idea使用docker如何跳过pulling image moby/buildkit:buildx-stable-1
创作声明:本文部分内容由AI辅助生成(AIGC),仅供参考
Python内容推荐
基于 C-GAN 的风光联合出力极端场景生成方法研究(Python代码实现)
内容概要:本文研究基于条件生成对抗网络(C-GAN)的风光联合出力极端场景生成方法,旨在解决风能与光伏发电固有的强随机性和剧烈波动性对电力系统安全稳定运行所带来的挑战。通过构建C-GAN模型,利用历史出力与气象数据学习风光联合出力的复杂概率分布特征,能够在给定温度、光照强度、风速等外部条件的前提下,生成具有高度代表性的极端出力场景,从而有效克服实际观测中极端样本稀少的瓶颈问题。研究详细阐述了模型的网络结构设计、损失函数构建、训练流程优化及生成样本的评估体系,并通过Python代码实现了完整的算法流程,验证了该方法在精确捕捉极端场景统计特性、维持时序相关性及物理合理性方面的优越性能。; 适合人群:具备一定机器学习基础与电力系统专业知识,从事新能源发电预测、电力系统可靠性评估、风险预警、备用容量规划及高比例可再生能源并网研究的科研人员与工程技术人员。; 使用场景及目标:①用于电力系统安全校核与可靠性评估中,生成极端气象条件下的风光出力序列;②支撑含高比例可再生能源电网的优化调度、备用容量动态配置及事故预案制定;③提升对罕见但高影响的“黑天鹅”事件的风险预见与防范能力,增强电网韧性。; 阅读建议:建议读者结合提供的Python代码进行动手实践,深入理解C-GAN在训练过程中的超参数调整、模式崩溃规避及模型收敛性判断方法,同时重点关注生成样本的质量评价指标(如Kolmogorov-Smirnov检验、Fréchet Inception Distance等),以确保生成的极端场景不仅在统计上逼真,而且符合实际物理规律与工程应用需求。
20260816长方形挂牌横版和竖版docx模版
20260816长方形挂牌横版和竖版docx模版
YOLO算法室内安防SpeedportSmart1目标检测数据集-647张-包含 VOC 和 Yolo 格式标签-支持多种算法训练模型.zip
页面底部可查看数据集可视化效果; 该数据集可直接接入YOLOv5s/v5m/v5l、YOLOv8n/v8s/v8m、YOLOv10n/v10s等轻量级至中型骨干网络进行端到端训练,支持从零训练(from scratch)与迁移学习(fine-tuning)两种模式
基于 空调-电动汽车 联合虚拟储能的海岛微电网优化调度(Matlab代码实现)
内容概要:本文提出一种基于“空调-电动汽车”联合虚拟储能的海岛微电网优化调度方法,通过深入挖掘温控负荷(如空调)的热惰性特性和电动汽车的可调度潜力,将其聚合为等效的虚拟储能系统,以平抑海岛微电网中风能、光伏等可再生能源出力的强波动性与不确定性。研究在Matlab环境下构建了一个涵盖电源(风光储)、负荷(常规、温控、可移动)的多时间尺度协调优化调度模型,综合考虑系统运行成本、新能源消纳率、微电网运行稳定性与经济性等多重目标,实现了对海岛等偏远地区独立微电网能量管理的有效优化。; 适合人群:具备电力系统、能源系统或自动化等相关专业背景,熟悉Matlab编程,从事新能源、微电网、综合能源系统等领域研究的研究生、科研人员及工程技术人员。; 使用场景及目标:①研究海岛等偏远地区独立微电网的能量管理与优化调度策略;②探索利用空调、电动汽车等需求侧资源构建虚拟储能系统,以替代或减少对昂贵物理储能设施依赖的新方法;③学习并复现基于Matlab的微电网多目标、多时间尺度优化调度模型的完整建模、求解与仿真分析过程。; 阅读建议:此资源聚焦于具体科研问题的代码实现,建议读者结合文中可能涉及的优化算法(如线性规划、智能优化算法等)理论基础,仔细研读Matlab代码的逻辑结构与实现细节,并通过调整算例参数进行仿真验证,以深入理解联合虚拟储能在平抑新能源波动、降低运行成本方面的具体作用机制和优化成效。
YOLO算法户外滩涂区域海藻湿度状态目标检测数据集-582张-包含 VOC 和 Yolo 格式标签-支持多种算法训练模型.zip
页面底部可查看数据集可视化效果; 该数据集可直接接入YOLOv5s/v5m/v5l、YOLOv8n/v8s/v8m、YOLOv10n/v10s等轻量级至中型骨干网络进行端到端训练,支持从零训练(from scratch)与迁移学习(fine-tuning)两种模式
YOLO算法室内商业场景电子秤数字显示目标检测数据集-234张-包含 VOC 和 Yolo 格式标签-支持多种算法训练模型.zip
