XiaoMi-AI文件搜索系统
World File Search System不平衡
不平衡故障期间形成逆变器控制
摘要 — 电网形成 (GFM) 逆变器控制已展示出许多理想的特性，以使可再生资源能够大规模整合到未来的电网中；然而，GFM 逆变器在发生不平衡故障时的性能仍未得到充分探索。本文提出了一种新的电流限制方法，用于 GFM 逆变器处理不平衡故障情况，同时为主电网提供电压支持。所提出的电流限制器结合了动态虚拟阻抗和电流参考饱和限制的概念，所有这些都建立在静止参考系中，以在负载/故障不平衡条件下实现更好的电流限制性能。使用多个 GFM 逆变器进行的全系统全阶瞬态模拟展示了该方法的潜力，并将其性能与最先进的电流限制器进行了对比。模拟结果表明，与电流参考饱和和虚拟阻抗限制相比，所提出的方法的电压平衡性能有所改善。
能源不平衡市场（EIM）
a. 根据 BPA OATT 附件 Q（能源不平衡市场）第 4.1.4 节，BPA EIM 实体必须按照 MO 关税要求的格式和时间范围向 MO 提交负载、资源和交换数据。如果非参与资源拥有电表或与电表的通信，则该资源负责维护准确的数据并在运营日后的五 (5) 个日历日内将此数据提交给 BPA EIM 实体。在根据 BPA OATT 附件 Q 第 4.1.4 节处理初始注册数据时，BPA 将讨论资源拥有的电表或与电表的通信的技术和物理特性，并达成双方同意的解决方案，以解决与电表数据、访问电表数据和向 BPA 提交电表数据相关的任何问题。
通过重复的经颅磁刺激改变激发 - 抑制抑制不平衡的影响，对自限性癫痫与中心颞上峰
具有中心颞尖峰（选择）的自限性癫痫是儿童癫痫中最常见的局灶性综合征（1）。大多数选择的儿童都有良好的预后，但是少数比例可能会演变成癫痫性脑病，而睡眠中的尖峰和波动激活（EE-SWAS）。与EE-SWA相关的EEG模式被称为睡眠中的癫痫持续状态（ESE）（2）。慢波睡眠的几乎恒定的癫痫样活动通常伴随着认知或行为功能的显着回归。所有认知领域都可能受到影响，包括语言和交流，暂时空间方向，注意力和社会互动。然而，现有治疗方法的有效减少ESE患者的功能障碍的能力仍然非常有限。重复的经颅磁刺激（RTMS）作为一种局灶性，无创技术，在癫痫病领域具有治疗潜力（3）。低频RTM（≤1Hz）抑制皮质兴奋性，增加皮质无声时期的持续时间并减少运动诱发的潜在幅度（4）。使用低频RTM抑制癫痫发作的基本原理与有望中断突触潜力和局灶性皮质兴奋性的事实有关。现实世界的证据表明，使用Fure-8-coil的低频RTM可能是儿科患者药物耐药性癫痫的有效治疗，导致癫痫发作频率降低30％（5）。Ren等。 发现RTM是一种在选择患者中高度普遍的行为问题的新方法（6）。Ren等。发现RTM是一种在选择患者中高度普遍的行为问题的新方法（6）。尽管Cochrane审查发现RTMS在减少癫痫样排放方面是安全和有效的，但仍缺乏RTMS效率的证据，但仍缺乏癫痫发作的效率（7）。在选择中兴奋性和抑制性能（E-I不平衡）之间的不平衡已被确定为癫痫发作和认知障碍（8）。抑制网络涉及感觉运动和皮层网络，这表现为相应函数的解离。然而，RTMS对选择患者的E-I不平衡的影响尚不清楚。我们假设RTMS会降低选择中的癫痫发作频率和E-I不平衡。要解决我们的假设，需要满足两个要求：（1）RTMS后是否减少了癫痫发作频率和癫痫样放电以及（2）RTMS是否可以改善E-I不平衡。
一种用于诊断类别不平衡 MRI 阿尔茨海默病的新型分类网络 一种用于诊断类别不平衡 MRI 阿尔茨海默病的新型分类网络
