XiaoMi-AI文件搜索系统
World File Search System不平衡
bdt：一种处理机器中数据不平衡数据的新方法
摘要：在机器学习和数据科学领域中，数据集的不平衡问题提出了一个重大挑战，通常会导致偏见的模型和不准确的预测。这项研究引入了一种旨在减轻数据不平衡影响的新技术，从而增强了各种指标的模型性能。通过严格检查现有的不平衡校正方法，本研究确定了关键差距，并提出了一种创新方法：平衡数据技术（BDT），将不足的采样，过度抽样和算法调整方法结合在一起。在多个不平衡数据集中采用全面的实验设置，与既定方法相比，该技术表现出了卓越的性能，这可以提高准确性，精度和召回分数。本文详细介绍了从理论基础到实际实施和测试的技术的开发过程。这项研究的含义是深远的，为数据不平衡的领域提供了潜在的改进。通过解决这个基本问题，该提出的技术有助于进步更公平，更有效的机器学习模型。
不平衡不确定条件下电池存储系统优化规划的随机线性规划
摘要 — — 电池储能系统 (BESS) 已被研究用于处理电力系统 (如负载和可再生能源) 的不确定参数。然而，在电网不平衡运行下，BESS 尚未得到适当的研究。本文旨在研究电网不平衡不确定条件下 BESS 的建模和运行。所提出的模型管理 BESS 以优化能源成本，处理负载不确定性，同时解决不平衡负载。对三相不平衡不确定负载进行建模，并利用 BESS 在每相上产生单独的充电/放电模式以消除不平衡情况。以 IEEE 69 节点电网为例进行研究。负载不确定性由高斯概率函数开发，并采用随机规划来处理不确定性。该模型被制定为混合整数线性规划，并通过 GAMS/CPLEX 进行求解。结果表明，该模型能够同时处理不平衡不确定条件，最小化运行成本，并满足电网各项安全约束。
几何深度学习增强脑电图中不平衡域适应
1 简介 脑机接口 (BCI) 可以实现大脑与外部设备之间的直接通信，为康复和通信提供了巨大的潜力 [1]。尽管基于脑电图 (EEG) 的 BCI 具有如此强大的功能，但目前仍存在信噪比低、特异性不足和域偏移（例如，数据分布的变化）等问题。传统上，通过收集标记校准数据和训练领域特定模型来缓解域偏移 [1]。然而，这种方法资源密集且耗时。作为一种替代方案，无监督域自适应 (UDA) 从标记源域中学习一个模型，该模型可有效执行不同的（但相关的）未标记目标域 [1]。在 BCI 领域，UDA 主要解决会话间和主体间的迁移学习 (TL) 问题 [2]，旨在无需监督校准即可实现跨域（即会话和主体）的稳健泛化。在我们之前的工作中，我们开发了一个几何深度学习框架，称为 TSMNet [3]，用于对对称正定 (SPD) 流形执行统计对齐。TSMNet 在配备有仿射不变黎曼度量的 SPD 流形上联合学习卷积特征提取器和切线空间映射 (TSM)，该度量由于其对潜在源的线性混合具有固有的不变性，非常适合 EEG 数据 [4]。许多 UDA 框架（包括 TSMNet）对齐边际特征分布，隐式假设跨域的标签分布相同。然而，在实践中经常遇到标签偏移，标签偏移下的边际特征对齐会增加泛化误差 [5]。最近的方法将这种对齐问题定义为不平衡的多源和多目标 UDA 问题 [6]。本文介绍了 TSMNet 的扩展，增强了其同时解决特征和标签偏移的能力。为了维护 TSMNet
“强迫症和健康个体中不平衡增强学习的连续神经相关”
。cc-by-nc-nd 4.0国际许可证（未经同行评审证明）获得的是作者/资助者，他授予Biorxiv授予Biorxiv的许可，以永久显示预印本。这是该版本的版权持有人，该版本发布于2025年1月30日。 https://doi.org/10.1101/2025.01.28.635211 doi：Biorxiv Preprint
电力需求空间不平衡增长的气候政策成本：以数据中心为例
摘要：我们研究了数据中心预期的电力需求增长对电力系统的影响。考虑到各种气候政策下未来数据中心增长的不确定性，我们对发电和输电扩展规划进行了联合优化。即使在最便宜的政策选项下，数据中心的扩张也会给电力系统带来巨大的额外成本。可再生能源目标比技术中性的碳减排政策成本更高，成本差异在电力需求中呈非线性增加。此外，碳减排政策比可再生能源政策更能抵御预测需求的不确定性。高可再生能源目标挤占了其他低碳选择，如碳捕获和封存。结果表明，应审查能源政策，重点关注技术中性的碳减排政策。
基于分布式强化学习的不平衡解决机制中的能源套利策略
