风光供给过剩背景下,产业链价格持续走低。我们测算 2024 年全球光伏新增装机为 500GW,对应组件/电池片/硅片环节需求分650/657/683GW,各环节均存在不同程度的产能过剩。
能源互联网运用日益发达的电子技术、信息技术和管理技术, 通过泛在的智终端、转换设备,将各种负载构成的电力网、石油网、天然气网,以及热、冷、氢、储能等能源网络互联起来, 实现能量、信息、经济的流动、交换与共享。
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。
以夏季高温和高荷载条件下绝缘跳线夹的过热的智能感知为研究对象,建立绝缘跳线夹在典型作业工况下的电-热多物理场耦合三维有限元模型,通过试验验证了模型的有效性,并获取绝缘跳线夹在不同电流负荷、光照强度、环境温度及风速等因素下温度场分布数据作为线夹过热感知模型的训练样本。为了提高麻雀搜索算法(sparrow search algorithm,SSA)在全局搜索的能力引入反向学习策略构建了改进麻雀搜素算法(improved sparrow search algorithm,ISSA),采用改进麻雀算法优化BP神经网络(improved sparrow search algorithm optimization back propagation neural network, ISSA-BPNN)建立绝缘跳线夹温度预测模型,并使用均方值、决定系数评价ISSA-BPNN与粒子群算法优化BP神经网络(particle swarm optimization back propagation neural network, PSO-BPNN)、遗传算法优化BP神经网络(genetic algorithm optimization back propagation neural network, GA-BPNN)、麻雀搜索算法优化BP神经网络(sparrow search algorithm optimization back propagation neural network, SSA-BPNN)及BP神经网络5种算法的预测精度。结果表明,ISSA-BPNN模型相较于其余4种算法的预测模型其预测平均误差可控制在0.71%以内,且收敛速度更快,可以更加精准预测绝缘跳线夹温升,为绝缘跳线夹的状态检测与评估提供了依据。
本报告考虑工业领域的网络安全需求,结合工业领域5G LAN 技术的发展和应用情况,总结了5G LAN网络安全相关技术,以及有代表性的行业典型案例,为工业领域的5G LAN安全技术应用和推广提供参考依据和指导。
纵观全文,最根本的问题是如何实现“可再生能源智能电气化”,而不是简单给出电气化预测水平。可再生能源智能电气化重点在于可再生能源发电、电气化和数字化飞快发展带来的潜在协同效应,这些前所未有的协调部署可以促进电力、交通、工业和建筑等终端消费部门的更高效使用。为了更深入地了解这种方法背后的策略和和好处,本研究还进行了广泛的文献调查。
《国家水网建设规划纲要》发布,基建工程端管材企业有望受益。5 月份,政府相关部门发布《国家水网建设规划纲要》,提出到 2025 年建设一批国家水网骨干工程,省市县水网有序实施,着力补齐水资源配置、城乡供水、水生态保护、水网智能化等短板,提高水资源优化配置能力等,明显增强谁安全保障能力;到 2035 年,基本形成国家水网总体格局,省市县水网基本完善。
输电导线是电力系统中重要的组成部分,输电导线缺陷将影响电力系统运行。因此提出了基于改进YOLOv7算法的输电导线缺陷检测方法。首先,提出了一种自动扩充数据集的方法,可以使用少量图片建立输电导线缺陷数据集;其次,提出了一种轻量化自注意力主干网络,对YOLOv7的主干网络进行替换,并使用BiFPN进行特征融合。实验结果表明:所提出的改进后的YOLOv7算法将精准度从原本89.4%提升到97.5%;同时,算法将检测速度提升了约60.49%,FPS从原有的52.36帧提升至84.03帧,可以做到对输电线路的实时检测,降低了输电导线缺陷的误检漏检率,提升了检测速度,提高了巡检效率。
没有账户,需要注册
语言模型、视觉模型、语音模型、视频模型、时序模型,分别对应文字、图像、声音、视频、连续传感器数值,通用大模型,垂类大模型,AI
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。
超硬材料制品是典型的“材料—工具”型制造:金刚石刀头、锯片、工程钻、磨轮,最终用在石材与建材加工、路面与混凝土切割、玻璃与陶瓷、半导体与蓝宝石加工。产品小批量、多品种,工艺链却很长。 这条工艺链把同一道围墙切成几段:压制、烧结、焊接、磨削与检测分散在不同厂房,一段停摆,整批报废。以下痛点与解法取自一座已投运的园区平台,数据为界面实测值,企业名称脱敏。
印刷机械是装备制造中比较典型的一类产品:单机价值高、定制化程度高、客户分散在全国各地的包装与印刷车间,一台凹版印刷机开机就是十几年。设备卖出去了,服务却要跟十几年——这是行业共同的结构性难题,也是工业物联网在装备制造领域最容易见效的地方。 本文以一个真实的落地样本为观察对象:一家印刷机械制造企业把 178 台在役设备接进了自己的远程运维系统,系统的底座选用中服云工业物联网平台的设备版。下文按“行业之困、平台解法、落地成效、可复制经验”四步展开。
石油和天然气开采业的生产对象在地下,管理的关键环节在地面。从井口到计量间,从转油站、联合站到外输与处理装置,油气田用“井—站—管网”的骨架把分散的资源汇集起来,联合站是这条骨架上设备最密集、工艺最连续、安全要求最高的节点。 这类站场大多已经上了SCADA,数据并不缺。问题在于数据上来之后,新的麻烦更清楚了:设备家底说不清,画面说不清位置,报警说不清先后。本文按“痛点—解决方案—成效”的顺序,说明中服云物联网平台与数字孪生平台如何分工配合,逐条解决这些问题。
油气田的地面作业现场有一个共同特征:设备搬着走、电源跟着换、负荷忽高忽低。钻修井井场靠网电、柴油发电机组、储能、光伏凑出一套临时电力系统;压裂井场更极端,几十台电驱压裂泵并联运行,瞬时功率爬升快,砂罐、混砂、供液、仪表车密集停放,作业段集中、单段时长以小时计。 这两类现场的管理难题是同一类:能耗与碳排放算不清、设备状态看不见、峰值容量报不准、多能协同靠经验。中服云用同一套工业物联网平台加数字孪生平台,把这两类现场做成了可以被“看懂、算清、考核”的对象。本文以已投运的钻修井现场为实测样本,说明平台在野外作业领域的典型应用,并给出向压裂井场复制的路径。
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