物理AI公司Momenta上市:高毛利高亏损并存,数据闭环能否支撑平台化故事?

【能源系统优化】基于NSGA-II的储能容量配置模型:多目标优化与全寿命周期成本分析 项目介绍 MATLAB 储能容量配多大?NSGA-II优化与寿命成本情景分析 内容概要:本文介绍了一个基于MATLAB的储能容量配置优化项目,通过NSGA-II多目标优化算法,综合考虑储能系统的全寿命周期成本、供电可靠性与新能源消纳能力,构建了包含数据生成、储能运行仿真、寿命衰减建模、多目标优化与决策分析的一体化模型框架。项目生成50000条多维随机数据,涵盖负荷、新能源出力、电价、温度与电池运行压力,并建立储能能量容量、功率与备用SOC的协同配置模型。通过时序仿真计算充放电行为、等效循环次数与容量衰减,结合初始投资、运行收益、更换成本与惩罚项,构建全生命周期经济评价体系。NSGA-II算法用于求解成本、供电可靠性与碳排放之间的Pareto最优前沿,支持多情景对比分析,如电价波动、负荷增长与寿命衰减加剧等,最终输出推荐配置与可视化结果,为储能工程选型提供量化依据。; 适合人群:具备一定MATLAB编程基础,从事电力系统规划、储能系统设计、新能源集成或优化算法研究的科研人员与工程技术人员,尤其适用于研究生、能源领域研发工程师及项目规划人员。; 使用场景及目标:①解决“储能容量配多大”这一实际工程问题,优化容量与功率的协同配置;②评估不同电价、负荷、气候与政策情景下储能方案的经济性与鲁棒性;③分析寿命衰减对长期成本的影响,避免“低投入高维护”的不合理配置;④为新能源电站、微电网、工业园区等场景的储能规划提供Pareto最优解集与决策支持。; 阅读建议:此资源侧重于模型构建与算法实现,建议读者结合提供的代码示例深入理解NSGA-II在储能优化中的应用,重点关注目标函数设计、寿命成本建模与多情景分析逻辑。建议运行数据生成与优化代码,调试并可视化结果,以掌握从数据到决策的完整流程。 立即下载

Momenta启动招股,估值引发关注

日前,物理AI公司Momenta通过港交所聆讯,正式启动招股,计划以 "6880" 为股票代码挂牌上市。IPO最终定价295.6港元,预计总募资约58.9亿港元,设有15%绿鞋机制,不含绿鞋的发行后总市值696亿港元(约90亿美元)。按这个估值,早期投资人已经赚了超过80倍。2016年A轮的成本是每股0.45美元,现在翻了84倍。十年之间,Momenta身后站满了戴姆勒、上汽、丰田、通用,以及腾讯、淡马锡、顺为资本。去年C13轮融资时,估值已经到了60亿美元。

财务数据呈现罕见组合

融资顺利,估值攀升,IPO定价不低。但翻开招股书,数据呈现出一种罕见的组合:2025年营收24亿元,同比增长82%,毛利率71.6%,经调整亏损收窄至3亿元,距离盈利很近;但账面净亏损34.58亿元,是经调整亏损的十倍不止。高毛利、高亏损,两种特征同时存在,放在传统的制造业或消费互联网框架里都不太好解释。制造型企业的高毛利通常伴随稳定的正利润,消费互联网公司可以容忍亏损,但毛利不会高到这个程度。显然,Momenta不属于任何一种。

与MiniMax情况相似

它更像几个月前上市的MiniMax。MiniMax上市时也是高毛利、账面巨额亏损,资本市场超额认购1837倍,首日涨了109%。市场买的不是当期利润,而是一个判断:这家公司未来能不能从从 "卖服务" 走向 "卖平台"。Momenta的情况,本质上是一样的。2023年,Momenta 96.8%的收入来自技术开发服务,帮车企做一单收一单的钱,是工程师的工时生意。到2025年,这个比例降到了59.9%,而许可服务收入占到了40.1%。许可费是按每辆搭载其方案的车的销量收授权费,几乎没有边际成本。从8款量产车型到68款,许可收入三年涨了41倍。这就是市场愿意给90亿美元的逻辑。Momenta的估值锚点不是地平线,也不是小马智行,而是能不能成为智能驾驶赛道的 "平台收租者"。

