XiaoMi-AI文件搜索系统
World File Search System预测方法
年度计划展望 - 需求预测方法...
电力需求为综合规划奠定了基础，因为它决定了必须提供的电量。IESO 更新需求预测，为更新的综合计划、保护计划和供应采购决策提供背景。电力需求受许多因素影响，包括消费者对能源形式的选择、技术、设备购买决策、行为、人口统计、人口、经济、能源价格以及政府对交通、保护和其他部门的政策。IESO 持续监测和解释这些因素和其他因素，以制定综合规划的前景。制定 APO 的第一步是确定长期需求预测。
电力负荷预测方法和途径
摘要：负荷预测是电力供应商最常用的一种策略，用于预测随时满足市场动态所需的电力或能量。电力负荷预测是电力公司发展中的一个重要过程，在电力容量分配和电力结构组织中也扮演着重要的角色；因此，它越来越受到研究者的关注。因此，电力需求预测的可靠性对于电力资源规划和电力管理系统至关重要。市场研究中数据库文件的不断增加以及数据处理，迫切需要开发一种有效的工具流程，以便从可访问的大量数据集中获取隐藏的、关键的负荷预测信息。作为计算机工程的一个潜在子集，许多机器学习技术非常适合解决这个问题。本文除了算法之外，还提供了权威权重预测实践的印象。尽管所有研究方法都很复杂，但评估表明，回归分析本身经常用于长期预测，并且经济实惠。机器学习或人工智能方法（如神经网络、支持向量机和模糊逻辑）是短期估计的理想选择。关键词：人工神经网络 (ANN)、负荷需求预测、预测方法和算法、时间序列简介预测是电力系统的重要组成部分。预测系统现在用于风力发电 (Seemant & Ling, 2021) 和风速 (Tiwari, 2022)。预测电力负荷也有利于电网和电力公司。电力是一种环保且经济高效的能源，在我们的日常生活中不可或缺 (Lin Y. et al., 2017)。电力的重要性最近急剧增加，这也成为研究的一个重要问题 (Nalcaci et al., 2018)。此外，与天然气、焦炭和石油等其他传统电力来源相比，电能更适合环保意识强的社区的需求，也更有效。此外，能源作为一种产品不同于物质商品，因为它不能大量储存，必须尽快生产。此外，由于电力行业的自由化，包括能源过剩和短缺，能源销售量变得复杂，这可能导致预测错误和严重的资金损失。此外，随着世界人口的增长和生活条件的改善，世界能源消耗预计将猛增。此外，工业正在扩张，电器产品的使用也在增加，包括微电网、电动汽车等技术的进步，以及可再生能源的生产。所有这些问题都与电网综合体的管理有关（Khamaira 等人，2018 年）。因此，在选择发电时，预测能源需求至关重要。预测需求的最大问题是选择合适的方法。随着电力使用量每年以 4% 到 7% 的速度增长，多种因素已成为发电生产的主导因素。长期以来，预测能源需求一直因管理客户需求、新活动和维护电力系统而受到批评。以能源形式使用电力被称为电网。电力成本、消耗和对化石燃料的依赖都在稳步上升。
基于一致性评价的药物-靶标亲和力预测方法...
摘要 - 药物发现的第一步是找到具有针对特定靶标的药用活性的药物分子部分。因此，研究药物靶标蛋白与小化学分子之间的相互作用至关重要。然而，传统的发现潜在小药物分子的实验方法劳动密集且耗时。目前，人们对使用药物分子相关数据库建立计算模型来筛选小药物分子非常感兴趣。在本文中，我们提出了一种使用深度学习模型预测药物靶标结合亲和力的方法。该方法使用改进的GRU和GNN分别从药物靶标蛋白序列和药物分子图中提取特征以获得它们的特征向量。组合向量用作药物-靶标分子对的向量表示，然后输入到完全连接的网络中以预测药物-靶标结合亲和力。该提出的模型证明了其在DAVIS和KIBA数据集上预测药物-靶标结合亲和力的准确性和有效性。
将药物-药物相似性添加到药物-靶标相互作用预测方法中是否会显著提高其效率？
摘要 预测药物-靶标相互作用 (DTI) 已成为一个重要的生物信息学问题，因为它是药物重新定位的关键和初步阶段之一。因此，科学家们正在尝试开发更准确的计算方法来预测药物-靶标相互作用。这些方法通常基于机器学习或推荐系统，并使用生物和化学信息来提高预测的准确性。在这些方法的背景下，有一个假设，即具有相似化学结构的药物具有相似的靶标。因此，药物之间的相似性作为化学信息被添加到计算方法中以改进预测结果。这里出现的问题是这种说法是否真的正确？如果是这样，应该使用什么方法来计算药物-药物化学结构的相似性？我们是否会从我们使用的任何 DTI 预测方法中获得同样的改进？在这里，我们研究了通过将药物-药物化学结构相似性添加到问题中可以实现的改进量。为此，我们考虑了不同类型的真实化学相似性、随机药物相似性、四个黄金标准数据集和四种最先进的方法。我们的结果表明，数据的类型和大小、用于预测相互作用的方法以及用于计算药物间化学相似性的算法都很重要，不能轻易地说增加药物相似性可以显著改善结果。因此，我们的结果可以为想要改进机器学习方法的科学家提供一份清单。
