基于逆变器的可再生生成的抽象大规模整合会导致功率系统的自然惯性减少。因此,与具有高惯性旋转同步发电机的传统系统相比,未来电力系统的动力学将更敏感。此开发是频率稳定性的潜在风险,需要利用快速控制的资源来动态频率稳定性支持。同时,需要开发基于逆变器的资源的新同步和控制方法,以确保未来电力系统的频率和同步稳定性。在本文中,基于基于逆变器的资源的网格形成和支持的基于频率锁定环的控制和网格同步可改善小型高压网络的频率稳定性。使用PSCAD软件进行模拟,主要重点是电池能量存储,以评估其位置的效果,增强的控制方案以及操作模式对频率稳定性的影响。在研究中,在电池电池充电和放电期间研究了电池存储位置,主动功率响应相关的控制参数,通信时间延迟和输入频率确定的影响。基于模拟,还提出了新的解决方案,以提高具有通用电网电池储藏的未来变量惯性电源系统的频率稳定性。
图 4. Gegelati(我们的)和 Kelly 的代码(参考)[ 10 ] 的相对连续训练时间。在每场游戏中,TPG 训练 5 次,共 50 代。对于每对游戏和代码,垂直线从最小训练时间跨越到最大训练时间,水平线是平均训练时间。所有时间均相对于图中显示的平均参考训练时间。
摘要 —基于脑电图 (EEG) 的情绪识别是脑机接口领域的重要任务。最近,许多基于深度学习的情绪识别方法被证明优于传统方法。然而,提取用于脑电图情绪识别的判别性特征仍然具有挑战性,大多数方法忽略了通道和时间上的有用信息。本文提出了一种基于注意机制的卷积循环神经网络 (ACRNN),以从脑电信号中提取更多判别性特征并提高情绪识别的准确性。首先,所提出的 ACRNN 采用通道注意机制来自适应地分配不同通道的权重,并使用 CNN 提取编码脑电信号的空间信息。然后,为了探索脑电信号的时间信息,将扩展的自注意力集成到 RNN 中,以根据脑电信号的内在相似性重新编码重要性。我们在 DEAP 和 DREAMER 数据库上进行了广泛的实验。实验结果表明,所提出的 ACRNN 优于最先进的方法。