基于气象特征挖掘和改进深度学习模型的风电功率短期预测

为提高风电功率短期预测的准确度,需进一步挖掘气象特征,为此,提出一种基于贝叶斯优化调参的特征挖掘改进深度学习模型。对气象因素提取多时间尺度下的统计特征、组合特征和类别特征;构建包含长短时记忆神经网络与注意力机制结合模块、Embedding模块和输出模块的深度学习模型,将连续数值特征输入长短时记忆神经网络与注意力机制结合模块,将类别特征输入Embedding模块;由贝叶斯优化调参进行特征组合选择,找出最优特征组合,得到最终的风电功率预测结果。与某风电场历史数据的对比分析表明,所提方法能有效提高风电功率的预测精度。

在平面构型[PdnClm]^2-阴离子驱动下三种瓜环基超分子框架化合物的构筑

采用无机阴离子诱导方法,以具有平面构型的[PdnClm]^2-阴离子为结构导向试剂,成功制备了3种具有框架结构特征的瓜环基超分子化合物:{Na2(H2O)6TMeQ[6]}[Pd2Cl6]·3H2O(1)、(H3O)2{CyH5Q[5]}[Pd2Cl6]·3H2O(2)及(H3O)2{Q[5]}[PdCl4]·23H2O(3)。X射线单晶衍射的结果表明:在1中,Na+离子与TMeQ[6]端口羰基氧直接配位形成一维结构的超分子链,在[Pd2Cl6]2-阴离子与TMeQ[6]的外壁作用下,进一步构筑形成三维的框架结构;在2中,在[Pd2Cl6]2-阴离子与CyH5Q[5]的外壁作用下,CyH5Q[5]以一维链有序排列,且4条CyH5Q[5]分子链可堆砌成一孔道,孔道中填充了[Pd2Cl6]2-阴离子,最终形成三维框架结构;在3中,8个[PdCl4]2-阴离子与4个Q[5]分子通过瓜环外壁相互作用,形成二维层状框架结构,层与层之间再通过非共价键作用力,最终形成三维层状框架结构。在这3种瓜环基超分子框架化合物中,[PdnClm]^2-阴离子促进了瓜环分子有序化排列,形成了具有框架结构特征的自组装体。这种主要驱动力来源于瓜环的外壁作用,即瓜环“正电性外壁”与[PdnClm]^2-阴离子间的离子偶极作用。