一种短期风电功率集成预测方法

为提高短期风电功率预测精度,缩短模型训练时间,提出了一种短期风电功率集成预测方法。根据风速功率曲线和风速频率特征,将风速划分为高、中、低三段,并对每段的风速功率特征进行统计分析。高、低风速段功率波动较大,使用最小二乘支持向量机(Least Squares Support Vector Machine,LSSVM)方法可取得较高的预测精度。中风速段风速数据点较多,且风速和功率有明显的物理关系,使用高斯(Gaussian)模型预测。并用风速功率等级表对各段预测的结果进行订正,保证了算法的稳定性。用上海某风电场2014年的历史数据,验证了Gaussian模型以及高、中、低风速段对应的预测算法选取的合理性。与LSSVM预测方法相比较,集成预测方法既提高了预测精度又缩短了预测时间,适合风电场短期功率的实时预测。     

火龙果果实甜菜苷类色素组成与分布

目的：明确火龙果果实中甜菜苷类色素（BLs）组分构成及其部位归属。方法：采用超高效液相色谱飞行时间质谱法对3类火龙果果实\[红皮红肉型（RR）、红皮白肉型（RW）和黄皮白肉型（YW）\]的果肉部位和果皮部位甜菜苷类色素（BLs）进行筛查和结构确证。结果：3类火龙果果实中共鉴定出甜菜苷、丙二酰甜菜苷和梨果仙人掌黄质等19种组分,RR火龙果的果皮部位鉴定的BLs组分最多（14种）,其次是RR果肉部位（12种）及RW果皮部位（9种）。结论：RR火龙果果实BLs组分最为丰富,RW次之,YW最少;BLs主要分布在红色果肉和红色果皮部位,在白色果肉和黄色果皮部位则较少。果肉、果皮部位检测出BLs组分分别为12,16种。     

基于数值模拟的隧道火灾临界风速分析

文章基于CFD软件FLUENT,对某直线隧道进行数值模拟,研究了长度为300 m的直线隧道在火灾下的临界风速和烟气流动。采用RNG k-ε湍流模型进行数值模拟,结果当隧道内发生规模约为5 MW火灾时,火灾烟气控制的临界风速为2.3 m/s。当风速低于临界风速时,隧道内会出现烟气回流,不利于人员逃生。火灾下游靠近火源的断面烟气紊乱,距离断面较远的断面则具有较好的分层性。     

双极坐标的基本特征及其应用

本短文列举常用的双极坐标的五种推导方法,以澄清这几种表示法间的不同的地方,并举出其应用例子。     

不同芒果品种果实可溶性糖组分含量特征分析

分析研究芒果主产区（海南、广西）的3种主要芒果品种（台农、金煌、贵妃）的可溶性糖组分含量与差异。以3种芒果主栽品种为材料,对果实中可溶性固形物（total soluble solid,TSS）、总糖、甜度值进行测定;利用高效液相色谱法对成熟期的芒果果实中的可溶性糖及含量进行分析测定。结果表明：芒果果实可溶性糖主要由蔗糖、果糖、葡萄糖组成,其中蔗糖含量最高,均值为79.07 mg/g FW;台农果实的总糖、甜度值、蔗糖和果糖含量最高,葡萄糖含量最高的是金煌,可溶性固形物含量最低的是贵妃;芒果果实中蔗糖和果糖含量高低表现为台农＞金煌＞贵妃（品种）、海南＞广西（产地）。相关性分析显示,3种可溶性糖中对果实甜度呈正相关的是蔗糖和果糖。聚类分析可将芒果样品分为蔗糖积累型、中间积累型和己糖（葡萄糖和果糖）积累型。     

超高效液相色谱-三重四极杆串联质谱法同时测定槟榔籽中四种生物碱含量

目的:采用超高效液相色谱-三重四极杆串联质谱（UPLC-MS/MS）建立槟榔籽中槟榔碱、槟榔次碱、去甲槟榔碱和去甲槟榔次碱含量的检测方法。方法:样品经45%乙醇水溶液提取,利用UPLC-MS/MS法进行检测。色谱条件:采用Waters Atlantis T3（2.1 mm×150 mm,5 μm）色谱柱分离,以0.1%甲酸水溶液-乙腈溶液为流动相进行梯度洗脱,流速0.5 mL·min?1,柱温40 ℃,进样量1 μL。质谱条件:采用电喷雾离子源（ESI+）,检测方式多反应监测（MRM）模式扫描;外标法定量。结果:在50~500 ng/mL,槟榔碱、槟榔次碱、去甲槟榔碱和去甲槟榔次碱的质量浓度与峰面积都呈现良好的线性关系（R2>0.99）;加样回收率均在规定范围70%~120%内,平均回收率在75.27%~96.70%,RSD<7.0%。结论:该方法的重复性、稳定性良好,仪器精密度较好。     

低剂量CT图像域各向异性加权最小二乘重建算法

针对低剂量CT重建图像由于过度的量子噪声产生退化的问题,基于统计重建算法提出了一种改进的图像域惩罚加权最小二乘重建算法.该算法对传统PWLS算法的代价函数进行了改进,通过引入各向异性扩散算子,使得算法可以根据图像特征自适应地调整图像的平滑程度,然后采用SOR迭代算法对目标函数进行求解.实验结果表明:该算法重建图像的均方根误差为13.907 3,信噪比为11.748 8,算法可以在有效抑制重建图像条形伪影的同时,保护重建图像的细节与边缘.     

一种基于改进GPR和Bagging的短期风电功率组合预测方法

为提高短期风电功率的预测精度并对功率预测的不确定性进行量化,提出了基于高斯过程回归(Gaussian Process Regression,GPR)和Bootstrap Aggregation (Bagging)的组合预测方法。针对GPR的不稳定性和计算量大的特点,引入了Bagging和训练数据完全条件独立下的近似方法(Fully Independent Training Conditional Approximation,FITC)。同时,在贝叶斯决策 (Bayesian Committee Machine, BCM)的基础上,提出了一种新的权重组合策略。实验表明,基于Bagging和FITC的GPR方法在稳定性、预测精度和训练时间的消耗上都优于传统的GPR方法。在风电功率预测中,改进的GPR可以给出较准确的置信区间,且与极限学习机、最小二乘支持向量机相比较,该方法的预测精度也有明显提高。     

基于风速升降特征的短期风电功率预测

为提高短期风电功率预测精度,提出了基于风速升降特征的短期风电功率预测方法。该方法分析风速上升或下降对风力发电的影响,根据风速升降特征,为风速添加标记值,增加训练样本维度,从而提高功率预测精度。用上海某风电场2014年9月至2015年9月数据对算法进行验证,并对比最小二乘支持向量机(LSSVM)、极限学习机(ELM)、遗传BP神经网络(GA-BP)三种方法的预测结果。实验结果表明,在风电功率预测中引入风速升降特征能够明显提高了模型的预测精度,适合风电场的短期功率预测。