可再生能源渗透率的增长使供应变得更加不确定，并导致系统不平衡加剧。这种趋势与单一不平衡定价相结合，为平衡责任方 (BRP) 在不平衡解决机制中进行能源套利提供了机会。为此，我们提出了一种基于分布式强化学习的电池控制框架。我们提出的控制框架采取了风险敏感的视角，允许 BRP 调整其风险偏好：我们的目标是优化套利利润和风险度量（本研究中的风险价值）的加权和，同时限制电池的每日循环次数。我们使用 2022 年比利时的不平衡价格评估我们提出的控制框架的性能，并比较两种最先进的 RL 方法，即深度 Q 学习和软演员-评论家 (SAC)。结果表明，分布式软演员-评论家方法优于其他方法。此外，我们注意到，只有当代理对价格更确定时，我们的完全规避风险的代理才会适当地学会通过对电池进行（放电）充电来对冲与未知不平衡价格相关的风险。
基于机器学习的光伏大规模不平衡配电系统能量损耗估算方法
近年来，光伏 (PV) 在非平衡配电系统中的渗透率明显提高。在这种趋势的推动下，需要全面的仿真工具来快速准确地分析大型配电系统。在本文中，我们提出了一种对含 PV 的不平衡配电系统进行时间序列仿真的有效方法。与现有的迭代方法不同，所提出的方法基于机器学习。具体而言，我们提出了一种快速、可靠和准确的方法来确定含 PV 的配电系统中的能量损耗。将所提出的方法应用于带有 PV 并网单元的大规模不平衡配电系统 (IEEE 906 总线欧洲 LV 测试馈线)。使用 OpenDSS 软件验证了该方法。结果表明，所提出的方法具有很高的精度和计算性能。
一个基于生成的邻里的深度自动编码器，用于强大的不平衡分类
摘要 - 深度学习模型最近在许多分类任务上表现出色。深度神经网络的出色表现取决于大量的训练数据，同时必须具有相等的类别分布才能有效。但是，在大多数现实世界中，标记的数据可能受到类别之间高不平衡比率的限制，因此，大多数分类算法的学习过程受到不利影响，从而导致预测和性能较低。三种主要方法解决了不平衡学习的问题，即数据级，算法级别和混合方法，这些方法结合了上述两种方法。数据生成方法通常基于生成的对抗网络，这些网络需要大量的数据，而模型级别的方法需要广泛的领域专家知识来制定学习目标，从而在没有此类知识的情况下对用户访问较差。此外，这些方法中的绝大多数被设计和应用于成像应用，更少的时间序列，并且对它们都极为罕见。为了解决上述问题，我们介绍了Genda，Genda是一种基于生成邻域的Deep AutoCoder，它在设计方面既简单又有效，并且可以成功地应用于图像和时间序列数据。genda基于学习潜在
将电池储能融入西部能源不平衡市场 Pam Sporborg，输电与市场总监
• 资源类型并不总是直观的：有一种电池资源类型，但它不适用于充电。• 实时市场前景仅提前约 4.5 小时 - 很难在该窗口中保持充电状态或管理电池循环限制。• CAISO 充电状态管理已内置于该过程中。PGE 仍在确定它将如何为 PGE 工作以及是否需要进行任何调整。• CAISO 也有可用的循环工具，但很难确定它将如何为 PGE 工作。• 在制定和理解这些细节之前，PGE 将自行调度其存储资源。
风能和太阳能光伏系统的联合调度策略，以掌握竞争市场的不平衡成本
摘要：可再生能源与活性热电厂的整合有助于全球绿色环境。要实现可再生 - 热杂交系统的最大可靠性和可持续性，需要考虑大量约束，以最大程度地减少情况，这是由于可再生能源的不可预测性而产生的。在风集成放松管制的系统中，风电场需要在运行日期之前向独立系统操作员（ISO）提交发电场景。基于他们提交的出价，ISO安排了来自不同生成站的发电，包括热和可再生。由于风流的不确定性质，总是有可能不填充风电场的日程安排量。市场中这种违规行为可能会对发电公司施加经济负担（即失衡成本）。太阳能光伏电池可用于减少放松管制系统中不可预测的风饱和度的不利经济影响。本文为太阳能光伏和风电场的混合操作提供了一致，胜任和有效的操作方案，以最大程度地降低不平衡成本，这是由于实际风速和预测风速之间的不匹配而导致的不平衡成本。修改的IEEE 14-BUS和修改IEEE 30总线测试系统已用于检查所提出的方法的有用性。在这项工作中使用了三种优化技术（即，序列二次编程（SQP），智能花优化算法（SFOA），蜂蜜ba算算法（HBA））进行了比较研究。在这里提出了总线加载因子（BLF），以识别系统中最敏感的总线，用于放置风电场。SFOA和HBA优化技术已在这种类型的经济评估问题中第一次使用，这是本文的新颖性。在此处引入了总线加载因子（BLF），以识别系统中最敏感的总线。实施工作后，已经可以看到，太阳能光伏系统的运行减少了不平衡成本对可再生综合失调电源系统的不利影响。