广东背靠背柔性直流（简称柔直）工程交流侧仅有两条出线，且只有一个下一级变电站，换流器出现最后断路器的风险较高，工程中会配置最后断路器保护来防止设备过压损坏。为降低过电压特征以及提高最后断路器保护动作的时间裕度，基于广东背靠背柔直工程拓扑与控制策略开展了最后断路器三相和单相跳闸工况下的过压机理与特性研究。分析了柔直正负序调制波限幅取值范围，提出了一种柔直正负序调制波限幅优化降低过电压的方法，并开展了EMTDC仿真验证。研究结果表明，背靠背柔直过压特征与正负序控制强相关，且最后断路器单相跳闸比三相跳闸过压严重，换流变饱和特性会抑制过电压但会使控制响应更加复杂，采取所提方法可显著提升最后断路器保护动作的时间裕度。
随着能源交易的逐步市场化，含电-气-热的多微网系统中微网服务商的零售价定价策略将影响到系统的运行和所有参与者的利益。为研究微网服务商的定价策略，首先详细描述了电-气-热多微网系统内部交易过程并建立了系统模型。随后这一定价问题被描述为斯塔克尔伯格博弈，并证明了该博弈存在唯一的均衡解。为保护各主体隐私，提出了一种基于强化学习的求解方法以求解存在时间耦合的斯塔克尔伯格博弈。算例研究表明，该方法准确有效地解决了所提出的定价策略问题，微网服务商和各微网均采取了有效策略以保证自身利益。同时，该方法有效保护了市场参与者的隐私并展现了良好的计算性能。
职场:各类工作文档、广告策划、设计图、PPT、汇报、合同、法律咨询、会议总结、数字人、自媒体... >学生/老师/宝爸宝妈:备课/写课题/出题/答题/辅导作业/学习规划老板:个人IP、辅助决策、数字员工、AI 助理. > >退休在家:自驾游/旅行规划、太极拳、副业..
“双碳”战略下，园区缺乏专业低碳规划及系统清洁能源建设能力，严重制约了园区的可持续性发展 “双碳”战略下，园区缺乏专业低碳规划及系统清洁能源建设能力，严重制约了园区的可持续性发展
分布式存储是基于分布式架构，由多个软硬协同的存储节点组成并通过网络互联提供存储服务的系统；相比于传统存储,分布式存储将数据分散在多个相对独立的存储节点上，通过增加节点实现性能和容量的横向扩展,利用多节点数据冗余保障数据可靠性。分布式存储可提供 EB 级以上的存储空间，适用于海量数据的存储场景，如虚拟化/云计算、高性能计算、大数据分析、海量数据备份归档等。
透明电网(67页)，透明电网(67页)，透明电网(67页)，透明电网(67页)，透明电网(67页)，透明电网(67页)透明电网(67页)
碳边境调节机制本质上是一种单边措施，不符合《联合国气候变化框架公约》及《巴黎协定》确立的发达国家与发展中国家在应对气候变化问题上共同但有区别的责任原则，也不符合“非惩罚性”遵约机制安排。发展中国家普遍认为，欧盟以保护全球气候为借口，强推碳边境调节机制立法，制造绿色贸易壁垒，旨在提高自身的国际经贸和地缘政治议价能力
低成本完美对标OpenAl01，突破精确语义理解及复杂推理任务数学+编程领域大幅领先，DeepSeek-V3训练成本不足Meta/OpenAl的10%，DeepSeek-R1推理成本仅为OpenAlo1的3%，成为开源模型SOTA
没有账户，需要注册
汽车智能化网联化融合发展已经成为全球政府、产业界的发展共识，各国通过升级政策法规、推动测试示范、加速创新应用等方式推动智能网联汽车产业发展。2024年1月，我国启动智能网联汽车“车路云一体化”应用试点，推动车路云一体化从技术验证迈向规模化应用。
过去十年，中国消费市场的高速迭代催生了一批极具活力的新锐品牌。它们凭借对消费趋 势的敏锐洞察、柔性灵活的供应链体系以及成熟的数字化运营能力，在国内细分市场中迅 速崛起，创造了一个又一个“爆款神话”。
中服云作为国内著名的专业工业物联网平台系列产品提供商，历经十余年深耕发展，已构建起成熟的全系列多层次产品体系，精准适配不同行业、不同规模用户的差异化需求。凭借在工业数据采集、边缘计算、人工智能、数字孪生等领域的深厚技术积累与持续创新，中服云已为海量工业企业提供了稳定可靠的数字化转型解决方案。平台支持云端SaaS在线部署与用户现场私有化部署两种模式，既满足中小企业轻量化、低成本的在线使用需求，也保障大型企业对数据安全、定制化服务的高标准要求。
中服云数字孪生平台以物联网平台+数据中台为坚实基础，以2D/3D/GIS为核心展示形式，致力于打造一个从设备原始数据到孪生应用落地的一站式数智化平台。
区别于传统消防联网模式，在符合GB50440要求的同时，将互联网思维融入消防信息化管理，将离散在园区各个消防设施实时状态信息有效整合在统一系统上。
2025 年，人工智能正式迈入 “智能体元年”，AI Agent？成为驱动产业变革的核心力量，硬件迭代、多模态融合、世界模型演进共同推动行业从 “被动响应” 向 “主动解决复杂问题” 跨越。
机器学习与深度学习有着明显的异同点 在数据准备和预处理方面，两者是很相似的。他们都可能对数据进行一些操作:数据清洗、数据标签、归一化、去噪、降维。核心区别:传统机器学习的特征提取主要依赖人工，针对特定简单任务的时候人工提取特征会简单有效，但是并不能通用;深度学习的特征提取并不依靠人工，而是机器自动提取的。这也是为什么都说深度学习的可解释性很差，因为有时候深度学习虽然能有好的表现，但是我们并不知道他的原理是什么。
2025年是中国人工智能规划中期规划的关键节点，AI场景解决方案从“能用”到“有用”到“好用”在垂2025年中国AI产品在用户规模与产品数量上已具备全球竞争力
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