引发市场疑问

这个平台化故事到底有多可靠?账面亏损的34亿里面,真正影响经营的有多少?以及,MiniMax上市后从高点回落66%的故事,会不会在Momenta身上重演。

行业趋势下的Momenta财务

两年前,“全栈自研”是中国车企的集体口号,各家重金扩充智驾团队,动辄投入数十亿。但实际上,如果研发只服务自家几十万辆车,单车的智驾研发分摊成本远高于采购第三方方案。2024年以来,价格战让利润表绷紧之后,多家头部车企的智驾团队经历了一轮收缩。灼识咨询数据,2025年全球及中国L2级 - 高速NOA、L2级 - 城市NOA辅助驾驶及更高级别智能驾驶解决方案市场分别达到约165亿美元及104亿美元,预计2030年将分别增至约703亿美元及386亿美元。市场在膨胀,第三方独立供应商的市场份额正在快速超越车企自研。这个趋势也直接反映在Momenta的客户名单里,截至2025年末,全球前十大车企中有九家是它的客户,而2023年末这个数字是八家,新增的一家是福特。Momenta招股书里的财务数据,要放在这个背景下看。

收入结构切换提升毛利率

Momenta营收从2023年的7.43亿增长到2025年的24.13亿,两年翻了三倍多。但真正让毛利率从17.5%跃升到71.6%的,是收入结构的切换。2023年,96.8%的收入来自技术开发服务——帮车企做一单收一单的钱,是工程师的工时生意。到2025年,这个比例降到了59.9%,许可服务占到了40.1%。许可费的本质是“包租”,按每辆车的装车量收授权费,软件复制几乎没有边际成本。车企的车卖得越多,Momenta的利润就跟着涨,不需要额外投入。从8款量产车型到68款,许可收入三年涨了41倍,从0.23亿到9.68亿。招股书里还有一个细节:截至2025年末,累计车型定点170款,已量产的只有68款。剩下的一百多款还处在开发或验证阶段,一旦陆续进入量产,许可费还有一次释放的过程。

大客户依赖存在变数

但这并不意味着没有变数,2025年前五大客户的收入占比仍然有62.6%,虽然比2023年的86.7%已经下降不少,但集中度依然偏高。如果某家大客户决定重启自研或者缩减采购,对收入的冲击会非常直接。这是Momenta平台化故事里最大的“如果”。

亏损结构分析

亏损方面,34.58亿账面净亏损,是这份招股书里最反常识的。这笔账面净亏损中,28.43亿来自“优先股公允价值变动”。这是公司估值上升产生的账面浮亏,不涉及现金流出。公司估值越高,账面“亏损”越大。美团2018年上市前也曾因优先股公允价值变动录得上千亿账面亏损,上市后这个科目就消失了。把这一项剔除,经调整净亏损从2023年的10.93亿收窄到2025年的3.03亿,两年收窄了72%。合同负债2.70亿,比2024年增长了5倍——客户的钱已经打进来了,服务还没交付,这是未来确认收入的蓄水池。

现金流与效率提升

现金流比利润更真实。2023年经营净流出10.69亿,2024年8.36亿,2025年2.81亿。按这个斜率,2026年经营现金流大概率转正。研发人员几乎没增加,人均产出翻了3倍。前期搭建标准化平台后,新车型适配不再从零开始,2022年400人干两年的活,现在10 - 50人3个月就能交付。这些数字放在一起,Momenta的处境其实很清晰:亏损在收窄,现金在好转,效率在提升。

数据驱动的网络效应

Momenta真正的底牌,是靠数据驱动的网络效应。招股书把它的战略概括为“一个飞轮,两条腿”。“两条腿”分别对应量产车L2方案和L4级Robotaxi。连接它们的“飞轮”是数据闭环:量产车在路上跑,产生真实驾驶数据,数据反哺算法迭代,算法升级后又提升量产车和Robotaxi的性能,性能越好,装车越多,数据越多。截至2025年末,搭载Momenta方案的量产车超过68万台,每天产生约63万段数据片段。这些数据直接用来训练L4算法,L4的技术进步又反过来优化量产方案。两条业务线共用一套技术架构和核心算法,量产车不只是收入来源,也是数据采集的基础设施。搭载Momenta方案的车辆越多,城市覆盖率、场景多样性、极端案例的丰富度就越高,算法的成熟度也随之提升。后来者要追赶90万台车积累的数据经验,需要更长的时间和更大的资本投入。2022年Momenta完成第一个10万台量产花了24个月,现在最快不到40天就能完成同等规模的交付。这也在很大程度上解释了Momenta的亏损结构。2025年研发支出18.69亿,占收入的77.5%,近三年累计46.6亿元。这些支出本质上不是为了维持生存,而是在维持数据飞轮的运转。飞轮每转一圈,竞争壁垒就高一分。

