XiaoMi-AI文件搜索系统
World File Search System时间尺度
基于EEG的手指运动分类，具有内在的时间尺度分解
简介：大脑计算机界面（BCIS）是获取大脑电活动并提供外部设备的系统。由于脑电图（EEG）是捕获大脑电活动的最简单的非侵入性方法，因此基于EEG的BCIS是非常流行的设计。除了分类肢体运动外，最近的BCI研究还集中于通过使用机器学习技术通过其分类的同一手的精确编码。最先进的研究对忽略大脑的闲置病例（即大脑没有执行任何心理任务的状态）对编码五个夹角运动感兴趣。这可能很容易引起更多的假阳性，并急剧降低分类性能，从而表现出BCIS的性能。这项研究旨在提出一个更现实的系统，以解码五个手术的运动和脑电图信号的无精神任务（NOMT）案例。
多时间尺度可用灵活性评估...
综合能源系统可用灵活性容量可作为系统风电装机占比的指标之一，进而影响系统风电最大装机容量，本文提出一种考虑不同系统风电装机占比的综合能源系统多时间尺度下可用灵活性评估方法。首先，构建综合能源系统框架，基于电、热系统耦合关系，建立综合能源系统内发电、热电联产、储能设备、风力发电设备的数学模型，采用蒙特卡洛方法对典型场景下的风电出力进行预测。其次，构建综合能源系统优化模型，得到系统最优调度运行；采用经验模态分解（EMD）算法对系统灵活性需求曲线进行多时间尺度分解。建立了不同时间尺度下系统中不同类型灵活性资源的灵活性供给能力模型，并通过对同一时间尺度下灵活性供给与需求的对比分析，直观地计算出各时间尺度上行和下行灵活性短缺概率及短缺预期指标，并对其进行加权，构成系统灵活性评估的综合指标。最后，对不同风电装机容量下的综合能源系统可用灵活性分析表明，所提方法可以较为全面地评估不同时间尺度下综合能源系统的可用灵活性能力，在保证足够的可用灵活性能力的情况下，得到系统所能承受的最大风电装机容量。
大脑中的多时间尺度强化学习
。CC-BY-NC-ND 4.0 国际许可证下可用（未经同行评审认证）是作者/资助者，他已授予 bioRxiv 永久展示预印本的许可。它是此预印本的版权持有者此版本于 2023 年 11 月 14 日发布。；https://doi.org/10.1101/2023.11.12.566754 doi：bioRxiv 预印本
多时间尺度协调的最佳调度技术，用于多源互补的功率生成系统，源负载中具有不确定性
摘要：提出了一种考虑到源 - 负载不确定性的多源互补发电系统的最佳调度策略，以解决大规模间歇性可再生能源消耗和电力负荷不稳定性对电网调度的影响。不确定性问题首先转化为常见的研究情况，例如负载功率预测，太阳能和风能。向后的场景减少和拉丁超立方体抽样技术用于创建这些常见情况。基于此，提出了一个多源互补的发电系统的多时间尺度协调的最佳调度控制方法，其中提出了需求响应，并检查了风– Pv-pv-thermal-pump-pump-pump Pump Pump Pump的最佳操作。使用时间的电力价格优化了日期定价模式的电气负载，并且在日期安排中选择了两种需求响应负载。第二，最低的系统运营成本以及每个源的日期和日期调整最少，作为多次量度互补系统的多次协调调度模型的日期和日内阶段的优化目标。该示例研究表明，调度策略可能会增加消耗的可再生能源的量，最大程度地减少载荷频率，提高系统稳定性并进一步降低运营费用，从而证明建议策略的可行性和效率。
电力、氢气和氨市场中可再生能源向氨虚拟发电厂的多时间尺度交易策略
摘要 — 可再生能源制氨 (RePtA) 是一种重要的零碳脱碳途径。由于可再生能源与生产能源需求之间的不平衡，RePtA 系统依赖于与电网的电力交换。以虚拟发电厂 (VPP) 的身份参与电力市场可能有助于降低能源成本。然而，当地光伏和风力涡轮机的功率分布与市场中的功率分布相似，导致传统策略下的能源成本上升。因此，我们为电力、氢气和氨市场中的 RePtA VPP 开发了一种多时间尺度交易策略。通过利用氢气和氨缓冲系统，RePtA VPP 可以最佳地协调生产计划。此外，我们发现可以在统一的框架中描述电力、氨和氢气的交易。电力市场的两阶段稳健优化模型扩展到多个市场，并通过列和约束生成 (CC&G) 算法求解。该案例源自内蒙古自治区的一个实际项目。敏感性分析证明了RePtA VPP连接多个市场相对于传统策略的经济优势，并揭示了氢和氨缓冲器和反应器灵活性的必要性。
语言时间尺度的皮质表征在阅读和听力之间共享
自然语言理解被认为涉及将低级感官表征整合到越来越高级的表征层次中。为了研究人类大脑是否使用相同的通路来整合书面语言和口语，我们测试了这种层次结构的大脑表征是否在书面语言理解和口语理解之间共享。语言层次结构的不同级别在操作上被定义为时间尺度，其中每个时间尺度指的是语言刺激的频谱成分，这些成分在一定数量的单词中变化。体素编码模型用于确定不同语言时间尺度在大脑皮层中的表征方式，针对每种模态分别进行。编码模型是使用 fMRI BOLD 数据估计的，这些数据是在参与者阅读和聆听每种模态中的同一组自然语言叙述时记录的（ Huth 等人，2016 年；Deniz 等人，2019 年）。这些模型揭示了两种模态之间皮层表面语言时间尺度表征的拓扑组织高度相似。我们的结果表明，大脑对语言时间尺度的表征很大程度上与刺激方式无关。
