深度强化学习算法以数据为驱动,且不依赖具体模型,能有效应对虚拟电厂运营中的复杂性问题。然而,现有算法难以严格执行操作约束,在实际系统中的应用受到限制。为了克服这一问题,提出了一种基于深度强化学习的改进深度Q网络(improved dee...深度强化学习算法以数据为驱动,且不依赖具体模型,能有效应对虚拟电厂运营中的复杂性问题。然而,现有算法难以严格执行操作约束,在实际系统中的应用受到限制。为了克服这一问题,提出了一种基于深度强化学习的改进深度Q网络(improved deep Q-network,MDQN)算法。该算法将深度神经网络表达为混合整数规划公式,以确保在动作空间内严格执行所有操作约束,从而保证了所制定的调度在实际运行中的可行性。此外,还进行了敏感性分析,以灵活地调整超参数,为算法的优化提供了更大的灵活性。最后,通过对比实验验证了MDQN算法的优越性能。该算法为应对虚拟电厂运营中的复杂性问题提供了一种有效的解决方案。展开更多
建立一种基于美国官方分析化学师协会(Association of Official Analytical Chemists,AOAC)方法检测黑果枸杞及其制品中花青素含量的改进pH示差法。考察了黑果枸杞及其制品中花青素的最佳提取和检测条件,通过液相色谱-三重四级杆串联质...建立一种基于美国官方分析化学师协会(Association of Official Analytical Chemists,AOAC)方法检测黑果枸杞及其制品中花青素含量的改进pH示差法。考察了黑果枸杞及其制品中花青素的最佳提取和检测条件,通过液相色谱-三重四级杆串联质谱法鉴别出黑果枸杞中花青素的具体化学结构,并计算出混合花青素的平均摩尔质量。通过分光光度法测得混合花青素的平均摩尔消光系数,对改进后的pH示差法进行方法学验证和花青素的含量测定。结果显示,最佳提取和检测条件如下:黑果枸杞花青素提取溶剂为盐酸-80%(体积分数)乙醇(3∶97,体积比),料液比为1∶100(g∶mL),提取温度为50℃,提取时间为30 min,缓冲溶液稀释5倍后静置平衡20 min。液相色谱-三重四级杆串联质谱法鉴别黑果枸杞中主要以矮牵牛素类花青素为主(占97.96%),黑果枸杞特有的混合花青素平均摩尔质量为912.7 g/mol,平均摩尔消光系数为29591 L/(mol·cm)。pH示差法改进后能够满足方法学验证要求,固体样品和液体样品最低检出限分别为28.2 mg/100 g、0.282 mg/100 mL。方法改进后花青素提取增长率均大于20%,静置平衡20 min后单次检测结果精密度小于0.3%。以矮牵牛素类花青素代替矢车菊素-3-O-葡萄糖苷计算花青素含量平均提高了2.41倍,能真实地反映黑果枸杞及其制品中花青素的含量。展开更多
文摘深度强化学习算法以数据为驱动,且不依赖具体模型,能有效应对虚拟电厂运营中的复杂性问题。然而,现有算法难以严格执行操作约束,在实际系统中的应用受到限制。为了克服这一问题,提出了一种基于深度强化学习的改进深度Q网络(improved deep Q-network,MDQN)算法。该算法将深度神经网络表达为混合整数规划公式,以确保在动作空间内严格执行所有操作约束,从而保证了所制定的调度在实际运行中的可行性。此外,还进行了敏感性分析,以灵活地调整超参数,为算法的优化提供了更大的灵活性。最后,通过对比实验验证了MDQN算法的优越性能。该算法为应对虚拟电厂运营中的复杂性问题提供了一种有效的解决方案。