,

مقاله جریان توان AC دسته‌ای مبتنی بر JAX برای شتاب‌دهی GPU و ادغام در اکوسیستم هوش مصنوعی.

تومان249,950

هماهنگ‌سازی انعطاف‌پذیری رو به رشد شبکه در شرایط عدم قطعیت، برای بهره‌برداری کارآمد و قابل اعتماد سیستم قدرت اهمیت فزاینده‌ای پیدا می‌کند. یکی از نیازهای محاسباتی اساسی، ارزیابی دسته‌ای و در مقیاس بزر…

انتخاب پلن

torobpay
هر قسط با ترب‌پی: تومان62,488
۴ قسط ماهانه. بدون سود، چک و ضامن.
شناسه محصول: SuperPaper-0000000267 دسته: ,

📚 محتوای این محصول آموزشی (پکیج کامل)

💡 این محصول یک نسخهٔ کامل و جامع است

تمامی محتوای آموزشی این کتاب در قالب یک بسته‌ی کامل و یکپارچه ارائه می‌شود و شامل تمام نسخه‌ها و فایل‌های موردنیاز برای یادگیری است.

🎁 محتویات کامل بسته دانلودی

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل کتاب‌ها، تمرین‌ها و خودآزمایی .


ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود و نسخهٔ چاپی ندارد.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های کتاب همانجا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

جریان توان AC دسته‌ای مبتنی بر JAX برای شتاب‌دهی GPU و ادغام در اکوسیستم هوش مصنوعی.

JAX-Based Batched AC Power Flow for GPU Acceleration and AI Ecosystem Integration

نویسندگان: Yihong Zhou, Dylan Cope, Jakob Foerster, Thomas Morstyn

شناسه منبع: arxiv / 2605.14103v1

دسته: eess.SY

چکیده (فارسی)

هماهنگ‌سازی انعطاف‌پذیری رو به رشد شبکه در شرایط عدم قطعیت، برای بهره‌برداری کارآمد و قابل اعتماد سیستم قدرت اهمیت فزاینده‌ای پیدا می‌کند. یکی از نیازهای محاسباتی اساسی، ارزیابی دسته‌ای و در مقیاس بزرگ جریان توان AC برای اقدامات عملیاتی و سناریوهای عدم قطعیت کاندید است. کارهای قبلی به ارزیابی دسته‌ای جریان توان مبتنی بر GPU پرداخته‌اند، اما عمدتاً به کدهای C یا CUDA که با دست نوشته شده‌اند، متکی بوده‌اند. این امر موانعی برای سفارشی‌سازی، بهینه‌سازی کارآمد کرنل‌ها و نگهداری طولانی‌مدت ایجاد کرده است. JAX یک چارچوب مبتنی بر پایتون است که اجرای کارآمد بر روی شتاب‌دهنده‌ها را ممکن می‌سازد و در عین حال پیاده‌سازی‌ها را در پایتون نگه می‌دارد. بنابراین، این مقاله یک حل‌کننده دسته‌ای جریان توان AC مبتنی بر JAX را پیشنهاد می‌کند که از قابلیت‌های فعلی JAX برای پیاده‌سازی روش نیوتن-رافسون برای شبکه‌های انتقال و جریان توان Z-Bus برای شبکه‌های توزیع نامتعادل سه فاز استفاده می‌کند. این رویکرد به افزایش سرعت بیش از ۱۰ برابری نسبت به pandapower و OpenDSS دست می‌یابد. علاوه بر این، JAX به طور یکپارچه با اکوسیستم گسترده هوش مصنوعی مبتنی بر JAX ادغام می‌شود و جاسازی ارزیابی جریان توان در روش‌های هوش مصنوعی را برای بهره‌برداری در مقیاس بزرگتر و پیچیده‌تر سیستم قدرت در آینده، آسان می‌سازد.

Abstract (English)

Coordinating growing grid flexibility under uncertainty is becoming increasingly important for efficient and reliable power-system operation. A core computational requirement is the efficient large-scale batched evaluation of AC power flow across candidate operating actions and uncertainty scenarios. Previous work has explored GPU-based batched power-flow evaluation, but has largely relied on hand-written C or CUDA code, creating barriers to customisation, efficient kernel optimisation, and long-term maintenance. JAX is a Python-based framework that enables efficient accelerator execution while keeping implementations in Python. This letter therefore proposes a JAX-based batched AC power-flow solver that uses current JAX functionality to implement Newton–Raphson for transmission networks and Z-Bus power flow for three-phase unbalanced distribution networks, achieving more than 10x speed-ups relative to pandapower and OpenDSS. In addition, JAX integrates seamlessly with the broader JAX-based AI ecosystem, making it straightforward to embed power-flow evaluation within AI methods for future larger-scale and more complex power-system operation.

دیدگاهها

هیچ دیدگاهی برای این محصول نوشته نشده است.

اولین نفری باشید که دیدگاهی را ارسال می کنید برای “مقاله جریان توان AC دسته‌ای مبتنی بر JAX برای شتاب‌دهی GPU و ادغام در اکوسیستم هوش مصنوعی.”

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

پیمایش به بالا