XiaoMi-AI文件搜索系统
World File Search System系统优化
用于能源系统优化的机器学习
本社论概述了特刊“2021 年能源系统机器学习”的内容，并回顾了机器学习 (ML) 技术在能源系统 (ES) 优化中的趋势。本期特刊重点回顾了严峻的挑战（例如，数据质量差、拟合不足、拟合过度或缺乏训练数据）、前沿贡献（例如，考虑成本和电网运营约束的 ES 优化）以及 ES 的 ML 趋势。为此，我们收集了几篇关于未来 ES 的论文，由于分布式 ES 以及采用先进技术（例如高效联合循环燃气轮机）增强的传统发电厂的容量增加，这些 ES 必然会表现出更高的复杂性。这样的 ES 不仅需要更高的可靠性和安全性，还需要将分布式 ES 顺利集成到现有电网中，而不会失去高功能改进。本文总结了特刊的主要发现和讨论，其中包括 13 篇关于 ES ML 技术的研究文章。此外，本文详细介绍了 ES 优化面临的挑战和解决问题的技术，特别是使用 ML 技术的挑战和解决问题的技术。我们希望这期解决 ES 各种优化问题的特刊能够帮助学术界、工业界和其他研究人员提高 ES 的可靠性和性能，为包括 ES 在内的任何其他应用（例如热能提供系统）开发 ML 技术，并研究优化后的 ES 对其与传统系统的无缝集成的影响。电能系统 (ES) 通常旨在为客户提供可靠、安全的电能服务。然而，分布式发电 (DG) 资源或风能和光伏 (PV) 资源的安装本质上包括其输出的不确定性和多变性，增加了电网运行和控制的复杂性 [1]。此外，抽水蓄能系统、压缩空气、电池（锂离子、铅酸、锂铁、液流电池等）、飞轮和超级电容器等储能系统与 DG 资源一起部署，以补偿 DG 资源的多变性。因此，大多数与储能系统相关的机器学习 (ML) 算法都试图处理 DG 资源和储能系统的最佳规模、放置、调度、协调和选择。优化分配的 DG 资源可以对 DG 资源顺利融入电力系统产生直接和间接的影响。直接影响可总结如下 [2-4]：（1）提高通过电压支持输送能量的能力，（2）提高灵活性和可靠性以满足负荷变化，（3）减少由于 DG 资源反向功率流造成的损耗，（4）更有效地减少峰值负荷以降低昂贵的发电成本，(5) 当 DG 资源的总发电量超过预设孤岛区的总需求时，以及为了实现协调一致的保护，则可进行孤岛运行 [5]。间接影响可概括为：降低发电成本 [6]；
基于模糊推理的能源管理系统优化的可再生能源与电池存储系统优化配置
摘要：规划可再生能源和电池存储系统的最佳运行的主要问题是必须考虑覆盖整个观察期的数据量。如果观察期为一年，则考虑特征日或平均数据（每日、每周或每月平均值）以减少数据量。由于输入数据的平均值与实际值不同，最好使用年度级别的每小时或 15 分钟数据。该研究提出了一个解决可再生能源和电池存储系统优化分配和运行问题的框架。所提出的方法同时解决了考虑年度级别的每小时数据的优化分配和能源管理问题。提出了基于模糊推理的系统来调度电池存储系统和可再生能源的最佳配置。开发的模糊推理系统管理光伏和风力发电系统的功率因数、沼气厂的功率因数和输出以及电池存储系统的运行状态。所提出的方法同时找到了能源管理系统的最优参数以及可再生能源和电池存储系统的最优分配和运行。所开发的方法基于稳态功率流的计算。所提出的方法将在设计阶段用于安装各种可再生能源和电池存储系统。此外，该方法还旨在用于在稳态运行期间最优地控制能源的功率输出和储能系统的运行，以便以最小的年有功电能损耗运行配电网。所开发的方法应用于具有 37 个节点的测试配电系统 IEEE。与没有可再生能源和电池存储系统的基准情况相比，测试配电系统的年能源损耗减少了约 80%。
配电网储能系统优化配置...
在电力分配系统（SDEE）中的 DAE 应用中，有几个需要解决的问题，重点是分配和操作。储能设备的分配可以作为电力系统的运行规划问题来处理。规划 SDEE 包括评估问题的技术和经济限制，并在最小化投资和运营成本与满足预先设定的可靠性和服务质量标准之间找到折衷的解决方案 [4]。因此，DAE 的分配必须在项目的经济分析中提供正平衡，以便可以考虑其分配，此外还可以更好地分配电网中存储的能量 [5]。
通过 PLEXOS 进行能源系统优化建模 - ...
