XiaoMi-AI文件搜索系统
World File Search System功率输出
评估机器学习和深度学习模型，以根据环境因素预测风力涡轮机的功率输出
本研究对机器学习 (ML) 和深度学习 (DL) 模型进行了全面的比较分析，这些模型用于根据温度、湿度、风速和风向等环境变量预测风力涡轮机 (WT) 的功率输出。除了人工神经网络 (ANN)、长短期记忆 (LSTM)、循环神经网络 (RNN) 和卷积神经网络 (CNN) 外，还研究了以下 ML 模型：线性回归 (LR)、支持向量回归器 (SVR)、随机森林 (RF)、额外树 (ET)、自适应增强 (AdaBoost)、分类增强 (CatBoost)、极端梯度增强 (XGBoost) 和轻梯度增强机 (LightGBM)。使用 40,000 个观测值的数据集，根据 R 平方、平均绝对误差 (MAE) 和均方根误差 (RMSE) 对模型进行了评估。在 ML 模型中，ET 的性能最高，R 平方值为 0.7231，RMSE 为 0.1512。在 DL 模型中，ANN 的性能最佳，R 平方值为 0.7248，RMSE 为 0.1516。结果表明，DL 模型（尤其是 ANN）的表现略优于最佳 ML 模型。这意味着它们更擅长对多变量数据中的非线性依赖关系进行建模。预处理技术（包括特征缩放和参数调整）通过增强数据一致性和优化超参数来提高模型性能。与之前的基准相比，ANN 和 ET 的性能均表明 WT 功率输出预测的预测准确度有显著提高。这项研究的新颖之处在于直接比较了各种 ML 和 DL 算法，同时强调了先进计算方法在可再生能源优化方面的潜力。
通过火花放电的锯齿状电极从扭矩电纳米生成器发出的超高功率输出
目的。[1-3]此外，等离子体在包括太空推进和生物医学技术在内的许多领域都起着重要作用。[4-6]阴极管和等离子体的一代需要外部电源设备，但是不幸的是，由于其重量较重，而且体积较大，因此该设备无法便携。因此，高压应用在没有电力供应的太空，战场和偏远地区等严酷的环境中存在严重限制。基于Triboelectrification和静电诱导的工作机制的Triboelectric纳米发育仪（TENGS）[7-11]可以在我们的圆形或人类运动中的机械运动中产生电力，而无需外部电源。[12–16]到目前为止，Teng产生的功率已被用作可植入的医疗设备，发光二极管，液晶显示器，传感器和低功耗电子设备的能源。[11,17–20]考虑到自动高压和便携性，Teng可以被视为高压应用的理想驾驶源。在这项工作中，我们提出了一个基于锯齿的电极的Teng（SE-TENG），该Teng（SE-Teng）基于火花放电来产生超高功率输出，以直接驱动高压操作设备。接触两种不同的摩擦材料，然后