与MiniMax类似的资本市场逻辑

今年1月,MiniMax在港交所挂牌,首日涨了109%,市值一度超过2700亿港元,超额认购1837倍。一家账面亏损、毛利率刚过25%的公司,被资金推到了这个位置。如今,Momenta带着几乎同样的财务结构登场。市场反应有差异,Momenta的基石认购占比约五成,没有出现MiniMax那种级别的超额认购,但定价逻辑却是同一套:毛利率在快速攀升,经调整亏损在收窄,账面巨额亏损主要来自优先股公允价值变动。数字不一样,故事的骨架是相同的。两个行业也同时在发生一个类似的转向。大模型公司从卷参数转向卖API调用,智驾公司从帮车企做定制项目转向按装车量收许可费。产业分工深化的节奏在变快,平台型公司正在吃掉各自价值链上利润最厚的那一段。MiniMax做的是AI模型的“卖水人”,Momenta做的是智能驾驶的“卖水人”。很多人习惯把Momenta和地平线、小马智行放在一起比。但Momenta的“一个飞轮、两条腿”模式,核心在于它正在从一单一结的项目制,变成按每辆车持续收费的平台制。从商业形态上看,它更像MiniMax,而不是它的智驾同行。如果翻看一下MiniMax的财务轨迹:2025年API收入2596万美元,同比增长197.8%,增速超过了C端产品。与订阅制和持续性API调用相关的经常性收入,从2024年的483万美元增长到3186万美元,在总收入中的占比从15.8%跃升到40.3%。MiniMax在从卖产品转向卖服务,Momenta在从卖项目转向卖许可。路径也是一致:前期投入搭建平台,后期靠平台收持续性的费用。而市场的买单逻辑也并不复杂,核心就是两条。账面上看,平台搭好之后,新增收入的边际成本趋近于零。MiniMax的API业务毛利率69.4%,Momenta的许可业务边际成本也接近于零。这意味着一旦跨过盈亏平衡点,利润的增速会显著快于收入的增速。另一边,两个公司的亏损结构高度相似,大额账面亏损都来自优先股公允价值变动,不涉及现金流出。剔除这一项,经调整亏损都在快速收窄。上市转股之后,这个科目的“亏损”会永久消失。Momenta的基石名单里,GIC投了1亿美元,富达国际投了1亿美元,贝莱德和橡树资本各投了两三千万,梅赛德斯 - 奔驰和比亚迪也各投了2500万和1500万美元。这种“主权基金 + 顶级长线 + 产业巨头”的组合在MiniMax身上出现过,新加坡主权财富基金GIC、百利投资、挪威央行都参与了MiniMax的公开募股。半年内,同样的资金组合出现在两个不同赛道的IPO上,押注的是同一类商业形态在各自领域的稀缺性。Momenta与同行的估值差异,也能印证这一点。小马智行2024年底在纳斯达克上市,估值约45亿美元,技术实力并不弱。但市场给Momenta的定价大约是小马的两倍。原因在于Momenta有近百万台量产车在路上跑,持续产生真实数据回传给算法。小马的L4技术主要依赖自建车队采集数据,规模有限,飞轮转不起来。Momenta估值溢价的核心来源,不是技术,是数据闭环形成的网络效应。

上市后表现有待观察

这种估值逻辑有一个隐含前提,那就是Momenta的平台化故事要在预期的时间窗口内兑现。量产车型从8款到68款用了两年,如果L3法规在2026 - 2027年落地,单套软件授权费可能从千元级跃升到万元级,这是市场愿意给PS和PEG定价的理由。但MiniMax上市三个月后从高点回落了66%。市场对平台型公司的定价可以在短期内极度乐观,也可以在预期落空时迅速纠正。所以Momenta上市后能不能走出不同的轨迹,最终还是要取决于一个硬约束:2026年经调整盈利和经营现金流转正能否按期兑现。

