“双碳”目标背景下,构建以新能源为主体的新型电力系统已经成为电力行业转型发展的方向。随着未来新能源高比例应用,电力系统调节手段不足的问题将愈加突出,而数字化赋能有望成为未来新型电力系统智能调节的重要抓手。
6月29日~7月2日,以“数字驱动,能创未来”为主题的“2023国际数字能源展”,在深圳会展中心成功举办。
维谛技术(Vertiv,NYSE:VRT)作为绿色能源产业的节碳先锋,在本次展会上,围绕“可维节碳,共建绿色、可靠、智能的能源系统”的主题,从绿色新能源和数字新基建领域全面展示了一系列硬核科技及成功实践。
全面展示数字能源硬核科技
绿色新能源解决方案
? 储备一体,低碳园区新势力
集电源技术、热管理技术、能源监控管理及储能技术于一体,构建新型电力系统,助力客户全方位打造绿色低碳园区,实现源网荷的绿色低碳化转型。
? 绿色风电新能源
作为全球风电机组用变流器完整解决方案供应商,可为全球客户提供量身定制的解决方案,以满足每个项目的不同要求。我们提供的风电机组变流器已经广泛的使用在全球主要风电发展国家,覆盖了海上风电和陆上风电两大领域,全球并网装机总量已经达到30GW以上。
源网荷储一体化是新型电力系统和新能源技术的典型应用,维谛技术(Vertiv)江门工厂建设的光储一体项目,为打造低碳园区提供了成功经验。布置超15000㎡的太阳能板,并配置了800KW/1.6MWH的储能系统,用以平稳消纳光伏发电;成功落地“储备一体化”理念,在运营中充分运用峰谷价差政策,参与电网的需求侧响应,从而实现运营阶段的持续回报;该项目还配置了维谛的综合能源碳管理平台,实现园区内综合能源的智能化管理,同时满足了企业的碳资产碳足迹管理的需求。
数字新基建解决方案
? 可信超低PUE,架构绿色数据中心
将高能效、高耦合、高可靠、高智能技术通过整体解决方案应用到数据中心,实现全生命周期无短板交付, “所设即所得”,PUE在北方干燥寒冷地区低于1.2(最低可达1.15),南方热带高温地区低于1.25,实现PUE的可落地、可量化、可交付,轻松应对能效大考。
? 探索边缘,创新无限
随着边缘计算的应用越来越多,关键基础设施的部署在面临分布广、环境复杂的场景需求时,要求基础设施与业务应用之间形成高度匹配,同时保持稳定可靠运行。维谛技术(Vertiv)Smart Solution解决方案将信息技术和基础设施进行融合,满足场景需求,推进边缘计算持续发展。
? 磐石品质,电力通信网络可靠保障
Vertiv™ NetSure™ DPM系列作为未来即将发布的新品,于数字能源展惊喜首秀,实物真机提前亮相!高可靠电力通信电源系统是维谛技术针对电力行业开发的新一代主打可靠性、适用性的电力电源,其安全可靠、绿色节能、智能化、易安装易运维特点,专为发电站和变电站的通信机房、通信网管中心等应用场景设计,确保电力通信网络的稳定运行。
? 全球视野,一带一路助力出海
作为拥有全球化视野的公司,凭借成熟的产业链、服务链和价值链体系,为EPC企业开拓“一带一路”市场机遇提供全方位的支持,通过融合创新实现生态共赢,为全球客户数字基础设施的建设提供了广泛支持,包括埃及地铁、老挝电信、巴基斯坦联合循环电站、印度鼓达电厂,以及菲律宾DITO、悉尼数据中心、大阪和墨尔本灾备中心、达拉斯数据中心等。
“四零”终极目标为指引,迈向可持续发展
维谛技术(Vertiv)大中华区市场营销及产品应用副总裁田军,在主办方组织的企业家采访中表示,维谛技术(Vertiv)深耕关键基础设施领域,积极响应国家 “双碳”战略,在供配电、制冷、储能及光伏、风能等新能源领域持续推出高性能的创新解决方案,将以“零损耗、零用水、零碳排、零浪费”四个终极理想目标为指引,持续为客户和生态伙伴创造真实价值。
数字能源拥有广阔的发展前景,维谛技术(Vertiv)作为能源革命的参与者和推动者,将持续以绿色低碳为核心,凭借在数字技术、电力电子技术领域的技术优势和研发实力,解锁更多适应能源变革需要的数字基础设施产品,促进数字能源的蓬勃发展;基于合作、协同、分享及长期主义的观点和理念,携手数字能源领域的生态伙伴,共同打造全新的产业生态,共建绿色可持续发展的美好未来!
好文章,需要你的鼓励
来自香港科技大学和MiniMax的研究团队开发了SynLogic,一个可合成35种逻辑推理任务的框架与数据集,填补了AI逻辑训练资源缺口。研究表明,在SynLogic上进行强化学习训练显著提升了模型逻辑推理能力,32B模型在BBEH测试中超越了DeepSeek-R1-Distill模型6个百分点。更值得注意的是,将SynLogic与数学和编程数据混合训练不仅提高了这些领域的学习效率,还增强了模型的泛化能力,表明逻辑推理是构建通用AI推理能力的重要基础。
这项研究揭示了大型语言模型的惊人能力:只需两个特殊训练的向量,冻结的语言模型就能在一次计算中生成数百个准确词汇,而非传统的逐词生成。研究者发现,这种能力要求特定的输入排列方式,且生成速度比自回归方法快约279倍。这一发现不仅展示了语言模型未被充分探索的并行生成潜力,还为快速文本重建开辟了新方向。
腾讯混元团队提出的"ConciseR"是一种通过两阶段强化学习实现大模型简洁推理的新方法。研究遵循"先走后跑"原则,先确保模型具备准确推理能力,再优化输出简洁性。第一阶段通过改进的群体相对策略优化(GRPO++)提升推理能力,第二阶段通过长度感知的群体相对策略优化(L-GRPO)减少输出长度。实验结果显示,该方法在AIME、MATH-500等多个基准测试中既减少了输出长度(平均20%以上),又保持或提高了准确率,展现出高效率-高准确率的理想平衡。
这项由香港科技大学团队开展的研究首次全面评估了压缩对大语言模型Agent能力的影响。研究发现,虽然4位量化能较好地保留工作流生成和工具使用能力(仅下降1%-3%),但在实际应用中性能下降达10%-15%。团队提出的ACBench基准测试横跨工具使用、工作流生成、长文本理解和实际应用四大能力,评估了不同压缩方法对15种模型的影响。结果显示,AWQ量化效果最佳,蒸馏模型在Agent任务上表现不佳,大型模型对压缩更具韧性。研究还提出ERank等创新分析方法,为实际部署提供了切实指导。