基于CNN-LSTM-lightGBM组合的超短期风电功率预测方法

近年来风电装机规模逐年增加,风电数据采集量呈现规模化增长,面对海量多维、强波动的风电数据,风电功率预测精度仍面临一定的挑战。为提高风电功率预测精度,提出了基于CNN-LSTM和lightGBM组合的超短期风电功率预测方法。首先,分别建立CNN-LSTM和lightGBM的风电功率超短期预测模型。其中,CNN-LSTM模型采用CNN对风电数据集进行特征处理,并将其作为LSTM模型的数据输入,从而建立CNN-LSTM融合的预测模型;然后,采用误差倒数法对CNN-LSTM和lightGBM的预测数据进行加权组合,建立CNN-LSTM-lightGBM组合的预测模型;最后,采用华北某风电场的风电数据集,以未来4小时风电功率为预测目标,验证了组合模型的有效性。预测结果表明,相较于其他三种单一模型,组合模型具有更高的预测精度。     

吖啶黄、碱性藏花红、罗丹明类染料间的能量转移

应用Forster理论,对碱性荧光染料吖啶黄(AY)、碱性藏花红(ST)、罗丹明6G(R6G)、罗丹明B(RB)、乙基罗丹明B(ERB)、丁基罗丹明B(BRB)组成的各种染料混合体系的能量转移进行了研究.结果表明:在十二烷基苯磺酸钠水溶液中,AY分别与R6G,ST;R6G分别与RB,ERB,BRB间均能发生有效能量转移.研究了各种表面活性剂对碱性阳离子染料间能量转移的影响,结果表明:只有强极性的阴离子表面活性剂才能使碱性阳离子染料间发生有效能量转移.转移效率既与给体量子产率有关,又与受体量子产率有关,受体量子产率高的转移效果好;同类染料间的转移效果不如不同类染料间的转移效果好.     

固定化青霉素G酰化酶活性的X射线微区分析(Ⅰ)———捕捉剂的选择

为了能对固定化青霉素G酰化酶进行X射线微区分析 ,筛选了能捕捉酶活的合适的底物与捕捉剂的体系 ,青霉素G钠作为底物 ,FeCl3 作为捕捉剂 ,底物经固定化青霉素G酰化酶水解产生苯乙酸 ,后者与捕捉剂反应生成沉淀 ,可以确定固定化青霉素G酰化酶的催化活性部位 ;还对捕捉剂与底物、固定化青霉素G酰化酶与载体以及载体与底物之间的相互作用进行了研究 ,找到了可用于对固定化青霉素G酰化酶活性进行X射线微区定位的捕捉剂.     

固定化青霉素G酰化酶活性的X射线微分析(Ⅱ)—活性定位

利用苯乙酸与捕捉剂反应生成的沉淀 ,确定固定化青霉素G酰化酶的催化活性部位 .对不同酶活的固定化青霉素G酰化酶进行了活性定位的研究 ,发现酶活的部位集中分布在载体的表面上 ,且分布不均匀 ,而断面上几乎没有酶活存在 ,证明了该方法的可靠性与准确性     

基于LSTM-XGboost组合的超短期风电功率预测方法

受数值天气预报信息影响,风电功率变化具有较强的随机波动性,传统单一预测模型精度较低,难以满足现实预测需求。为此,提出基于LSTM-XGboost组合的超短期风电功率预测方法。首先,基于风电场的气象数据,采用皮尔逊相关系数法筛选与风电功率强相关的气象数据,建立风电功率预测模型数据集;然后,将归一化处理的数据集作为LSTM和XGboost的模型输入,分别构建LSTM和XGboost的超短期风电预测模型,在此基础上,采用误差倒数法对LSTM和XGboost的预测数据进行加权构建组合预测模型;最后,以张家口某示范工程风电场实际运行数据验证组合模型的有效性。结果表明,相较于其他四种单一预测模型,组合模型具有更高的预测精度。     

论情境教学法在中学历史教学中的应用

新课程改革十分关注教学方式方法的创新使用,而情境教学法就是其中一种极为重要,且极为有效的教学方法.笔者鉴于自身实际,经过几年摸索,力图从"情境导入"、"情境深化"、"情境升华"三个程序引导学生"走进历史"、"体验历史"、"点睛历史",一定程度上优化了课堂教学质量,提升了学生学习素养.