Momenta上市的行业影响

过去两年,智驾创业公司融资普遍困难。一级市场对这类公司的定价缺乏参照,地平线和Mobileye都是软硬一体路线,小马智行走L4路线,没有一家纯软件算法公司以近百亿美元的体量完成上市。Momenta的IPO为此类公司提供了一个公开市场的定价基准。后续无论毫末智行、轻舟智航还是其他智驾方案公司想上市,投资人都会拿Momenta的市销率和增长曲线来对标。这意味着Momenta如果上市后表现稳健,整个赛道的融资环境会改善;如果破发或持续低迷,后来者的上市窗口可能会收窄。它承担了一个“品类定义者”的功能,市场对智驾软件平台这个品类到底是欢迎还是冷淡,Momenta是第一块试金石。另一个可能被低估的后果是人才和并购的流向。Momenta上市后账上现金超过百亿人民币。如果它选择用这笔钱去整合行业,收购那些在特定场景或特定算法模块上有积累的小团队,而不是什么都自己从头做,智驾行业的并购潮可能比预期来得更快。汽车行业历史上,博世、大陆这类供应商的崛起往往伴随着对细分领域技术公司的持续收购。Momenta现在具备了做同样事情的财务基础。车企对Momenta的态度一直有些微妙既合作又提防。Momenta上市之后,这种公开市场的监督机制,反而可能让车企在调整合作关系时更加谨慎。不过,双方的博弈从私下谈判变成了公开市场的计价,对现在的Momenta来说未必就是坏事。

印尼稻米收成与粮食安全数据集2026年 本数据集收录印度尼西亚2026年水稻收成与粮食安全遥测数据,包含10000条稻米农业收成产量与粮食安全监测记录,围绕印尼国家粮食安全体系中的核心作物水稻展开。稻米是印尼逾两亿人口的主粮,其收成波动直接影响国家粮食安全与进口政策,本数据集将种植区域、收成产量、气候与土壤相关遥测指标整合为结构化表格,可支撑粮食产量预测、收成影响因素分析、区域粮食安全评估与农业政策模拟等研究任务。典型应用场景包括:农业时间序列产量预测模型构建、气候因子与水稻收成的关联分析、省份与地区层面的粮食自给率测算、粮食安全风险预警指标设计,也可作为农业经济、粮食政策与数据科学交叉课程的教学素材。数据为2026年最新版,规模约1.2MB、单CSV结构规整,字段命名清晰,适合Python、Pandas、Scikit-learn等主流工具链直接使用,便于开展探索性分析、可视化与机器学习全流程练习。重要说明:本数据为遥测整理数据,分析结论以数据集文档口径为准,农业决策请结合官方统计综合研判。许可:CC0公有领域,可自由使用与二次分发。 立即下载

相关推荐

四分之一汽车模型主动悬架设计:在MATLAB_Simulink中实现比例积分控制、前馈扰动抑制和扰动估计,以优化乘坐舒适性和道路附着力。.rar

四分之一汽车模型主动悬架设计:在MATLAB_Simulink中实现比例积分控制、前馈扰动抑制和扰动估计,以优化乘坐舒适性和道路附着力。.rar

MCGS的Http协议驱动,支持http协议

硬件配置 参数设置 设备属性 设备命令 通讯状态 附录 #HTTP 1、 设备简介 驱动类型 该驱动为独立设备,直接添加构件即可,不需要挂载到父设备下 通讯协议 采用标准HTTP1.1协议 通讯方式 驱动构件为客户端。 2、 硬件连接 本软件在通讯之前,请保证通讯连接正确。通讯连接方式:采用标准的RJ45接口的以太网接线(对调网线或使用HUB交换)。 3、 设备通讯参数 本设备为独立设备,无父设备参数 4、 设备构件参数设置 “HTTP设备”参数设置如下: <1> 内部属性: 构建url信息。 <2> 最小采集周期:本软件对设备进行操作的时间周期,单位为ms,默认为100ms。 <3> 通讯等待时间:通讯数据接收等待时间,默认设置为200ms,当采集速度要求较高或数据量较大时,设置值可适当减小或增大。 <4> HttpHead:http head添加需要的字段,不需要添加http head时值为空,默认不添加。 5、 设备命令 本设备构件提供设备命令,用于进行相应的操作,设备命令的格式如下: 设备命令 命令介绍 GetHttpHead 格式1 GetHttpHead(headStr) 用途 获取http head参数 参数 headStr 参数可以为字符型变量、字符串常量 例1 !SetDevice(设备0,6,"GetHttpHead(headStr)") 获取http head数据保存到headStr中 SetHttpHead 格式1 SetHttpHead(headStr) 用途 设置http head参数 参数 headStr 参数可以为字符型变量、字符串常量

