- 综合排序
- 最热优先
- 最新优先
上万元力调电费这样追回！
“公司装了光伏后，电费单上突然多出一笔上万元的罚款，名目还叫‘力调电费’！”这声惊呼不是个例。随着分布式光伏的普及，越来越多企业在享受清洁能源红利时，却撞上了意想不到的电费“暗礁”。 二、看不见的电费刺客：力调电费陷阱力调电费（功率因数调整电费）是大工业用户电费的关键部分：电费总额 = 基本电费 + 目录电费 + 力调电费 + 其他附加费当功率因数低于考核标准，力调电费立即变为罚款。 五、企业自救指南：三步远离罚款精准诊断：并网后紧盯电费单中“力调电费”项。一旦发现罚款，立即检测并网点和补偿柜功率因数数据，锁定差异根源。 升级四象限控制器后，功率因数稳定在0.95以上，罚款归零，年省电费逾十万元。光伏本为降本，若因力调罚款得不偿失，实为遗憾。 据国网统计，约30%工商业光伏项目并网首年遭遇过力调罚款，而升级专业补偿设备的成本通常在2-5万元，多数企业半年内即可收回改造成本。
2.2K10编辑于 2025-08-07- 来自专栏芋道源码1024
IntelliJ IDEA JDK 8 性能调优
IntelliJ IDEA 问题描述问题原因解决方法调优后观察为什么要选择用户`idea.vmoptions`文件 ---- IntelliJ IDEA 问题描述 IntelliJ IDEA 在 多窗口 工具打开Info.plist ，其中存在一个 key 元素内容为VMOptions的设置，如下所示： <key>VMOptions</key> <string>-Dfile.encoding=UTF-8 -XX:+UseConcMarkSweepGC 为 IDEA 默认配置GC 算法，将其移除，修改为： <key>VMOptions</key> <string>-Dfile.encoding=UTF-8 -XX:MaxMetaspaceSize=512m -XX:ReservedCodeCacheSize=240m 调优后观察 风扇旋转情况 启动 IntelliJ IDEA 2017.1 后一小时有余 -XX:MaxMetaspaceSize=512m -XX:ReservedCodeCacheSize=240m JVM 内存情况 当前堆大小: 376,068 KB 最大堆大小: 8,388,608
1.9K20发布于 2018-12-19 光伏夜间“隐形守护者”：一招解决并网后功率因数下降难题，省下电费单罚款！
我们通常认为，安装分布式光伏（不配储能）是节省电费的好方法。然而，一个常被忽视的影响是：光伏并网后，用户的月平均功率因数（PF）反而可能下降，导致面临供电公司的“力调电费”罚款！ 二、 真实案例揭秘：电量还原看清本质某合同能源管理光伏项目用户月电费单显示：总有功电量：77,360 kWh总无功电量：44,260 kVarh功率因数：0.87力调电费惩罚比例：+1.5% (意味着要多交电费罚款 但并网后，计量点处来自电网的有功电量大幅减少，而来自电网的无功电量不变，直接拉低了计量点的功率因数，导致用户“冤枉”地承担了力调电费罚款！ 四、 算例验证：夜间SVG效果显著沿用上述案例数据，假设用户昼夜用电平均（各占50%）：场景有功电量 (kWh)无功电量 (kVarh)计量点功率因数力调电费影响无光伏接入 (基准)昼 69,250 + 昼 22,130 + 夜 22,130 = 44,2600.87惩罚 (+1.5%)光伏接入 + 夜间SVG (补偿50%夜间无功)昼 8,110 + 夜 69,250 = 77,360昼 22,130
2.1K10编辑于 2025-08-06- 来自专栏运维开发故事
k8s的 Nginx Ingress 调优
概述 Nginx Ingress Controller 基于 Nginx 实现了 Kubernetes Ingress API，Nginx 是公认的高性能网关，但如果不对其进行一些参数调优，就不能充分发挥出高性能的优势 内核参数调优 我们先看看通过内核的哪些参数能够提高Ingress的性能。保证在高并发环境下，发挥Ingress的最大性能。 调大全连接队列的大小 TCP 全连接队列的最大值取决于 somaxconn 和 backlog 之间的最小值，也就是 min(somaxconn, backlog)。 要调大 Nginx Ingress 的连接队列，只需要调整 somaxconn 内核参数的值即可，但我想跟你分享下这背后的相关原理。 除了内核参数需要调优，Nginx 本身的一些配置也需要进行调优，下面我们来详细看下。
4K30发布于 2021-08-13 - 来自专栏云原生搬运工
