【评价标准】DB1304_T 353-2021 智慧平安社区建设体系评价标准,【评价标准】DB1304_T 353-2021 智慧平安社区建设体系评价标准,【评价标准】DB1304_T 353-2021 智慧平安社区建设体系评价标准
【深度报告】东吴证券-立足智慧矿山，发力充电网络,【深度报告】东吴证券-立足智慧矿山，发力充电网络,【深度报告】东吴证券-立足智慧矿山，发力充电网络
本文考虑了网内常规机组对系统短路容量的贡献，能够准确反映不同常规机组开机组合对系统安全稳定特性的影响。基于系统短路容量分析及安全稳定分析结果，提出了一种断面极限功率解析计算方法，并通过西北某电网实际算例分析，验证了所提方法的有效性和准确性。
传统的不确定性量化( uncertainty quantification，UQ )方法在处理高维问题时会遭遇维数灾难，解决这一挑战的一种方法是利用深度神经网络 ( deep neural networks，DNNs ) 强大的近似能力。然而，传统的 DNNs 通常需要大量高保真度 ( high-fidelity，HF) 数据训练来确保精确的预测，但由于计算或实验成本限制，此类数据可得性有限。为了减少训练费用，本研究引入了多保真度深度神经网络 ( multi-fidelity deep neural networks，MF？DNNs )，其中构建了一个子网络来同时捕获高保真度和低保真度 ( low-fidelity，LF ) 数据之间的线性和非线性相关性。MF？DNNs 的有效性最初通过准确近似各种基准函数来证明。随后，考虑输入不确定性的均匀分布或高斯分布，首次使用开发的MF？ DNNs来模拟1维、32维和100维环境中的偶然不确定性传播，UQ 结果证实，MF？ DNNs 能够熟练地预测兴趣参量 ( quantities of interest，QoI ) 的概率密度分布及其统计矩，而不会显著降低准确性。此外，MF？DNN 被用于模拟飞机推进系统内部的物理流动，同时考虑源自实验测量误差的偶然不确定性，基于二维欧拉流场和少量实验数据点，利用MF-DNNs对等熵马赫数分布进行了精确预测。总之，提出的 MF？DNN 框架在解决实际工程应用中的 UQ 和稳健优化挑战方面表现出巨大的潜力，尤其是在处理多保真度数据源时。
近年来学者们开发了多种用于机器状态监测的深度学习方法，在轴承故障诊断方面取得了令人瞩目的成功。尽管能够有效地诊断轴承故障，但大多数深度学习方法都非常依赖大量的数据，在工业应用中并不总是可获取到的。在实际工程中，轴承通常安装在经常发生速度和负载变化的旋转机械中，导致难以在所有操作条件下收集大型训练数据集。此外，在大多数深度学习算法中，物理信息常常会被忽略，有时会导致生成的结果不符合物理定律。为了应对这些挑战，本文提出了一种新的物理信息残差网络（PIResNet），用于学习嵌入在训练和测试数据中的底层物理信息，从而为不完美的数据提供符合物理规律的解决方案。在所提出的方法中，首先采用物理模态特性主导生成层来生成模态特性主导特征。然后，构建域转换层，以实现在不同运行速度条件下提取能够判别轴承故障的特征。最后，建立了一个并行双通道残差学习架构，可以自动提取轴承故障特征。使用可变运行速度和可变负载以及时变运行速度下的实验数据集进行验证，证明了PIResNet在非平稳运行条件下的优越性。
根据十三五全国旅游信息化规划，行业不断深化，旅游数字化、网格化、智能化取得明显进展,旅游公共信息服务水平显著提高。旅游信息化四大发展目标:信息服务集成化、市场营销精准化、产业运行数据化、行业管理智能化。
该白皮书不仅详细阐述了煤矿井下网络的最新网络架构、显著优势及未来发展方向，还旨在通过深化先进网络技术在煤矿领域的应用，助力煤矿行业实现网络技术的换代升级，为煤矿智能化发展注入强劲动力。
