Utnyttja flexibiliteten i kraft-till-värmedrift i byggnader och fjärrvärme för att stödja elsystem: En översyn
Publicerad i: Framsteg inom tillämpad energi, Volym 22, 2026, sida 100272
Benjamin Freischlad, Chia-Ling Yang, Agnes Engelter, Christian Vossel, Florian Reissner, Florian Steinke, Stefan Niessen
Denna översyn undersöker hur kraft-till-värme (P2H) -system som värmepumpar utnyttjar termisk lagring och byggnadstermisk tröghet för att ge elnätets flexibilitet i fjärrvärme och distribuerad värme. Med hjälp av en systematisk litteraturvalsprocess undersöker den simuleringsverktyg, kontrollstrategier och marknadsramar tillsammans med verkliga fallstudier. Medan småskalig och simulerad P2H-potential är väl beprövad kvarstår kritiska luckor när det gäller skalbara kontrollstrategier, storskalig fältvalidering och sektorsövergripande planering.
Visa på förlagets sida
RL-finjustering av generalistiska robotpolicyer under inferensfördröjning
Skickat till: 2026 Konferens om robotlärande (CoRL)
Brian Zhu5¹, Momen Khalil5¹, E.H. Harrison5², Emanuele Poggi5¹, Philipp Sebastian Schmitt¹, Bernd Kast¹, Philine Meister¹, Pranav Atreya², Qiyang Li², Finn Ferchau¹, Cesar Colmenero¹, Yash Shahapurkar¹, Gokul Naray¹, Melananih Erdo¹ ¹, Oier Mees³², Kai M. Wurm¹, Georg von Wichert¹, Eugen Solowjow¹, Andrew Wagenmaker², Sergey Levine²
(¹ Siemens, ² UC Berkeley, ³ Microsoft, ⁴ ETH Zürich, ⁄Lika bidrag)
Stora moderna robotpolicyer, till exempel vision-language-action (VLA) modeller, lider av hög inferensfördröjning. Denna fördröjning förändrar miljödynamiken och bryter Markov-antagandet, vilket gör att standardförstärkningsinlärningsalgoritmer (RL) misslyckas. För att lösa detta introducerar författarna asynkron RL med mellanliggande information (ARLI), ett latensmedvetet ramverk som möjliggör effektiv RL-finjustering trots körfördröjningar. ARLI återställer nära-Markovisk struktur med hjälp av tillståndsförstärkningar som innehåller engagerade handlingar och observationer i mitten av inferensen. I simulerade och verkliga uppgifter möjliggör ARLI framgångsrik RL under latens där standardmetoder misslyckas, till och med matchar eller överskrider idealisk nolllatensprestanda.
Visa på förlagets sida
Samoptimering av växelriktarkontroller och linjeskyddsfunktioner för förbättrad skyddssäkerhet och systemstabilitet
Publicerad i: 2025 IEEE Power & Energy Society bolagsstämma (PESGM)
S. Bhela, S. Gumussoy, U. Muenz (Siemens Foundational Technology, Princeton, NJ, USA), D.J. Kelly, M.J. Reno (Sandia National Laboratories, Albuquerque, NM, USA)
Modernt kraftsystemskydd bygger på synkron generatordynamik, som i allt högre grad ersätts av nätföljande och nätbildande (GFM) inverterbaserade resurser (IBR). Eftersom IBR visar drastiskt olika feldynamik kan befintliga skyddssystem bli otillräckliga. Denna uppsats presenterar ett ramverk som använder Bayesiansk optimering och EMT-simulering för att samoptimera GFM-felkörningsfunktioner och linjeskydd, vilket visar förbättrad skyddstillförlitlighet och stabilitet på ett 100% IBR-testnätverk.
Visa på förlagets sida
Utjämnade avståndsfunktioner för direkt optimal styrning av kontaktrika system
Publicerad i: 2025 23:e europeiska kontrollkonferensen (ECC)
Christian Dietz, Sebastian Albrecht, Armin Nurkanović, Moritz Diehl
Standardavståndsfunktioner som den euklidiska SDF är icke-differentierbara för icke-släta styva kroppar som polytoper. Denna uppsats föreslår en utjämningsmetod för en polytop tillväxtavståndsfunktion modellerad som ett parametriskt linjärt program. Genom att störa optimalitetsförhållandena bevisar författarna att den resulterande smidiga SDF är väldefinierad. Till skillnad från tidigare metoder som bäddar in exakta SDF-optimalitetsförhållanden direkt i ett optimalt kontrollproblem (OCP), tillåter utjämning extern utvärdering. Detta minskar OCP-storleken och fördelar beräkningsinsatsen jämnare över funktionsutvärderingar och lösare. Utvärderad via en CasaDI-implementering på en plan peg-in-hole-uppgift, visar metoden förbättrad optimeringsprestanda.
Visa på förlagets sida
Flerskiktsfunktionsutbytestransformator för uppskattning av 6D-objektposition med flera vyer vid plockning av robotbehållare
Publicerad i: 2025 IEEE International Conference on Robotics and Automation (ICRA)
Moment Khalil; Vincent Dietrich; Slobodan Ilic
Noggrann uppskattning av 6D-objektposition är avgörande för robotplockning av papperskorgar som involverar texturlösa, reflekterande eller tilltäppta föremål. Medan metoder med flera visningar överträffar metoder med en vy, förlitar sig nuvarande tekniker på fusion i sen fas, och saknar fullständig synergi med flera vyer. Denna uppsats introducerar en Feature Exchange Transformer (FET) som möjliggör funktionsfusion i tidigt skede med hjälp av självuppmärksamhet och epipolär korsuppmärksamhet. En grov till fin strategi optimerar ytterligare flerskiktsaggregering av funktioner över vyer. Metoden är byggd ovanpå EpisurfeMB och förbättrar avsevärt noggrannheten och robustheten i komplexa bin-plockningsscenarier, och överträffar nuvarande toppmoderna flervisningsmetoder i ROBI-datauppsättningen.
Visa på förlagets sida