Delphi 13.2控件之msquic4d.rar

Delphi 13.2控件之msquic4d.rar

【DBO三维路径规划】基于多策略改进的蜣螂算法MSDBO多无人机协同集群避障路径规划(目标函数:最低成本:路径、高度、威胁、转角)研究(Matlab代码实现)

内容概要:本文研究了基于多策略改进的蜣螂优化算法(MSDBO)在多无人机协同集群三维路径规划中的应用,旨在解决复杂三维环境下的避障与最优路径搜索问题。通过构建包含路径长度、飞行高度、威胁规避和转弯角度的综合成本目标函数,利用MSDBO算法对多无人机系统的飞行轨迹进行全局优化,实现在保证安全性与稳定性的前提下达到最低能耗与最优性能的目标。文中详细阐述了算法的多策略改进机制、三维环境建模方法以及多无人机协同避障策略,并通过Matlab仿真平台验证了该方法相较于传统优化算法在收敛速度、路径质量和鲁棒性方面的优越性能。; 适合人群:具备一定优化算法理论基础和无人机控制系统知识的科研人员及研究生,特别适用于从事智能优化算法、多智能体协同控制、路径规划与自主导航等相关领域的研究人员和技术开发者。; 使用场景及目标:①应用于灾害救援、军事侦察、智能巡检等复杂三维场景中多无人机协同任务的路径规划;②为多目标约束下的路径优化、动态避障与能耗平衡问题提供高效的算法支持与仿真验证工具;③推动智能优化算法在无人系统自主决策与协同控制中的实际应用与工程落地。; 阅读建议:建议读者结合提供的Matlab代码深入理解算法的具体实现过程,重点关注目标函数设计、多策略改进机制(如种群初始化、自适应参数调整、局部搜索增强等)及仿真结果分析部分,同时可尝试将该算法迁移至其他智能优化算法框架中进行对比研究,以深化对路径规划问题本质的理解与实践能力的提升。

企业数字化转型AI大模型赋能智能体平台及AI场景应用规划方案(生态合作版).pptx

企业数字化转型AI大模型赋能智能体平台及AI场景应用规划方案(生态合作版).pptx

智慧环保生态保护行业可信数据空间应用规划方案(技术方案版).pptx

智慧环保生态保护行业可信数据空间应用规划方案(技术方案版).pptx

【CEEMDAN-VMD-GRU】完备集合经验模态分解-变分模态分解-门控循环单元预测研究(Python代码实现)

内容概要:本文提出了一种融合完备集合经验模态分解(CEEMDAN)、变分模态分解(VMD)与门控循环单元(GRU)的复合预测模型,旨在提升对复杂非平稳时间序列的预测精度。首先利用CEEMDAN对原始信号进行自适应分解,有效缓解模态混叠问题,获得一组本征模态函数(IMFs);随后引入VMD对关键模态分量作进一步优化分解,增强特征分离能力,降低噪声干扰;最后将处理后的平滑分量分别输入GRU神经网络进行独立训练与预测,并通过加权集成策略融合各分量输出,得到最终高精度预测结果。该方法结合了多尺度信号分解与深度学习的优势,显著提升了模型在处理强噪声、非线性、非平稳序列(如电力负荷、风速、光伏发电功率等)时的泛化能力和预测稳定性,文中提供了完整的Python代码实现,便于复现与应用。; 适合人群:具备一定Python编程基础和机器学习理论知识,从事科研或工程应用的硕士、博士研究生及科研人员,尤其适用于能源系统预测、智能电网调度、可再生能源管理、信号处理与时间序列分析等相关领域的研究人员和技术开发者。; 使用场景及目标:①解决传统单一预测模型在面对复杂非平稳时间序列时存在的过拟合、收敛慢、精度低等问题;②通过多阶段信号分解降低原始序列的复杂度与不确定性,提升GRU模型的训练效率与预测鲁棒性;③为电力系统负荷预测、新能源出力预报、设备运行状态预警及市场交易策略制定等关键任务提供高精度数据支撑。; 阅读建议:建议读者结合提供的Python代码逐模块理解算法实现流程,重点关注CEEMDAN与VMD的参数配置对信号分解效果的影响,尝试在不同数据集上进行实验对比,并通过可视化手段分析各模态分量的物理意义,进一步掌握模型调优与性能评估的方法。