通过光物质杂化调节和增强分子中的量子相干时间尺度
摘要：保护物质中的量子相干性不受环境影响对于在量子技术中使用分子和材料以及开发增强光谱至关重要。本文展示了如何在光学腔的背景下用量子光修饰分子发色团，以产生具有可调相干时间尺度的量子叠加态，这些相干时间尺度比裸分子的相干时间尺度更长，即使在室温和浸入溶剂中的分子中也是如此。为此，我们开发了分子极化态的退相干率理论，并证明涉及这种混合光物质态的量子叠加可以比裸分子存活时间长几个数量级，同时保持光学可控性。此外，通过研究有损腔存在下的这些可调相干增强，我们证明它们可以使用当今的光学腔来实现。该分析提供了一种可行的策略来设计和增加分子中的量子相干寿命。
一种用于微电网多时间尺度协调运行的软演员-评论家深度强化学习方法
摘要 本文提出了一种基于现代深度强化学习的微电网多时间尺度协调运行方法。考虑到不同储能设备的互补特性，所提出的方法通过引入分层的两阶段调度模型实现了电池和超级电容器的多时间尺度协调。第一阶段使用每小时预测数据做出初步决策，而不考虑不确定性，以最小化运营成本。第二阶段旨在为第一阶段的决策生成纠正措施，以补偿实时可再生能源发电波动。第一阶段被表述为非凸确定性优化问题，而第二阶段被建模为马尔可夫决策过程，通过熵正则化的深度强化学习方法即软演员-评论家来求解。软演员-评论家方法可以有效地解决探索-利用困境并抑制变化。这提高了决策的鲁棒性。仿真结果表明，可以在两个阶段使用不同类型的储能设备来实现多时间尺度的协调运行。证明了所提方法的有效性。关键词：微电网运行，混合储能系统，深度强化学习
考虑分布式与集中式光伏发电协调的多时间尺度电力平衡分析
可再生能源因低碳经济的优势已成为重要的电力来源。氢气是一种清洁燃料，也引起了全世界的极大关注。可再生能源可用于生产氢能。张等人提出了一种可再生能源和氢气生产的协调控制新方法，加氢站和能源系统的运行经济性得到了改善（张等，2022）。到目前为止，许多工作都集中在可再生能源系统和能源互联网上（张，2018）。值得注意的是，光伏 (PV) 技术一直是可再生能源系统的热点。有着迫切的需求，但在不确定的环境中控制光伏系统仍然是一项重大挑战。傅等人（2019）研究了一种两级光伏结构，他们利用 μ 理论提出了一种有效的光伏电力整合技术。李等人（2019）研究了一种两级光伏结构，他们利用 μ 理论提出了一种有效的光伏电力整合技术。提出了一种最大功率点跟踪方法，可确保在部分阴影条件下稳定的光伏发电（Li等，2021）。随着可再生能源系统中光伏容量的增加，并网配置正在改变能源网络的运行模式（Eftekharnejad等，2015）。为了降低带电池储能的光伏发电系统的成本，郝等提出了一种双层控制方法，该方法也能确保稳定的光伏发电（郝等，2021）。值得一提的是，太阳能光伏项目将在未来电力组合的经济性中发挥重要作用（Vithayasrichareon等，2015）。最大的挑战之一是光伏组件的不确定性使配电网中的分布式发电规划格外困难。人们普遍认为，统计机器学习是建模光伏电力不确定性的有效技术（Fu等，2020）。对于带有光伏发电的配电网，经常需要配置无功功率装置来改善能源网络的性能（Fu，2022）。Fu等人提出了一种自适应无功功率控制策略来平衡电能质量和功率损耗之间的权衡，该方法增强了光伏系统接入电网的友好性（Fu等人，2015）。对于集中式光伏发电，功率因数控制和电压控制是光伏电网连接的关键技术。Awadhi和Moursi发明了一种新型集中式光伏电站控制器，以避免电压不平衡，并且瞬态响应也得到了增强（Awadhi和Moursi，2017）。Emmanuel等人提出了一种基于小波变异性的功率因数控制方法，并报道了功率因数对集中式光伏电站输出影响的分析结果（Emmanuel等人，2017）。学者们对分布式光伏发电的部署和控制进行了大量研究工作，但较少关注分布式光伏发电与集中式光伏发电之间的关系。
内在神经时间尺度是否与感觉处理相关......
a 意大利帕多瓦大学哲学、社会学、教育学和应用心理学系 b 西班牙巴利亚多利德大学生物医学工程组 c 西班牙巴利亚多利德生物工程、生物材料和纳米医学研究中心 (CIBER-BBN) d 上海复旦大学华山医院麻醉科 e 上海复旦大学华山医院神经外科 f 加拿大西安大略大学脑与思维研究所、生理学和药理学系和心理学系 g 美国密歇根大学医学院麻醉学系意识科学中心 h 德国图宾根马克斯普朗克智能系统研究所实证推断系 i 德国图宾根赫蒂临床脑研究所神经病学系 j 研究组奥地利维也纳大学计算机科学学院神经信息学 k 加拿大渥太华大学心理健康研究所