按行业划分的客户：公用事业：97 咨询师：44 发电厂：39 研究人员：28 监管机构：21 输电系统运营商：14 独立系统运营商：13 交易商：5 能源分析师：4 国际机构：3
使用多代理 LLM 系统优化库存管理
摘要 有效的库存管理需要全面预测需求和优化库存水平的能力，而这传统上只限于人类专业知识。新兴的人工智能方法虽然通过深度学习模型和数据分析提供了有效的解决方案，但往往缺乏整合动态市场洞察和实时数据的灵活性。通过利用多个动态交互大型语言模型 (LLM) 的多样化功能，我们可以克服这些限制并开发一类新的人工智能驱动的库存管理系统。本文介绍了一个多智能体框架，包括项目经理智能体、销售预测智能体和库存经理智能体，它们自主协作以应对库存管理挑战。智能体通过自我和相互修正动态调整库存计划并保持产品可用性。模拟结果表明，库存周转率显著提高，运输成本和持有费用降低，总成本大幅下降，同时保持零缺货率。我们的框架展示了协同 LLM 智能、统计建模的精确度以及不同智能体之间的动态协作的潜力，为自动化和优化供应链管理开辟了新途径。关键词：库存管理、多智能体系统、大型语言模型 (LLM)、供应链优化。
PV/风/电池系统优化应用程序
沙特阿拉伯Jubail皇家委员会Jubail Industrial College的电气工程系。B尼日利亚乔斯大学电气和电子工程系。 c电气工程系，艾哈迈德·贝洛大学，萨马鲁，萨马鲁，尼日利亚。 d电力技术工程系，阿尔 - 侯赛因大学学院，56001，卡尔巴拉，伊拉克E电气工程系，沙特阿拉伯HAFR BATIN，HAFR Batin。 f计算机，工程和建筑环境学院，爱丁堡纳皮尔大学，默奇斯顿校园，英国苏格兰爱丁堡EH10 5DT Colinton Road 10。 G Razak技术与信息学系，马来西亚Teknologi University，Jalan Sultan Yahya Petra，吉隆坡54100，马来西亚。 h太阳能研究所（SRI），电气工程学院，工程学院，马来西亚Shah Alam 40450的Teknologi Mara（UITM） f.muhammadsukki@napier.ac.uk（f.m.-s）B尼日利亚乔斯大学电气和电子工程系。c电气工程系，艾哈迈德·贝洛大学，萨马鲁，萨马鲁，尼日利亚。d电力技术工程系，阿尔 - 侯赛因大学学院，56001，卡尔巴拉，伊拉克E电气工程系，沙特阿拉伯HAFR BATIN，HAFR Batin。f计算机，工程和建筑环境学院，爱丁堡纳皮尔大学，默奇斯顿校园，英国苏格兰爱丁堡EH10 5DT Colinton Road 10。G Razak技术与信息学系，马来西亚Teknologi University，Jalan Sultan Yahya Petra，吉隆坡54100，马来西亚。h太阳能研究所（SRI），电气工程学院，工程学院，马来西亚Shah Alam 40450的Teknologi Mara（UITM） f.muhammadsukki@napier.ac.uk（f.m.-s）
基于虚拟储能的建筑微电网能源系统优化
因此，为实现建筑微电网的高效、经济运行，提出了一种考虑虚拟储能的建筑微电网规划与运行多目标优化新方法。首先，基于建筑自身的储热特性，建立建筑微电网虚拟储能模型。其次，以投资成本和综合运行效益为目标，以冷、热、电平衡为约束，构建考虑虚拟储能的建筑微电网多目标优化模型。最后，在原有灰狼群算法的基础上，引入小生境处理机制和灰色加权关联法，对建筑微电网配置与运行进行优化。对于典型的夏季和冬季建筑微电网，仿真结果表明，所提出的方法通过虚拟能量充放电管理提高了建筑微电网系统规划及其运行的整体经济性以及用户体验。
人工智能学习驱动农村微电网系统优化
摘要 人工智能 (AI) 和机器学习 (ML) 正在通过其在微电网系统中的应用改变农村电气化的格局。微电网是一种可以独立运行或与主电网协同运行的本地网络，为向农村地区提供可靠的电力提供了可行的解决方案。人工智能驱动的优化提高了这些微电网的性能和效率，解决了偏远地区面临的独特挑战，并有助于增强经济能力。人工智能技术，包括机器学习算法和数据分析，在优化微电网系统中发挥着关键作用。通过采用预测性维护，人工智能可以预测设备故障并安排及时维修，从而最大限度地减少停机时间并降低维护成本。此外，人工智能通过精确的负荷预测、优化能源分配和整合太阳能和风能等可再生能源来增强能源管理。这不仅平衡了能源供需，而且还减轻了与可再生能源相关的波动性。人工智能驱动的微电网优化对农村电气化的影响是