K8S 容器调大共享内存(shm)
但是在日常使用中如果业务逻辑重度依赖共享内存，比如游戏互动业务场景，64MB显然是不够的，可能需要调大 shm。 如何操作想要调大 K8S 容器中的共享内存大小，挂载 Memory 类型的临时存储即可， 如下图示例：当启用SizeMemoryBackedVolumes特性门控时， 你可以为基于内存提供的卷指定大小。
3.5K94编辑于 2023-09-12 - 来自专栏铭毅天下
Elasticsearch 8.X 检索实战调优锦囊 001
https://lucene.apache.org/core/8_0_0/core/org/apache/lucene/codecs/lucene80/package-summary.html https 0.010 如上文章翻译自：https://medium.com/teads-engineering/practical-elasticsearch-performance-tuning-on-aws-8c08066e598c
1.7K20编辑于 2022-09-26 - 来自专栏极客运维
【Dr.Elephant中文文档-8】调优建议
尽管作业调优比较费劲，但一些简单的调整往往也能带来不错的效果。 需要特别注意的是mapper和reducer的数量，io和内存使用的配置，以及生成的文件数量。 一般来说，对每个Pig作业，都花一些时间来调优参数PARALLEL是非常值得做的。 2.4.关键调优参数 2.4.1.Mappers mapreduce.input.fileinputformat.split.minsize 这个参数表示输入到map中的每个文件块切分的大小的最小值。 -Aug-2010 | 16:32:32 | ( 12 mins, 46 sec) Sort Finished:17-Aug-2010 | 16:32:37 | (4sec) 效果看着还不错，通过一些调优
1.3K71发布于 2019-12-26 - 来自专栏运维经验分享
tomcat 8 9 性能 优化 调优 centos 7 linux
个人分类： tomcat 不要单纯为了调优而去调优，应该有针对性的去发现不足，解决问题，以提高性能。 ==========正文============== 性能的提升，主要从以下几个方面入手： 1，架构调优 负载均衡，高可用，nginx + tomcat 动静分离，容器化 等， 不具体阐述 2 ，代码调优 jdk8 参考JVM 配置： JDK 1.8中 PermSize 和 MaxPermGen 已经无效。JDK 1.8 中已经不存在永久代的结论 而以 元空间 代替。 5，操作系统调优 硬件： CPU、内存、硬盘、带宽 。 这个属于 不差钱 性质的优化。人民币玩家 不废话。 系统：内核参数调. 1024=1.6G） #内核分配给TCP连接的内存hh ，单位是Page，1 Page = 4096 Bytes net.ipv4.tcp_mem = 524288 699050 1048576 #（8G
2.6K70发布于 2019-03-16 - 来自专栏各类技术文章~
【力扣-哈希表】8、四数之和（18）
2,2], target = 0 输出： [[-2,-1,1,2],[-2,0,0,2],[-1,0,0,1]] 复制代码 示例 2： 输入： nums = [2,2,2,2,2], target = 8
48300发布于 2021-11-06 3MW光伏项目刚并网就被罚23万？罪魁祸首竟是它！
项目顺利并网后，企业却发现当月电费账单不降反升，更收到了电网公司开具的23万元力调电费罚款单。 低功率因数的“代价”：基础电费增加： 电网是根据视在功率（S） 来核定用户的基本电费（容量费）。视在功率（S² = 有功功率（P）² + 无功功率（Q）²）。 这就好比雇了一辆大卡车（S大），却只装了半车货（P小），但油费、磨损费（基本电费）还得按大卡车算！力调电费罚款： 这是直接的惩罚！ 避免过补/欠补： 防止无功倒送或补偿不足，彻底规避力调电费罚款。 力调电费罚款归零！ 光伏发电的降本效益得到真正体现。海德莱电力郑重提醒工商业光伏投资者： 安装光伏是明智的投资，但忽视功率因数问题，可能让“省钱利器”变成“罚款陷阱”！
1.2K00编辑于 2025-08-05- 来自专栏AI智韵
YoloV8改进策略：聚焦线性注意力重构YoloV8