页面底部可查看数据集可视化效果; 该数据集可直接接入YOLOv5s/v5m/v5l、YOLOv8n/v8s/v8m、YOLOv10n/v10s、yolo11等轻量级至中型骨干网络进行端到端训练,支持从零训练(from scratch)与迁移学习(fine-tuning)两种模式;包含voc格式和yolo格式标签可直接使用
Vision-Language-Region-Grounding-Auditor-Blast-Radius-v1.0-原创源码与文档.zip
原创开发工具源码合集,包含可直接运行的完整源码、自动化测试、离线示例、HTML/JSON/SVG 报告、运行截图、README、使用说明、功能清单、MIT License 与原创声明。适合前端、JavaScript、AI 工具开发与工程实践学习,解压后按 README 即可运行。
【非凸二次约束二次规划】基于机器学习的松弛选择方法:利用谱性质与稀疏性特征预测LP与SDP松弛性能
内容概要:本文研究了非凸二次约束二次规划(QCQP)问题中线性规划(LP)与半定规划(SDP)松弛方法的选择难题,提出了一种基于机器学习的自适应松弛选择机制。通过提取数据矩阵的谱性质(如特征值分布)和稀疏模式作为特征,构建分类与回归模型,预测在特定实例下LP或SDP哪种松弛方式更优。研究设计了三种特征工程方案——完全维度依赖(fDD)、半维度依赖(sDD)和维度独立(DI),实现了对任意规模问题实例的泛化预测能力。实验表明,所提方法在多种测试集上具有高准确率,尤其DI方案在保持精度的同时具备最强适用性。 适合人群:运筹优化、机器学习及相关交叉领域的研究人员,以及从事数学规划求解器开发的工程师。 使用场景及目标:①解决非凸QCQP问题中松弛方法选择效率低下的痛点;②为全局优化算法(如分支定界法)提供高效的松弛策略决策支持;③推动机器学习与传统数学规划的深度融合。 阅读建议:建议结合文中提供的GitHub开源代码进行复现实验,重点关注特征构造逻辑与模型性能之间的权衡关系,同时可进一步探索将运行时间纳入目标函数以实现更全面的松弛评估体系。
为 Model Context Protocol 提供 Java SDK 集成的一系列项目 此 SDK 使 Java 应用程序能够通过标准化接口与 AI 模型和工具交互,支持同步和异步通信模式
官方Java软件开发工具包,适用于模型上下文协议的服务器和客户端,由Spring AI协作维护。
qt-online-installer-windows-x64-4.11.0.exe
Qt在线安装包
YOLO算法户外与室内多场景楼梯目标检测数据集-233张-包含 VOC 和 Yolo 格式标签-支持多种算法训练模型.zip
页面底部可查看数据集可视化效果; 该数据集可直接接入YOLOv5s/v5m/v5l、YOLOv8n/v8s/v8m、YOLOv10n/v10s、yolo11等轻量级至中型骨干网络进行端到端训练,支持从零训练(from scratch)与迁移学习(fine-tuning)两种模式;包含voc格式和yolo格式标签可直接使用
page agent 浏览器插件
page agent 浏览器插件
单向双向V2G 环境下分布式电源与电动汽车充电站联合配置方法(Matlab代码实现)
内容概要:本文提出了一种在单向和双向V2G(Vehicle-to-Grid)环境下,对分布式电源与电动汽车充电站进行联合配置的优化方法,并提供了基于Matlab的代码实现。该方法综合考虑了分布式光伏、储能系统以及电动汽车的充放电行为对配电网的影响,构建了一个包含电压偏差、线路容量、设备出力等多种约束条件的多目标优化模型。通过合理规划分布式电源和充电站的位置与容量,旨在提升配电网对新能源的接纳能力,增强系统运行的经济性与稳定性。研究重点对比了单向充电与双向V2G模式下的配置差异,验证了V2G技术在削峰填谷、改善电压质量和降低网络损耗方面的显著优势,体现了其作为灵活资源参与电网互动的潜力。; 适合人群:具备电力系统分析基础、熟悉Matlab编程工具,从事新能源并网、电动汽车与电网互动、智能配电网规划等相关领域的研究生、科研人员及工程技术人员。; 使用场景及目标:①用于研究高比例电动汽车接入背景下配电网的规划与优化问题;②为含分布式能源的主动配电网提供充电基础设施与电源协同配置方案;③通过仿真对比单向充电与V2G模式对电网影响,评估V2G的调节潜力和服务价值。; 阅读建议:建议结合文中提供的Matlab代码,复现算例仿真过程,深入理解模型构建逻辑与求解流程,同时可拓展考虑更多不确定性因素(如负荷波动、光伏出力随机性)以提升模型实用性。
killterminate(强制结束进程)
强制杀死进程工具,在"consig.ini"填写需要杀死进程名,就可以强制结束,不需要的进程!可以无限添加需要杀死的进程名.