气象服务行业可信数据空间应用规划方案(技术方案版).pptx

气象服务行业可信数据空间应用规划方案(技术方案版).pptx

无人机路径规划中多种优化算法的仿真研究(Matlab代码实现)

内容概要:本文围绕无人机三维路径规划问题,系统研究了多种智能优化算法在复杂环境下的仿真应用与性能对比,重点实现了改进灰狼优化算法(I-GWO)、标准灰狼优化算法(GWO)、金鹰优化算法(GJO)和正弦余弦算法(SCA)的Matlab代码实现。通过构建包含路径长度、飞行高度、威胁规避及转弯角度等多维度目标函数的综合评价体系,对各算法在单无人机路径优化与多无人机协同集群避障场景中的表现进行全面仿真分析,评估其路径规划能力、收敛速度与鲁棒性。研究旨在实现最低综合成本的飞行路径,并为多智能体协同任务提供可靠的算法支撑。; 适合人群:具备一定Matlab编程基础,从事无人机系统设计、智能优化算法研究、路径规划及相关自动化、人工智能领域的科研人员、工程技术人员及研究生。; 使用场景及目标:① 掌握主流智能优化算法在三维空间路径规划中的具体建模与实现方法;② 对比分析不同算法在路径优化质量、计算效率、避障能力和多目标权衡方面的性能差异;③ 为多无人机协同执行侦察、监测、救援等任务提供高效的路径规划解决方案与仿真验证平台。; 阅读建议:建议结合文中提供的Matlab代码进行动手实践,重点关注算法参数调优、目标函数设计以及环境障碍物建模对最终路径的影响,可进一步扩展至动态障碍环境或加入通信约束以适应更复杂的实际应用场景。

机器视觉检测实战教程 19页成品课程光源选型Halcon标定海康相机VisionPro

内容概要:机器视觉检测实战教程,19页6章成品课程PDF:视觉检测光源选型对照表+五个翻车案例、Halcon模板匹配create_shape_model七参数整定、视觉标定三类(9点/旋转/手眼)、海康工业相机C#取图黑图丢帧排坑、VisionPro QuickBuild部署License迁移C#宿主、远心镜头选型。含C#/Halcon代码与现场案例。适用人群:机器视觉工程师、自动化检测开发、企业内训。使用场景:视觉方案设计、选型、标定部署、团队培训。原创整理。

【医疗器械制造】基于酸碱腐蚀环境的一次性乳胶手套铝合金手模失效机理分析与量产风险控制

内容概要:本文围绕一次性医用乳胶手套生产中使用的铝合金手模在酸碱环境下的失效风险展开系统性分析,重点探讨其在外表面腐蚀、清洗循环、氯介质侵入及表面粗糙度控制等方面的工程挑战。研究表明,尽管市场上已有带涂层的铝合金手模供应,但其能否在强碱、酸洗、毛刷摩擦、冷热交变和氯共存的复杂工况下长期维持Ra 1.0—2.5 μm的表面质量并实现稳定脱模,仍需经过严格的多阶段验证。常规阳极氧化+PTFE涂层方案已被实测排除,而316L不锈钢筒体在湿氯环境中出现的三个月内腐蚀失效案例提示必须重视内腔隔离设计。文章强调,采购决策应基于“小批量试制—离线加速试验—影子生产验证—条件性放行”的四阶段准入机制,结合表面参数、工艺相容性、手套成品性能与全生命周期成本进行综合评估,避免依赖供应商宣传数据。; 适合人群:从事医疗器械制造、材料工程、设备采购与工艺质量管理的技术人员及决策管理者,尤其是涉及乳胶手套生产线优化与手模选型的相关从业人员。; 使用场景及目标:①评估铝合金手模替代陶瓷手模的技术可行性与风险边界;②建立手模选型的系统验证流程,防范因表面失效导致的脱模异常、手套缺陷与非计划停机;③指导采购合同中技术条款的制定,确保供应商交付具备可验证数据支撑; 阅读建议:此资源以工程实证为导向,建议读者结合自身产线工艺参数,重点关注外表面Ra控制、内腔双密封设计、影子生产验证方法及失效链追溯体系的构建,在试制阶段严格执行多维度联合判定标准,审慎推进规模化替代。