与传统的Softmax注意力机制相比，聚焦线性注意力机制具有更低的计算复杂度。它通过重新排列自注意力计算的顺序，将复杂度从 O(N^2 d) 降低到 O(Nd^2) 。 此外，聚焦线性注意力模块的设计旨在解决线性注意力模块中存在的低秩问题，并采用简单运算符实现近似计算，以最小计算开销实现高表达力。 spm=1001.2014.3001.5502 在视觉Transformer中应用聚焦线性注意力模块，可以扩大模型的感受野，使其能够更好地捕捉到长程依赖关系。 实验结果表明，通过在早期阶段引入聚焦线性注意力模块，可以在保持计算效率的同时提高模型的性能。 本文将FLatten Transformer的线性注意力机制引入YoloV8，重构YoloV8的模块。 YoloV8官方测试结果 YOLOv8l summary (fused): 268 layers, 43631280 parameters, 0 gradients, 165.0 GFLOPs
25610编辑于 2024-10-22 GBase8s 的分区策略与性能调优
GBase8s 提供了多种分区方式，灵活应对复杂的查询需求。本文将深入探讨 GBase8s 的分区技术及其在性能优化中的实际应用。一、分区策略概述1. 三、性能调优案例分析某电商企业基于 GBase8s 构建的销售系统，利用分区存储 10 年的历史数据。通过分区裁剪技术，系统查询响应时间从 5 秒降至 1 秒以下。 四、总结GBase8s 的分区技术为大规模数据的存储与管理提供了强大支持。开发者应根据业务特点选择合适的分区策略，实现性能最优。
57310编辑于 2024-12-10- 来自专栏算法channel
机器学习超参调优：常用8种方法
超参数调优是机器学习例程中的基本步骤之一。该方法也称为超参数优化，需要搜索超参数的最佳配置以实现最佳性能。机器学习算法需要用户定义的输入来实现准确性和通用性之间的平衡。这个过程称为超参数调整。 4 网格搜索 网格搜索是超参数调优的基本方法。它对用户指定的超参数集执行详尽的搜索。这种方法是最直接的导致最准确的预测。使用这种调优方法，用户可以找到最佳组合。 8 随机搜索 随机搜索可以说是对网格搜索的基本改进。该方法是指对可能参数值的某些分布的超参数进行随机搜索。搜索过程继续进行，直到达到所需的精度。随机搜索类似于网格搜索，但已证明比后者创建更好的结果。 原文出处： https://analyticsindiamag.com/top-8-approaches-for-tuning-hyperparameters-of-machine-learning-models
6.2K31编辑于 2022-08-31 - 来自专栏james大数据架构
k8s本地联调工具kt-connect
kt-connect/#/ 2、Kt Connect能帮我们实现什么 a、直接访问Kubernetes集群 开发者通过KT可以直接连接Kubernetes集群内部网络，在不修改代码的情况下完成本地开发与联调测试 b、转发集群流量到本地 开发者可以将集群中的流量转发到本地，从而使得集群中的其它服务可以联调本地 c、Service Mesh支持 对于使用Istio的开发者，KT支持创建一个指向本地的Version 1.Exchange模式的流量方向是单向的，并不会将本地电脑主动发起的请求代理过去，如果K8S集群跟研发本地电脑不在一个网段内，需要另外开一个命令行运行Connect模式，确保本地服务可以正常连接K8S ： 添加 spring.cloud.nacos.discovery.ip: ${spring.application.name} 在discovery下注册指定ip为服务名，这样pod在调ip 时会走k8s的服务代理到对应的本机ip 3.
2.9K30编辑于 2022-12-28 - 来自专栏james大数据架构
k8s本地联调工具kt-connect
kt-connect/#/2、Kt Connect能帮我们实现什么a、直接访问Kubernetes集群 开发者通过KT可以直接连接Kubernetes集群内部网络，在不修改代码的情况下完成本地开发与联调测试 b、转发集群流量到本地 开发者可以将集群中的流量转发到本地，从而使得集群中的其它服务可以联调本地c、Service Mesh支持 对于使用Istio的开发者，KT支持创建一个指向本地的Version 1.Exchange模式的流量方向是单向的，并不会将本地电脑主动发起的请求代理过去，如果K8S集群跟研发本地电脑不在一个网段内，需要另外开一个命令行运行Connect模式，确保本地服务可以正常连接K8S 解决： 添加 spring.cloud.nacos.discovery.ip: ${spring.application.name} 在discovery下注册指定ip为服务名，这样pod在调ip时会走 k8s的服务代理到对应的本机ip3.