通过磁共振成像 (MRI) 数据自动识别阿尔茨海默病 (AD) 可以有效协助医生诊断和治疗阿尔茨海默病。当前的方法提高了 AD 识别的准确性，但它们不足以解决类间差异小、类内差异大的挑战。一些研究尝试在神经网络中嵌入块级结构以增强病理细节，但巨大的规模和时间复杂度使这些方法不利。此外，几种自注意机制无法提供上下文信息来表示判别区域，这限制了这些分类器的性能。另外，当前的损失函数受到类别不平衡异常值的不利影响，可能陷入局部最优值。因此，我们提出了一个 3D 残差 RepVGG 注意网络 (ResRepANet)，该网络堆叠了几个轻量级块来识别脑部疾病的 MRI，这也可以权衡准确性和灵活性。具体来说，我们提出了一个非局部上下文空间注意块 (NCSA)，并将其嵌入到我们提出的 ResRepANet 中，该 ResRepANet 聚合了空间特征中的全局上下文信息，以提高判别区域中的语义相关性。此外，为了减少异常值的影响，我们提出了一种梯度密度多重加权机制 (GDMM)，通过标准化梯度范数自动调整每个 MRI 图像的权重。实验是在阿尔茨海默病神经影像学倡议 (ADNI) 和澳大利亚老龄化成像、生物标志物和生活方式旗舰研究 (AIBL) 的数据集上进行的。在这两个数据集上进行的实验表明，准确度、灵敏度、特异性和曲线下面积始终优于最先进的方法。
类别不平衡不应该让你失去平衡
认知和计算神经科学实验室（CoCo Lab），蒙特利尔大学，2900，boul。 Edouard-Montpetit，蒙特利尔，H3T 1J4，魁北克，加拿大 b 奥斯纳布吕克大学认知科学研究所，Neuer Graben 29/Schloss，奥斯纳布吕克，49074，下萨克森州，德国 c 安蒂奥基亚大学医学院神经心理学和行为组（GRUNECO），53-108，麦德林，阿兰胡埃斯，麦德林，050010，哥伦比亚 d 麦吉尔大学神经科学综合课程，1033 Pine Ave，蒙特利尔，H3A 0G4，加拿大 e 阿尔伯塔大学计算机科学系，116 St & 85 Ave，埃德蒙顿，T6G 2R3，AB，加拿大 f 康考迪亚大学音乐系，1550 De Maisonneuve Blvd. W.，蒙特利尔，H3H 1G8，QC，加拿大 g 应用数学研究所 Mauro Picone，国家研究委员会，罗马，意大利，罗马，意大利 h 蒂莫内神经科学研究所 (INT)，法国国家科学研究院，艾克斯马赛大学，马赛，13005，法国 i Mila（魁北克机器学习研究所），6666 Rue Saint-Urbain，蒙特利尔，H2S 3H1，QC，加拿大 j UNIQUE 中心（魁北克神经人工智能研究中心），3744 rue Jean-Brillant，蒙特利尔，H3T 1P1，QC，加拿大
深入了解多标签不平衡的胸部X射线数据集
在过去的几年中，卷积神经网络（CNN）占据了计算机视觉领域的主导，这要归功于它们在分类问题中提取功能及其出色表现的能力，例如在X射线自动分析中。不幸的是，这些神经网络被视为黑盒算法，即不可能了解该算法是如何实现最终结果的。将这些算法应用于不同领域并测试方法的工作原理，我们需要使用可解释的AI技术。医学领域的大多数工作都集中在二进制或多类分类问题上。但是，在许多现实情况下，例如胸部X射线，可以同时出现不同疾病的放射学迹象。这引起了所谓的“多标签分类问题”。这些任务的缺点是阶级失衡，即不同的标签没有相同数量的样本。本文的主要贡献是一种深度学习方法，用于不平衡的多标签胸部X射线数据集。它为当前未充分利用的Padchest数据集建立了基线，并基于热图建立了新的可解释的AI技术。此技术还包括概率和模型间匹配。我们系统的结果很有希望，尤其是考虑到使用的标签数量。此外，热图与预期区域相匹配，即他们标志着专家将用来做出决定的领域。©2023作者。由Elsevier B.V.这是CC BY-NC-ND许可证（http://creativecommons.org/licenses/by-nc-nd/4.0/）下的开放访问文章。
