负荷预测是综合能源系统(integrated energy system,IES)高效运行的前提,面对综合能源系统多元负荷强耦合相关性、强随机性的特点,单一模型在运行负荷特征提取方面存在不足。为充分利用负荷间的相关性、降低负荷数据的非平稳性、弥补单...负荷预测是综合能源系统(integrated energy system,IES)高效运行的前提,面对综合能源系统多元负荷强耦合相关性、强随机性的特点,单一模型在运行负荷特征提取方面存在不足。为充分利用负荷间的相关性、降低负荷数据的非平稳性、弥补单一模型的不足,提出一种基于TCN-TPABiLSTM组合模型和多任务学习框架的IES多元负荷超短期协同预测方法。首先对负荷间耦合相关性、负荷时间相关性和负荷影响因素进行分析以构建模型输入,再通过变分模态分解将负荷数据分解为一定数量的模态以降低非平稳性,最后以TCN-TPA-BiLSTM组合模型作为多任务学习框架的共享层进行预测。通过实际数据进行验证和对比,结果表明该方法能够充分发挥模型各部分优势,相较于其他模型也获得了更优的结果。展开更多
提出一种创新性方法,通过衍生化处理结合超高效液相色谱-高分辨质谱联用技术,实现食品样本中23种醛酮类化合物(aldehydes and ketones,AKs)的同步定量分析。通过系统考察提取方法、酸溶液类型与组成、衍生化试剂质量浓度等关键因素,对...提出一种创新性方法,通过衍生化处理结合超高效液相色谱-高分辨质谱联用技术,实现食品样本中23种醛酮类化合物(aldehydes and ketones,AKs)的同步定量分析。通过系统考察提取方法、酸溶液类型与组成、衍生化试剂质量浓度等关键因素,对提取与衍生化效率进行优化。最优条件下,选用超声辅助提取法(功率50 W、时间10 min、温度30℃)作为固体样品中AKs的最佳提取方式;以磷酸(1%,V/V)为优选酸溶液;2,4-二硝基苯肼衍生化试剂质量浓度为50μg/mL。该方法展现出宽动态线性范围(R^(2)≥0.995)、高灵敏度(定量限:0.002 0~0.132 4µg/mL)及良好准确度。应用本方法成功测定了茶叶与咖啡样本中的23种AKs。相较于现有方法,本研究实现了更高通量,同时显著缩短了分析时长。展开更多
文摘负荷预测是综合能源系统(integrated energy system,IES)高效运行的前提,面对综合能源系统多元负荷强耦合相关性、强随机性的特点,单一模型在运行负荷特征提取方面存在不足。为充分利用负荷间的相关性、降低负荷数据的非平稳性、弥补单一模型的不足,提出一种基于TCN-TPABiLSTM组合模型和多任务学习框架的IES多元负荷超短期协同预测方法。首先对负荷间耦合相关性、负荷时间相关性和负荷影响因素进行分析以构建模型输入,再通过变分模态分解将负荷数据分解为一定数量的模态以降低非平稳性,最后以TCN-TPA-BiLSTM组合模型作为多任务学习框架的共享层进行预测。通过实际数据进行验证和对比,结果表明该方法能够充分发挥模型各部分优势,相较于其他模型也获得了更优的结果。
文摘目的将颅内动脉责任斑块在3D-高分辨率血管壁成像(three-dimensional high-resolution vessel wall imaging,3D-HRVWI)的影像组学特征与斑块内出血(intraplaque hemorrhage,IPH)联合,构建颅内动脉粥样硬化性卒中患者复发的预测模型,从而帮助临床对高风险人群采取针对性的干预措施以降低未来卒中复发的风险。材料与方法回顾性分析2021年11月至2023年8月接受HRVWI检查的脑卒中患者病例296例,在296例患者的平扫序列T1WI和增强序列CE-T1WI图像中测量责任斑块的影像学特征,并勾画斑块、提取影像组学特征,通过特征相关性分析和基于L1正则化的特征筛选(linear models penalized with the L1norm,L1 Based)筛选组学特征,所有数据按7∶3比例随机分为训练组和测试组。在训练组中,将筛选出的责任斑块的放射组学特征用于构建用于预测卒中复发的影像组学模型,将斑块组学特征与IPH构建联合模型,并在测试组中评估其性能。使用受试者工作曲线(receiver operating curve,ROC)和曲线下面积(area under the curve,AUC)评估各模型的预测效能,采用DeLong检验比较AUC之间的差异,最后建立列线图可视化模型。结果参与者平均年龄为66岁,包括207例男性参与者(69.9%)和89例女性参与者(30.1%),其中卒中复发患者58例(19.6%)。单因素和多因素分析显示,临床特征和责任斑块的放射学特征中只有IPH[优势比(odds ratio,OR)=8.577,95%CI:4.374~16.818]是卒中复发的独立危险因素。在CE-T1WI序列和T1WI序列中分别提取了2153个责任斑块的放射组学特征,经过特征筛选后,CE-T1WI数据中保留了4个放射组学特征,T1WI数据中保留了6个放射组学特征。在训练组中,IPH的AUC为0.757(0.693~0.814),斑块组学特征的AUC为0.770(0.707~0.826),联合模型的AUC为0.866(0.811~0.909)。在测试组中,IPH的AUC为0.750(0.647~0.836),斑块组学特征的AUC为0.819(0.723~0.892),联合模型的AUC为0.880(0.794~0.939)。DeLong检验结果显示,在训练组和测试组中,联合模型的表现优于IPH模型(P<0.05)。结论颅内动脉责任斑块的3D-HRVWI影像组学特征联合IPH在预测颅内动脉粥样硬化性卒中患者复发中具有良好效能,优于独立的IPH模型。
