冻藏时间对麦谷蛋白和麦醇溶蛋白二级结构及面团性能的影响研究

分别对小麦醇溶蛋白和麦谷蛋白在-18℃下冻藏0~28d后其巯基和二硫键含量以及二级结构的变化情况进行研究,并分析了变化可能的内在机理;进一步探讨了冻藏导致的面团质构变化与两种面筋蛋白结构变化的对应关系。结果表明:冻藏处理使麦醇溶蛋白和麦谷蛋白中巯基含量增加、二硫键含量减少,α-螺旋和β-转角结构含量下降,β-折叠结构含量升高;其中,冻藏处理对麦谷蛋白二级结构的影响程度要明显大于麦醇溶蛋白。质构研究结果表明:两种蛋白质中二硫键、α-螺旋和β-转角结构含量的减少,对冻藏后面团粘性、弹性、硬度的降低有着重要影响。

嗜热麦芽糖转葡萄糖基酶的制备及其应用综述

针对目前国内外关于嗜热麦芽糖转葡萄糖基酶的制备及应用进展进行了综述:主要采用基因克隆至常温宿主细胞中,通过宿主细胞的过量表达来完成制备,其应用主要体现在淀粉的优化改性、大环糊精的制备以及功能成分的糖基化修饰等方面.未来研究将集中于酶的多功能催化机制,同时拓展糖基化改性功能成分的种类及转糖基类型.

基于Attention机制的CNN⁃GRU配网线路重过载短期预测方法

随着用户用电需求增加,迎峰度夏期间配网线路重过载较严重,为电网运行增加安全隐患。实现配网线路重过载短期预测,对合理安排负荷高峰时期运行方式和调度管理以及线路的安全运行具有重要意义。文中提出一种基于注意力(Attention)机制的卷积神经网络(CNN)—门限循环单元神经网络(GRU)组合预测模型。结合高相关性时间段的历史线路负载率数据和气象因素作为输入特征,利用CNN处理多源数据并提取有效特征作为GRU的输入,再通过GRU对时序特征集进行分析预测,利用Attention机制对重要数据分配更多的注意力权重,实现配网线路负载率的回归预测,最后根据负载等级划分标准将负载率预测结果转化为负载等级。使用所提方法对上海市某区某10 kV线路数据进行实验。实验结果表明,该预测方法比相同模型结构但以负载等级为输入的重过载分类预测,更适用于配网线路重过载预测。

清代宁夏巡抚黄图安及其著述考

黄图安,山东籍人,明末进士,曾任甘肃、宁夏巡抚。黄图安一生著述丰富,除《东园诗集》五卷外,宁夏、山东、陕西等地方旧志中收录其揭帖、奏疏、墓志铭等若干篇,此外,他还参与了《堂邑县志》的修纂。但长期以来,黄图安及其作品未曾受到学术界的关注,本文将对其生平经历、传世作品等做一考证。

“堂邑八景”及“堂邑八景诗”考论——兼论黄图安、张茂节“堂邑八景诗”之异同

康熙七年(1668),张茂节、黄图安等人纂修的«堂邑县志»中,收录清代文人黄图安及张茂节所作“堂邑八景诗”,这是现存可考文献中鲜有的关于“堂邑八景”的记录.据地方志等相关资料考证可知,“文笔高峰”“灵碑远镜”“古刹晨钟”“漕河夕擢”“青泥异冢”五景具体对应景观为“魁星塔”“透灵碑”“慈云寺”“会通河”“堠堌冢”,“雀城瑞霭”“大业遗台”二景,似为“堂邑故城”“化及台”,而“仙口奇踪”一景不可考.可见,张、黄所作“堂邑八景诗”具有较高的文献学价值.同时,二人之八景诗亦有不容忽视的文学价值,但因境遇之别,两组诗的思想内容及艺术风格表现出明显的差异.

基于关注指标和深度学习的台区配变重过载预警方法研究

针对现行配变重过载治理方法过于被动的问题,结合电力大数据和深度学习技术提出了一种适用于大规模配电网分析的台区配变重过载预测方法。首先基于配变负载特性建立重载关注指标并建立二级过滤系统筛选出重过载风险较高的台区配变及其日期作为预测对象。然后充分考虑内外影响因素,建立卷积神经网络-门限循环单元深度学习模型实现负载率预测并转化为预警等级。实例证明了所提方法的有效性。

论清代文人黄图安对陶渊明的接受

陶渊明之人格与诗格对后代文人产生了深远影响。清代宁夏巡抚黄图安著有大量诗、文、赋,其中最能代表其艺术成就的是他的《东园诗集》五卷。受社会崇陶之风及个人经历的影响,黄氏《东园诗集》中颇多作品明显表现出对陶渊明诗文的接受,主要体现于用陶之典、化陶之语、学陶之题等方面,表现出较高的文学创作水平。

基于Attention-LSTM的商业建筑负荷分解研究

为了解决传统商业建筑负荷分解算法存在的精度低、稳定性差等问题,提出了基于注意力机制-长短期记忆(Attention-LSTM)人工神经网络的负荷分解模型,该模型能充分学习负荷的内在特征,并采用Attention机制对影响负荷分解的因素赋予权值,突出重点因素。以上海某商业建筑的低频数据集为实验分析数据,进行十折交叉试验,结果表明所提模型分解精度优于其他模型,具有较好的泛化能力和较强的稳定性。

基于EMD-Stacking-MLR的台区配变短期负荷预测方法

传统短期负荷预测方法多为基于数据驱动的机器学习方法,应用场景多为较宏观的市/县区域总负荷预测,而面对台区配变负荷,其预测效果明显不足。对此,构建了一种基于EMD-Stacking-MLR的负荷预测方法。首先,将台区配变负荷数据通过经验模态分解方法分解为频率由高到低的有限本征模函数分量,利用样本熵大小为依据划分高、低频分量;随后,采用Stacking多模型融合方法和多元线性回归方法分别对高、低频分量进行预测;最后,叠加各分量预测结果得到最终配变预测负荷曲线。通过实验验证,结果表明所提方法在提升负荷预测精度和模型泛化能力方面成效显著。