energy consumption
PulseAugur coverage of energy consumption — every cluster mentioning energy consumption across labs, papers, and developer communities, ranked by signal.
3 天有情绪数据
-
深度学习模型在智能电表能源预测方面进行基准测试
研究人员对九种用于智能电表能源预测的深度学习模型进行了实证基准测试，并在两个公共数据集上评估了它们的性能。研究发现，虽然延长历史输入数据可提高准确性，但预测范围越长，准确性会随之下降。深度学习模型普遍优于传统方法，其中轻量级架构在较低的计算成本下提供了可比的性能。架构差异的有效性在更长的预测范围和更多样化的数据集上更为明显。
-
新的大语言模型基准 MÖVE 聚焦德国公共部门需求
一篇新的研究论文介绍了一个名为 MÖVE 的框架，该框架旨在专门评估德国公共部门使用的大语言模型（LLMs）。与现有的侧重于英语和美国背景的基准不同，MÖVE 在能源消耗、提供商透明度和德国政治立场知识等方面评估模型。研究发现存在显著的权衡，没有单一模型在所有标准上都表现最佳，这凸显了超越单纯性能指标进行特定情境评估的必要性。
-
大语言模型充当数字农业的自主副驾驶
研究人员开发了一个利用大语言模型（LLMs）自主管理和优化数字农业运营的闭环系统。该框架集成了来自49通道植物传感器的网络数据，以分析植物生理状况并直接控制硬件执行器，实现微气候调整、表型分析和胁迫诱导。案例研究表明，生产周期缩短了35%，能耗降低了18%，其中一次自主诱导黑暗积累叶绿素的实验节省了67.9%的能源。
-
新的集成评分过滤改进能耗预测
研究人员开发了一种名为集成评分过滤（EnSF）的新方法，以提高能耗预测的准确性，特别是在实时数据不完整或有噪声的情况下。该方法使用基于评分的扩散模型来校正预训练预测模型的预测。实验表明，与集成卡尔曼滤波器等传统方法相比，EnSF在长周期状态估计方面显著增强，尤其是在非线性观测场景下。