2.5K30编辑于 2022-12-25 - 来自专栏东风微鸣技术博客
K8S OS 内核性能参数调优
参数一览 sysctl 调优参数一览 # Kubernetes Settings vm.max_map_count = 262144 kernel.softlockup_panic = 1 kernel.softlockup_all_cpu_backtrace 一个更大的值对于 elasticsearch、mongo 或其他 mmap 用户来说非常有用 ES Configuration[1] kernel.softlockup_panic = 1 用于解决 K8S Issue #37853 · kubernetes/kubernetes (github.com)[2] kernel.softlockup_all_cpu_backtrace = 1 用于解决 K8S 内核软锁相关 bug net.ipv4.ip_local_reserved_ports = 30000-32767 默认 K8S Nodport 端口 service-node-port-range
2.5K21编辑于 2022-04-22 - 来自专栏AIoT技术交流、分享
力扣(LeetCode)刷题，简单题(第8期)
目录 第1题：存在重复元素 第2题：2的幂 第3题：移动零 第4题：缺失数字 第5题：第一个错误的版本 第6题：按摩师 第7题：3的幂 第8题：求1+2+... +n 第9题：数值变为0的步数 第10题：有多少小于当前数字的数 ---- 力扣(LeetCode)定期刷题，每期10道题，业务繁重的同志可以看看我分享的思路，不是最高效解决方案，只求互相提升。 ---- 第8题：求1+2+...+n 试题要求如下： ? 回答（C语言）： //（1）如果多个变量均非0（包括None、False等），那么返回最后一个变量的值。
52430发布于 2021-01-20 - 来自专栏芯智讯
ChatGPT多烧钱？大模型训练一次200-1200万美元！
整个过程不仅需要大量的手工调参，还需要给机器喂养海量的标注数据，这拉低了人工智能的研发效率，且成本较高。 相比之下，大模型的改进可以使所有的下游小模型受益，大幅提升人工智能的使用场景和研发效率。 初始投入近十亿美元，单日电费数万美元 国盛证券估算，今年1月平均每天约有1300万独立访客使用ChatGPT，对应芯片需求为3万多片英伟达A100GPU，初始投入成本约为8亿美元，每日电费在5万美元左右 英伟达DGXA100服务器：单机搭载8片A100GPU，AI算力性能约为5PetaFLOP/s，单机最大功率约为6.5kw，售价约为19.9万美元/台。 标准机柜：19英寸、42U。 3）运行成本： 初始算力投入：以前述英伟达DGXA100为基础，需要30,382/8=3,798台服务器，对应3,798/7=542个机柜。 则，为满足ChatGPT当前千万级用户的咨询量，初始算力投入成本约为542*140=7.59亿美元。 每月电费：用电量而言，542*45.5kw*24h=591,864kwh/日。
2.4K30编辑于 2023-03-24 - 来自专栏AI智韵
YoloV8改进策略：注意力改进|引入DeBiLevelRoutingAttention注意力模块（全网首发）
我们基于对YoloV8模型的深入理解，创新性地引入了DeBiLevelRoutingAttention（简称DBRA）注意力模块，旨在进一步增强模型的特征提取能力和目标检测精度。 具体来说，每个模型在8个V100 GPU上以224×224的输入大小训练300个epoch。 表8展示了两个不同框架的结果。 7.2 可变形相对位置偏置 当然，将位置信息融入注意力机制已被证明对模型性能有益。诸如APE[15]、RPE[29]、CPE[8]、LogCPB[28]等方法以及其他方法已证明能够改善结果。 表8显示了Upernet框架在单尺度和多尺度IoU下的结果。 7.7 限制和未来工作 与具有简单静态模式的稀疏注意力相比，我们提出了一种新的注意力方法，该方法由两个组件组成。
1.8K10编辑于 2024-10-22 - 来自专栏用户9757876的专栏
8 块 5090 的算力服务器上架
昨天为某大学上架一台算力服务器，看顺丰小哥卸货的样子，就知道分量不轻。 由于是新校区，我们找了几部电梯，都是停电的状态，顺丰把货卸在楼前就走了。 幸亏电梯及时恢复了，不然还要抬到3楼…… 服务器配置为双路96核CPU，512G内存，480G固态2块，960固态5块，这些已经够奢侈了，关键还有8块5090，性能相当炸裂了。 用客户的另外一台服务器，SSH连接到光交换机，配置端口，ping算力服务器的IP，这次通了，同样的，配置电口交换机，再ping服务器的BMC口，出人意料的是，居然不通。 重启算力服务器，进入BIOS设置，发现刚才的BMC地址未成功保存，再次输入IP，保存配置，显示：time out…… 说实话，真没见过配个BMC的地址还会time out 的，然后关闭了IPV6，再次输入
21300编辑于 2026-07-08
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号