对于含多类型混合储能系统的运行优化，通常将所有设备等效为一个整体，并未考虑各储能系统的运行特性差异等因素，最终导致设备利用率低，经济运行能力差。为此，首先以最大可再生能源消纳以及最小电网交换电量为目标，构建了优化函数模型。其次，考虑到多类型储能系统在充放电动态特性、运行成本特征以及SOC设定等方面差异，提出了一种结合能量型储能SOC一致性约束的双层解耦式运行优化方法，以适应分布式能源系统中的多类型储能协同运行。最后，以某个在建的分布式可再生能源系统工业示范园区数据为基础，对所提方法进行了算例验证与分析。结果证明，所提方法在保证分布式能源系统内多个能量型储能系统充放电同步性的同时，能够对具有相同运行特性的储能系统进行聚类，有效了降低计算复杂性，完成多类型储能协调与优化，并最终促进分布式能源系统的新能源消纳。
没有账户，需要注册
时序大模型是面向时间序列数据的基础大模型，以 Transformer 等架构为核心，通过在海量多领域时序数据上进行预训练，学习时间维度上的通用模式、周期规律与长距离依赖关系。区别于传统时序模型针对单一任务单独训练，时序大模型具备强大的迁移能力，只需少量样本微调或零样本提示，即可适配时序预测、异常检测、缺失值补全、时序分类等下游任务。在工业场景中，它能够直接处理传感器、设备测点产生的海量时序信号，挖掘设备状态演变规律，支撑设备故障预警、工况识别与生产趋势预判，为工业智能落地提供底层模型能力。如：中服云的CServerAIR
2025年，全球人工智能市场规模达到3909亿美元，中国人工智能核心产业规模突破9000亿元。AIAgent细分市场以49.6%的年复合增长率高速扩张，制造业应用大模型的企业比例在一年之内从9.6%跃升至47.5%。从2024年初，中国日均词元(Token)调用量为1000亿;至2025年底，跃升至100万亿;2026年3月，已突破140万亿，两年增长超千倍。这些数字背后，是一场深刻变革的加速到来-人工智能正在从"能力突破"走向“系统重构”。
中服云能碳管理系统依托中服云工业物联网底座打造，聚焦工业企业能耗管控与碳资产管理需求。 系统整合水、电、气、热等多类能源数据，实现用能实时采集、集中监测、智能分析。 依托数字化手段精准核算碳排放总量，助力企业摸清碳排底数、合规完成台账管理。 通过节能诊断、能耗优化策略推送，有效降低生产能耗与运营成本。 全方位赋能企业绿色低碳转型，筑牢安全生产与节能减排双重发展防线。
中服设备健康管理系统依托中服云工业物联网架构搭建，面向工业全品类设备运维场景。 融合实时数据采集、状态监测、故障诊断核心能力，全天候掌握设备运行动态。 通过边缘计算与 AI 算法分析设备隐患，实现从被动维修向预测性维护升级。 有效降低设备故障率、减少停机损失，简化线下运维管理流程。 助力工厂实现设备数字化管控，保障产线高效、稳定、安全运行。
在多品种、小批量、高精度、快速换产与质量一致性要求并存的高精密制造场景下，制造企业已步入物理AI的工程化探索阶段。随着产品迭代加速、生产批量柔性化程度不断提升、产品形态与工艺要求不断更新，同时企业对质量稳定性的严苛标准始终未变，机器人系统不再仅需执行固定运动轨迹，还需在真实物理环境中实现实时感知、定位、推理与作业执行。
功率预测是新能源电力系统应对风电随机波动、保障安全稳定运行的前置支撑。 风电装机规模快速跃升，而预测精度提升相对滞后，预测误差对电力系统的冲击持续放大。 突破预测精度瓶颈，成为保障新能源电力系统安全运行的关键。
能源转型正以前所未有的速度重塑全球经济发展格局。当前，以新能源为主体的新型电力系统建设正在加快推进，风电、光伏等可再生能源装机规模持续增长，能源生产和消费方式不断发生深刻变化。与此同时，新能源发电的波动性和间歇性也使电力系统对于灵活调节能力提出了更高要求，储能作为支撑能源转型的重要基础设施，正在从新能源发展的“配套环节”逐步成为推动能源体系变革的“关 键支柱”
《2026全球个人机器人行业研究报告：进入个人生活——个人机器人应用的场景与价值》。报告从品类定义、产业条件、拥有理由、生活场景、体验要求、用户参与、产品形态与企业路径等维度展开，希望越过参数、动作演示和单点功能的表层叙事，回到一个更重要的判断标准：机器人能否进入真实生活，并在持续使用中创造可靠、可负担、可控的个人价值
扫码咨询
或
客服咨询
用手机扫二维码
复制当前地址
方案库赚钱指南
