短，估计分别为10.1岁和13。6年，但较高和中度充电/放电的策略的正利润为8.3欧元/千瓦时/年和9.2欧元/千瓦时/年。此外，从回报的角度来看，快速收费/放电能力的策略导致回报期比中等利率策略短1.5岁。发现的结果表明，第一组方案限制了该战略在实现可持续性和盈利能力方面的灵活性。相比之下，第二种情况获得了令人印象深刻的利润（18欧元/年），最短的投资回收期（7。5年），值得称赞的寿命（12。5年），与以收入为中心的相反的情况相反，强调了收入增长和降级的利润的最佳平衡和推动利润的最佳平衡的重要性。这些发现为决策者提供了宝贵的见解，实现了明智的战略选择和有效的解决方案。
具有机器学习噪声缓解的非平面图大规模量子近似优化
量子计算机的尺寸和质量正在提高，但噪声仍然很大。误差缓解扩展了噪声设备可以有意义地执行的量子电路的大小。然而，最先进的误差缓解方法很难实现，超导量子比特设备中有限的量子比特连接将大多数应用限制在硬件的原生拓扑中。在这里，我们展示了一种基于机器学习的误差缓解技术，该技术在非平面随机正则图上具有多达 40 个节点的量子近似优化算法 (QAOA)。我们使用具有仔细的决策变量到量子比特映射的交换网络和前馈神经网络来优化多达 40 个量子比特的深度二 QAOA。我们观察到最大图的有意义的参数优化，这需要运行具有 958 个双量子比特门的量子电路。我们的论文强调了在量子近似优化中缓解样本而不仅仅是期望值的必要性。这些结果是朝着在经典模拟无法实现的规模上执行量子近似优化迈出的一步。达到这样的系统规模是正确理解 QAOA 等启发式算法的真正潜力的关键。
使用梯度向量和支持向量机
摘要：在克服Covid-19之后，世界各地的旅游需求再次上升。同时，对生态友好性的兴趣再次增长，并且正在努力建立一个环保的旅游生态系统。在这项研究中，假设采用了电池供电的电动城市旅游巴士，而不是现有的内燃机城市旅游巴士，我们试图开发用于电池供电的电动城市旅游巴士系统的最佳设计和操作算法。发达的算法追求了该计划的最大化，该算法是通过城市旅游巴士和电动城市旅游巴士系统的整体成本来计算的。此外，算法的决策变量是电动城市旅游巴士运营的日常数量和间隔，这与旅游需求，电动城市旅游总线的电池容量有关，以及是否安装了电视仪型无线充电器，还是在巴士站安装。操作研究方法用于开发设计算法，并得出数值示例是最佳设计的结果，以验证所提出的算法通过指代夏威夷瓦阿伊瓦胡岛的蓝色手推车线的操作情况。因此，发现可以通过更改指定路由的日常数字和间隔来实现最大化。
正常条件下并网微电网日常运行的稳健模型
摘要：微电网 (MG) 旨在在发生重大事件时以孤岛模式为其承载的关键负载提供服务。然而，在正常情况下，当 MG 处于并网模式时，它们可能有机会通过优化能源资源的运行和适当参与批发市场来实现财务利润。本文提出了一个模型来优化 MG 参与市场和能源资源的运营。由于 MG 通常承载可再生能源资源，因此在不考虑不确定性的情况下做出决策可能会使 MG 面临风险。因此，该模型通过稳健优化技术考虑了与可再生分布式发电 (DG) 的发电、需求和市场价格相关的不确定性。该模型被表述为双层最大最小优化问题。该问题通过两个迭代步骤解决。在第一步中，遗传算法 (GA) 找到不确定参数的最坏情况，以使 MG 利润最小化。然后，求解混合整数线性问题，以最大化 MG 决策变量的利润，同时考虑第一步确定的值。迭代这些步骤以达到收敛到最佳解决方案。为了确认该方法的性能，将其应用于典型的 MG 并报告结果。
已发表版本的引用（APA）：Mohagheghi, E., Alramlawi, M., Gabash, A., Blaabjerg, F., & Li, P. (2020)。实时有功无功最优功率
摘要：本文开发了一种多相多时间尺度实时动态有功无功最优潮流 (RT-DAR-OPF) 框架，以最优方式处理带有电池存储系统 (BSS) 的配电网 (DN) 中风力发电的自发变化。这里最具挑战性的问题是必须实时解决大规模“动态”（即具有微分/差分方程而不是仅代数方程）混合整数非线性规划 (MINLP) 问题。此外，考虑具有灵活运行策略的 BSS 的有功无功功率能力以及最小化 BSS 的使用寿命成本进一步增加了问题的复杂性。为了解决这个问题，在第一阶段，我们同时优化了大量混合整数决策变量，以计算 BSS 的日常最佳运行。在第二阶段，基于短期预测范围内的风电功率预测值，生成风电功率场景来描述具有非高斯分布的不确定风电功率。然后，在每个预测范围之前，解决并协调与场景相对应的 MINLP AR-OPF 问题。在第三阶段，基于测量的风电功率实际值，选择其中一个解决方案，对其进行修改，并在很短的时间间隔内实现到网络。使用中压 DN 证明了所提出的 RT-DAR-OPF 的适用性。
不确定性下的战略劳动力规划
摘要：招聘、解雇和晋升的劳动力规划问题一直是人力资源管理的难题。为了应对不确定的人员流失，我们提出了一种新方法来寻找一种行动方案，以防止违反组织目标实现约束，例如生产力、预算、员工人数、解雇门槛和管理控制范围。因此，这种方法导致了一个可追踪的圆锥优化模型，该模型最小化了受 Aumann 和 Serrano 风险指数启发的决策标准，其值可以与在不确定的情况下满足约束的概率和稳健性保证相关联。此外，我们的模型与文献不同，将员工的在职时间（已知会影响辞职）视为决策变量。在我们的公式中，决策和不确定性是相关的。为了解决该模型，我们引入了管道不变性技术，从而产生了可以轻松解决的精确重构。通过对新加坡公务员队伍中执行相同工作职能的员工的真实数据集进行模拟，研究了该模型的计算性能。使用我们的模型，我们能够以数字方式说明人力资源方面的见解，例如缺乏组织更新的后果。我们的模型也可能是第一个为官僚机构中常见的基于时间的进步政策提供依据的数字说明。
机器学习增强的列生成...
我们以前的研究引入了一种改进的伏诺图方法，以提高州级在状态疫苗分布的效率。与广泛使用的柱生成技术相比，尽管运输费用更高，但该方法的运输成本降低了5.92％，需求覆盖率增加了28.15％。两种方法都有效地解决了分布问题，但由于决策变量的复杂性和数据的大规模性质，它们经历了大量的CPU时间。我们的论文着重于提高计算效率，同时保持解决方案的质量。文献提出了各种方法来提高基于Voronoi图的技术的效率。例如，Lipin（2014）引入了凸船体方法，而Chen＆Merkel（2006）利用这种技术在随机测试中减少了选择开销。此外，Li＆Liu（2020），Ohya等。（1984），秦等人。（2017）和Karavelas（2004）各自提出了降低计算冗余并提高效率的策略。但是，由于奖励功能和子区域重塑策略的差异，这些方法并不直接适用于我们修改的Voronoi图。为了解决这个问题，我们建议开发一种新算法，该算法将机器学习纳入增强的列生成（CG）方法，以改善运行时。