超越界限的地方——在空间不平衡、可再生能源占比较高的电力系统中实现高效的存储分配
描述 t 1 t 2 分配原理 案例 1 无波动性 res 高，d 低 res 高，d 低 无存储 案例 2 无波动性 res 高，d 高 res 高，d 高 无存储 案例 3 发电波动性 res 高，d 高 res 低，d 高 R 中的存储 案例 4 两者的波动性 res 高，d 低 res 低，d 高 R 和 D 之间无差异 案例 5 发电波动性 res 高，d 低 res 低，d 低 无存储 案例 6 需求波动性 res 高，d 低 res 高，d 高 D 中的存储 案例 7 需求波动性 res 高，d 高 res 高，d 低 无存储 案例 8 两者的波动性 res 高，d 高 res 低，d 低 无存储
放开电力市场条件下太阳能光伏电池混合系统改善不平衡成本实现利润最大化
摘要：可再生能源的多变性给系统安全性和稳定性带来了困难。因此，有必要研究几种电力系统场景中的系统风险。在风电一体化非管制电网中，风电场需要在运营前至少提前一天提交其发电量的投标。风电场根据预期风速 (EWS) 提交数据。如果实际风速 (RWS) 与预期风速不匹配，ISO 将对风电场实施惩罚/奖励。简而言之，这就是电力市场不平衡成本，它直接影响系统利润。在这里，风电场同时使用太阳能光伏和电池储能系统，通过掌握不平衡成本的负面结果来利用系统利润。除了系统利润，重点还在于系统风险。系统风险是使用风险评估因素计算的，即风险价值 (VaR) 和累积风险价值 (CVaR)。本研究是在改进的 IEEE 14 和改进的 IEEE 30 总线测试系统上进行的。太阳能光伏电池存储系统可以首先在本地提供电力需求，然后将剩余电力提供给电网。通过使用此概念，可以通过结合本文研究的太阳能光伏和电池存储系统来最大限度地降低系统风险。使用三种不同的优化方法进行了比较研究，即人工大猩猩部队优化算法 (AGTO)、人工蜂群算法 (ABC) 和顺序二次规划 (SQP)，以检查所提技术的结果。AGTO 首次用于风险评估和缓解问题，这是本研究的独特之处。
类别不平衡不应该让你失去平衡
认知和计算神经科学实验室（CoCo Lab），蒙特利尔大学，2900，boul。 Edouard-Montpetit，蒙特利尔，H3T 1J4，魁北克，加拿大 b 奥斯纳布吕克大学认知科学研究所，Neuer Graben 29/Schloss，奥斯纳布吕克，49074，下萨克森州，德国 c 安蒂奥基亚大学医学院神经心理学和行为学组（GRUNECO），53-108，麦德林，阿兰胡埃斯，麦德林，050010，哥伦比亚 d 阿尔伯塔大学计算机科学系，116 St & 85 Ave，埃德蒙顿，T6G 2R3，AB，加拿大 e 蒂莫内神经科学研究所（INT），法国国家科学研究院，艾克斯马赛大学，马赛，13005，法国 f 麦吉尔大学神经科学综合项目，1033 Pine Ave，蒙特利尔，H3A 0G4，加拿大 g Mila（魁北克机器学习学院），6666 Rue Saint-Urbain，蒙特利尔，H2S 3H1，QC，加拿大 h UNIQUE 中心（魁北克神经人工智能研究中心），3744 rue Jean-Brillant，蒙特利尔，H3T 1P1，QC，加拿大