会员中心
搜索
登录
注册

解决方案

数字化转型通用方案行业方案安全方案大数据人工智能物联网行业展望自动控制其他

产品|技术

白皮书产品介绍技术介绍技术创新模型算法

政策|规范

政策规范行动计划

电子书

电子书课件

报告|论文

报告模板论文

2024难啃的硬骨头-应对全球能源转型中的物理挑战摘要

麦肯锡全球研究院（MGI）成立于1990年。其使命是帮助全球的企业和政策领导人做出最重要的经济和业务决 策。MGI的研究成果得益于麦肯锡全面的地区、行业和职能知识、技能及专长，但报告的文字方向和决策由MGI全 球资深董事合伙人及董事合伙人全权负责。

  • 2025-02-26
  • 阅读182
  • 下载0
  • 15页
  • pdf

智慧社区智能化设计解决方案

本工程在各楼丰要出入口、屋面出入口、重要设备用房等区域设红外双鉴探测器，在残疾人卫生间内设手动报警按钮，卫牛间?设声光报警器，探测器电源取自附近的楼层UPS二级输出配电箱，通过信号总线连接至各楼的总线报警主机，报警主机接至弱电专网通过网络接口接入BMS集成系统。

  • 2025-02-26
  • 阅读222
  • 下载0
  • 28页
  • pdf

智慧校园建设方案PPT

学校及周边人员密集，存在发生诱拐儿童、校门口伤人、人员踩踏、校园暴力、区域入侵、食品安全的风险，特别是中小学的安全管理越来越受到社会关注，需要利用智能化安防手段为学校营造一个安全的校内及周边环境。

  • 2025-07-02
  • 阅读113
  • 下载0
  • 22页
  • pdf

国网福建省电力有限公司陈茂新等｜适用于二极管整流送出的海上风机构网型控制方案比较

在海上风电离岸距离越来越远、容量越来越大的背景下，直流输电被广泛认为是远海风电向岸上输送的必然选择。目前模块化多电平换流器（modular multilevel converter，MMC）是柔性直流输电换流器的主要方式。但是MMC的体积重量大、成本高，导致海上换流平台成本高、建设和运行难度大。虽然目前已有大量研究关注MMC的紧凑化技术，但是其功率密度的可提升程度仍然有限。近年来，基于二极管整流器的海上风电直流输电方案得到日益广泛的关注。这种方式在海上风电场侧采用二极管整流器替代MMC，而后经过直流海缆连接至岸上换流器。相比于MMC，二极管整流器在成本、体积、重量、损耗以及可靠性等方面均具有较为显著的优势。

  • 2025-06-30
  • 阅读238
  • 下载0
  • 27页
  • pdf

应对岸上故障的海上风电多端柔直系统协调控制策略

近年来，中国大力发展清洁能源，不断优化能源结构，能源绿色低碳转型取得显著成效。其中，以风能为主的清洁能源成为政策发力点和重要发展趋势，尤其是在“双碳”目标和“十四五”规划的指引下，开发海上风电是中国推动可再生能源发展的重点领域。随着海上风电装机容量的逐渐增加，柔性直流输电技术已成为大规模远距离海上风电输送的主要途径。当岸上交流电网发生故障时，岸上换流站输出功率大幅度下降。然而，由于柔直系统的解耦作用，风电机组感受不到岸上的故障，输出功率全部注入柔直系统。柔直系统的输入功率大于输出功率，产生的盈余功率引起直流电压大幅度上升，若不采取措施，将对柔直系统造成极大的危害。

  • 2025-07-17
  • 阅读191
  • 下载0
  • 26页
  • pdf

【IEEETII】用于大型锂离子电池电化学过程建模的物理信息复合网络

准确模拟大型锂离子电池（LLBs）的电化学过程，包括估计过程中的电化学状态分布，对于LLBs的设计和管理至关重要。基于二维物理的模型可以准确地描述LLB的电化学过程。然而，由于存在复杂的偏微分方程（PDE），求解模型成为一项具有挑战性的任务。本文开发了一个物理信息复合网络（PlCN）作为二维物理模型的替代模型。具体来说，PlCN由四个深度神经网络（DNN）组成，分别估计四个关键电化学状态的分布。由于PlCN的架构受到PDE特性的启发，它可以通过四个轻量级DNN实现高精度。此外，通过结合物理和数据，PlCN使用有限的数据实现了准确的估计。它甚至可以估计可能无法直接测量的电化学状态分布。MoreoverPICN提出了一种基于低频信息的预训练策略和两阶段损失平衡策略，以解决PlCN训练中可能出现的收敛失败和损失不平衡问题。PlCN是通过将物理与数据相结合来模拟LLBs电化学过程的新尝试。大量实验表明，它比最先进的模型要好。 关键词：数据、电化学过程、锂离子电池、物理学、替代模型。

  • 2024-12-01
  • 阅读452

【IEEETIE+代码】基于注意力的深度学习方法预测机器剩余使用寿命

对于机械系统的预测和健康管理，一项核心任务是预测机器的剩余使用寿命（RUL）。目前，具有自动特征学习的深度结构，如长短期记忆（LSTM），在RUL预测方面取得了很好的性能。然而，传统的LSTM网络只使用最后一个时间步的学习特征进行回归或分类，效率不高。此外，一些具有领域知识的手工制作的特征可能会为RUL的预测提供额外的信息。因此，将这些手工制作的特征和自动学习的特征集成到RUL预测中是非常有动力的。在这篇文章中，我们提出了一种基于注意力的深度学习框架，用于机器的RUL预测。LSTM网络用于从原始数据中学习序列特征。同时，所提出的注意力机制能够学习特征和时间步长的重要性，并为更重要的特征和时间步分配更大的权重。此外，开发了一个特征融合框架，将人工生成的特征与自动学习的特征相结合，以提高RUL预测的性能。对两个真实数据集进行了广泛的实验，实验结果表明，我们提出的方法优于现有技术。 关键词：注意力机制、特征融合手工特征、长短期记忆（LSTM）、机器剩余使用寿命（RUL）预测、预后和健康管理（PHM）。

  • 2024-12-01
  • 阅读316

[开源]一个超轻量级物联网平台，轻量级、性能优异、开发简单

中服云物联网平台，业界领先，功能强大

  • 2024-12-01
  • 阅读245