超全Mathcad全桥LLC谐振变换器开关电源设计mathcad计算书

内容概要:本文档《超全Mathcad全桥LLC谐振变换器开关电源设计mathcad计算书》系统阐述了全桥LLC谐振变换器在开关电源中的设计方法,重点利用Mathcad工具进行精确的数学建模与参数计算。内容涵盖LLC谐振变换器的工作原理、关键参数设计(如谐振频率、励磁电感、变比等)、闭环控制策略、软开关实现条件、效率优化及工程实践中需注意的关键事项。文档通过详尽的数学推导和工程实例,构建了一套完整的从理论分析到实际应用的设计流程,特别强调了在不同负载与输入电压条件下确保ZVS/ZCS软开关的实现机制,并提供了实际设计中的取值依据与优化方向,为电力电子工程师提供了一个高效、可靠的设计参考方案。; 适合人群:具备电力电子技术基础,从事开关电源研发的工程师、高校电力电子及相关专业的研究生与科研人员,以及熟悉Mathcad、Simulink等仿真与计算工具的技术人员;; 使用场景及目标:① 掌握全桥LLC谐振变换器的参数设计与性能优化方法;② 开发高效率、高功率密度的软开关电源系统;③ 支持科研项目或工业产品中高性能电源模块的设计与验证;④ 结合仿真模型进行设计结果的验证与教学培训;; 阅读建议:建议结合配套的仿真模型与计算书同步学习,重点关注参数设计公式的推导过程与工程取值的合理性,动手复现计算步骤以加深理解,并通过仿真手段验证设计结果的准确性与鲁棒性。

【新能源电力系统】项目介绍 MATLAB实现基于GWO-VMD-SSA-LSTM灰狼优化算法(GWO)结合变分模态分解(VMD)、麻雀搜索算法(SSA)及长短期记忆网络(LSTM)进行辐照度-温度驱动

内容概要:本文提出了一种融合灰狼优化算法(GWO)、变分模态分解(VMD)、麻雀搜索算法(SSA)和长短期记忆网络(LSTM)的复合模型(GWO-VMD-SSA-LSTM),用于实现高精度的辐照度-温度驱动短期光伏功率预测。该模型首先通过GWO优化VMD的关键参数(模态数K和惩罚因子α),实现对非平稳光伏功率序列的高效多尺度分解,降低信号复杂性;随后利用SSA对LSTM的超参数(如隐藏层单元数、Dropout率、学习率等)进行智能寻优,提升网络训练效率与泛化能力;最后通过独立LSTM网络对各VMD模态进行预测并重构输出。模型结合了信号分解、智能优化与深度学习优势,显著提升了在多云、阴雨等复杂天气下的预测精度与稳定性,并通过MAE、RMSE、MAPE和R²等指标验证了有效性。文中还提供了完整的MATLAB实现流程,涵盖数据清洗、归一化、滑动窗口构建、参数优化与结果可视化等环节。; 适合人群:具备一定机器学习与时间序列预测基础,从事新能源发电预测、智能电网调度、电力系统自动化等相关领域的科研人员、工程师及研究生。; 使用场景及目标:①解决光伏功率受辐照度、温度等因素影响而导致的强随机性、非平稳性预测难题;②提升短期(15分钟至1小时)光伏出力预测精度,支撑电网经济调度、储能协同控制与电力现货市场申报;③为多源气象数据驱动的可再生能源预测提供可扩展的技术框架。; 阅读建议:建议结合提供的MATLAB代码逐步实践,重点关注GWO与SSA的优化机制、VMD分解效果及其与LSTM的集成方式,注意避免时间泄漏问题,推荐在实际数据上复现实验以深入理解模型性能。

具有PWM控制VSC-HVDC链路的IEEE30总线传输系统(Simulink仿真实现)

