XiaoMi-AI文件搜索系统
World File Search Systemgfms
迈向图基础模型：调查和超越
摘要 - 发现模型已成为各种人工智能应用中的关键组成部分，并展示了自然语言处理和其他几个领域的取得巨大成功。与此同时，机器学习领域正在见证从浅层方法到更复杂的深度学习方法的范式过渡。基础模型在概括和适应中的功能激励了图机学习研究人员讨论开发新的图形学习范式的潜力。此范式设想了在广泛的图形数据上预先训练的模型，并且可以适用于各种图形任务。尽管有这种兴起的兴趣，但与该新领域有关的明确定义和系统分析显然缺乏。为此，本文介绍了图基础模型（GFM）的概念，并对其关键特征和基本技术提供了详尽的解释。我们将根据图形神经网络和大语言模型的依赖，将与GFM有关的现有工作分为三个不同的类别。除了对GFM的当前状态提供彻底审查外，本文还展现了在这个快速发展的领域中未来研究的潜在途径。
电力系统中基于逆变器的资源的电网形成控制：其运行、系统稳定性和前景的回顾
摘要 电力系统中逆变器资源 (IBR) 的日益整合对电力系统的运行和稳定性产生了重大的多方面影响。针对 IBR 提出了各种控制方法，大致分为电网跟踪和电网形成 (GFM) 控制策略。虽然 GFL 已经运行了一段时间，但相对较新的 GFM 很少部署在 IBR 中。本文旨在提供对工作原理的理解并区分这两种控制策略。本文还对最近的 GFM 控制方法进行了概述，扩展了现有的分类。它还探讨了 GFM 控制及其类型在电力系统动态和电压、频率等稳定性中的作用。通过案例研究提供了对这些稳定性的实际见解，使这篇评论文章以其全面的方法而独树一帜。本文还分析了 GFM 的真实演示及其在风电场、光伏发电站等多个 IBR 中的应用，这是其他地方所缺乏的。最后，确定了研究空白，并根据系统需求以及 GFM 实际项目提出了 GFM 的前景。这项工作是 GFM 在基于 IBR 的脱碳大容量电力系统中大规模部署的潜在路线图。
并联电网大信号稳定性改进...
摘要 —随着现代电网中逆变器资源的快速增加，迫切需要先进的电网形成 (GFM) 逆变器功能，例如系统恢复和故障下运行，以实现大规模电力电子主导电网。其中一种功能是使用 GFM 逆变器的逆变器驱动黑启动。本文分析了两种最近提出的先进 GFM 控制的能力，以帮助 GFM 逆变器维持全系统、非标称条件并保持同步，直到它们能够克服瞬时过载，因为更多的 GFM 加入该过程而无需发电机序列协调或通信并最终稳定电网。通过一组 1,200 个全阶电磁暂态模拟，我们评估了采用各种 GFM 逆变器控制时的黑启动过程。结果表明，GFM 电流限制器和一次控制对动态运行条件下的系统稳定性有显著影响，从而影响逆变器驱动系统恢复的成功。