复现基于DoS攻击+二次控制+下垂控制和事件触发式负荷控制的四机并联孤岛微电网(实现电压、频率恢复与功率共享分配)(Simulink仿真实现)
内容概要:本文基于Simulink仿真实现了一个四机并联的孤岛微电网系统,重点研究在遭受DoS(拒绝服务)攻击的情况下,如何通过融合二次控制、下垂控制以及事件触发式负荷控制策略,实现系统的电压与频率恢复以及有功和无功功率的精确共享分配。针对孤岛微电网在通信异常或网络攻击下可能出现的控制失效问题,提出了一种具有强鲁棒性的分布式协调控制架构。其中,下垂控制用于实现各分布式电源(DG)之间的功率初步分配,避免对外部通信的高度依赖;事件触发机制有效降低了通信频率,减轻网络负担,提升系统运行效率;而分布式二次控制则在通信受限条件下仍能逐步调节电压和频率至额定值,增强系统的自愈能力与稳定性。整体方案充分考虑了网络安全威胁对微电网运行的影响,实现了在复杂工况下的可靠控制与动态性能优化。; 适合人群:具备电力系统、微电网控制、自动化或相关领域基础知识的科研人员、研究生及工程技术人员,熟悉Matlab/Simulink仿真工具者更佳。; 使用场景及目标:①研究微电网在通信故障或网络攻击(如DoS)下的安全运行与恢复机制;②掌握下垂控制、二次控制与事件触发控制的协同设计方法;③实现孤岛微电网的电压频率稳定与功率均分控制目标; 阅读建议:建议结合Simulink模型进行仿真验证,重点关注控制模块的响应逻辑与事件触发条件的设计,同时可通过修改攻击场景参数来测试系统的鲁棒性与恢复性能。
YOLO算法工业车间风扇目标检测数据集-239张-包含 VOC 和 Yolo 格式标签-支持多种算法训练模型.zip
页面底部可查看数据集可视化效果; 该数据集可直接接入YOLOv5s/v5m/v5l、YOLOv8n/v8s/v8m、YOLOv10n/v10s、yolo11等轻量级至中型骨干网络进行端到端训练,支持从零训练(from scratch)与迁移学习(fine-tuning)两种模式;包含voc格式和yolo格式标签可直接使用
YOLO算法户外垃圾堆积区域目标检测数据集-295张-包含 VOC 和 Yolo 格式标签-支持多种算法训练模型.zip
页面底部可查看数据集可视化效果; 该数据集可直接接入YOLOv5s/v5m/v5l、YOLOv8n/v8s/v8m、YOLOv10n/v10s、yolo11等轻量级至中型骨干网络进行端到端训练,支持从零训练(from scratch)与迁移学习(fine-tuning)两种模式;包含voc格式和yolo格式标签可直接使用
Dictation-Correction-Dictionary-Auditor-v1.0-原创源码与文档.zip
原创开发工具源码合集,包含可直接运行的完整源码、自动化测试、离线示例、HTML/JSON/SVG 报告、运行截图、README、使用说明、功能清单、MIT License 与原创声明。适合前端、JavaScript、AI 工具开发与工程实践学习,解压后按 README 即可运行。
Camera_xhs_1786864941531.mp4
Camera_xhs_1786864941531.mp4
YOLO算法室内家居设计厨房岛台目标检测数据集-295张-包含 VOC 和 Yolo 格式标签-支持多种算法训练模型.zip
页面底部可查看数据集可视化效果; 该数据集可直接接入YOLOv5s/v5m/v5l、YOLOv8n/v8s/v8m、YOLOv10n/v10s、yolo11等轻量级至中型骨干网络进行端到端训练,支持从零训练(from scratch)与迁移学习(fine-tuning)两种模式;包含voc格式和yolo格式标签可直接使用
最新推荐