内容概要:本文详细介绍了基于Simulink仿真实现的具有PWM控制VSC-HVDC链路的IEEE30总线传输系统,系统性地阐述了电压源换流器高压直流输电(VSC-HVDC)的技术原理及其在复杂电力系统中的集成应用。研究重点涵盖VSC-HVDC系统的基本结构、PWM调制控制策略的设计与实现,并将其嵌入IEEE30节点标准测试系统中,构建完整的多区域交直流混合输电仿真模型。通过Simulink平台对系统在不同运行工况下的动态响应进行仿真分析,验证了PWM控制在有功功率、无功功率独立调节、直流电压稳定及故障穿越能力方面的有效性。该仿真模型不仅有助于深入理解现代高压直流输电技术的工作机制,也为含大规模可再生能源接入的智能电网稳定性分析与优化控制提供了可靠的技术支撑与研究平台。; 适合人群:具备电力系统分析、高压直流输电技术基础以及Simulink/MATLAB仿真能力的研究生、科研人员及从事电力系统规划与运行的工程技术人员。; 使用场景及目标:① 掌握VSC-HVDC系统的核心控制原理及其在多节点电网中的建模方法;② 学习并实践基于PWM调制的矢量控制策略在Simulink中的实现过程;③ 对比分析交直流系统在稳态与暂态过程中的功率传输特性与动态响应,为新能源并网、电网互联等实际工程问题提供仿真依据和技术参考。; 阅读建议:建议读者结合文中理论分析与Simulink仿真模型,逐步完成模型搭建与参数设置,并通过改变系统运行条件(如负载投切、故障扰动等)观察系统响应变化,深入理解控制策略的有效性与局限性。同时,鼓励扩展模型功能,如引入风电/光伏等可再生能源接口,进一步探索VSC-HVDC在现代电力系统中的综合应用潜力。

T12_eVTOL低空经济低空公共航线网络规划设计方案_可研报告版.pptx

T12_eVTOL低空经济低空公共航线网络规划设计方案_可研报告版.pptx

T07_低空经济与智能网联汽车融合的城市空地一体出行服务平台建设方案_决策评审版.pptx

T07_低空经济与智能网联汽车融合的城市空地一体出行服务平台建设方案_决策评审版.pptx

【有功-无功协调优化】基于改进多目标粒子群优化算法(小生境粒子群算法)的配电网有功-无功协调优化研究(Matlab代码实现)

内容概要:本文研究了基于改进多目标粒子群优化算法(小生境粒子群算法)的配电网有功-无功协调优化问题,旨在通过Matlab代码实现该算法以提升配电网的运行效率与稳定性。文中详细阐述了小生境粒子群算法的改进策略,该策略通过引入小生境技术增强算法的全局搜索能力和种群多样性,有效避免了早熟收敛问题。研究构建了一个综合考虑有功功率与无功功率协调控制的多目标优化模型,其目标函数涵盖了网损最小化、电压质量最优化以及设备运行成本最低化等关键指标,并设置了必要的等式与不等式约束以确保系统安全稳定运行。通过对典型配电网系统的仿真测试,验证了所提方法在降低网络损耗、改善电压分布、提高供电可靠性方面的有效性与优越性,为现代主动配电网的优化运行提供了新的技术路径。; 适合人群:具备一定电力系统基础知识和Matlab编程能力的研究生、科研人员及工程技术人员。; 使用场景及目标:①应用于高校或研究院所中关于智能电网、分布式电源接入、微电网控制等相关课题的研究;②为电力公司提供配电网优化运行的技术支持,特别是在含有大量分布式电源接入的情况下,如何有效地进行有功-无功协调控制;③作为教学案例用于讲授先进优化算法在电力系统中的实际应用。; 阅读建议:建议读者在学习过程中结合Matlab代码仔细分析算法的具体实现细节,注意理解小生境技术如何影响粒子群的行为,同时应关注多目标优化问题的求解过程及其结果解释,以便更好地掌握该方法的核心思想和技术要点。

九个版本一步跨:从JDK8到JDK17的特性增量、强封装迁移与ZGC实战解析

这篇文章要回答的,正是“从 JDK 8 直接跨到 JDK 17”这件事里最常被问到的四个问题: 九个版本到底攒下了什么? 语言、API、运行时三类变化里,哪些值得用、各自从哪个版本开始可用、哪些说法其实传错了。 升级为什么会“起不来”或“跑不通”? 强封装、被删除的模块、被移除的 JVM 参数,分别会以什么样子出现,怎么定位、怎么治本。 ZGC 的收益是真的吗?怎么测才算数? 停顿影响面怎么估算,压测时有哪些坑会把收益放大或掩盖。 落地要分几步走? 站在 2026 年,还该不该把 17 当终点。

上一篇: 谷歌DeepMind哲学家入职九年,四方对齐框架影响Gemini训练,难敌6700亿美元竞争?
下一篇: Meta AI负责人揭秘转型轨迹:从追赶者到竞争者,打造深度个人化AI代理
IT界那些事儿
博客等级 码龄6年 2万+粉丝 22原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值