基于 CEEMD 和... 的飞机故障率预测方法
准确预测飞机故障率可以提高飞行安全和备件供应效率，有效提供良好的维修保养决策和健康管理指导。为了实现非线性非平稳飞机故障率的准确预测，提出了一种基于互补集经验模态分解（CEEMD）与组合模型融合的飞机故障率预测方法。首先利用互补集经验模态将故障率分解为多个不同频率的分量，然后选取集成移动平均自回归模型（ARIMA）模型和灰色Verhulst模型对不同分量进行预测，利用熵权重法求解组合模型的系数，最后将各预测模型的预测结果乘以各自的权重系数，得到最终的预测结果。以飞机燃油控制系统故障率数据的实际案例应用为例进行试验，采用7个评价函数作为评价标准来评估组合模型的性能。实验结果表明，所开发的组合模型优于其他误差平方和（SSE）、平均绝对误差（MAE）等模型，可以显著提高飞机故障率的预测精度，证明了该模型可以提高飞机故障率的预测精度。
将药物-药物相似性添加到药物-靶标相互作用预测方法中是否会显著提高其效率？
大多数药物在临床试验的早期阶段就失败了，而且一种药物要想在市场上取得成功需要花费大量的时间和成本 [1, 2]。这些因素促使科学家们努力寻找更好、更便宜的方法来寻找合适的药物。解决这些问题最有效、最有趣的解决方案之一是药物重新定位 (也称为药物再利用)。药物重新定位确实可以加快研究速度，因为它省去了药物设计的早期阶段，但它也有缺点。例如，使用药物重新定位来确定用于治疗新疾病的药物剂量是这一观点面临的最重要挑战之一，因为该药物已经被考虑用于治疗另一种疾病，并且剂量特定。然而，这种观点已经找到了自己的地位，我们今天必须考虑它。
回顾使用机器学习技术的混沌时间序列预测方法：综述
摘要：传统的混沌时间序列预测统计、物理和相关模型存在预测精度低、计算时间长、难以确定神经网络拓扑等问题。十多年来，各种研究人员一直在研究这些问题；然而，这仍然是一个挑战。因此，本综述全面回顾了对混沌时间序列预测的各种方法进行的重要研究，使用机器学习技术，如卷积神经网络 (CNN)、小波神经网络 (WNN)、模糊神经网络 (FNN) 和上述非线性系统中的长短期记忆 (LSTM)。本文还旨在提供各个预测方法的问题，以便更好地理解混沌时间序列预测并获得最新知识。综合综述表总结了与上述问题密切相关的工作。它包括出版年份、研究国家、预测方法、应用、预测参数、绩效衡量标准和该领域收集的数据区域。广泛研究了该领域的未来改进和当前研究。此外，还密切讨论了未来可能的范围和局限性。
利用季节性能源储存实现经济高效的建筑气候控制的模型预测方法
为了储存夏季剩余的电能供应并满足冬季的供热需求，需要一个高容量的季节性储能系统。这项工作的目的是将一种新型热化学季节性储能概念控制集成到建筑能源系统中。在这项工作中，开发了一个基于状态的模型，包括建筑物、水缓冲区和供热系统。为了阐述长期储存的影响，应用了长期天气预报并改变了供热。由于公共天气预报在几天的时间范围内是可靠的，因此使用测试参考年数据来近似公共预报期以外的天气预报。在此基础上，设计了两个模型预测控制 (MPC) 概念，以便在一年内高效运行该系统。层次结构由上级最佳发电调度 (OGS) 和下级 MPC 组成。这些概念遵循预定的长期石灰储存轨迹，并根据当前公共预测实现可能的短期收益。轨迹跟踪在目标函数或约束中制定。将新型石灰储存模块集成到建筑物的供热系统中，在现实情况下可将运营成本降低 18%，在电价波动较大的情况下，最高可降低 80%。这种降低潜力可以通过开发的控制方法充分利用，但它对控制器参数的变化、电价波动和天气数据非常敏感。此外，通过应用最佳的控制方法和参数集，可以避免更高级别的调度层次结构。
聚合物和聚合物复合材料的环境老化建模——耐久性预测方法
摘要：聚合物和聚合物复合材料受到环境老化的负面影响，从而缩短了它们的使用寿命。材料与环境相互作用的不确定性损害了它们的优异强度和刚度。新型复合材料和结构的验证通常涉及冗长而昂贵的测试程序。因此，建模是一种经济实惠的替代方案，可以部分替代大量测试，从而降低验证成本。耐久性预测模型通常会受到多功能性和验证所需的最少实验工作量之间相互冲突的要求。基于对复合材料宏观性能的物理观察，工程和现象学模型提供了复杂机械模型的可管理表示。本综述系统地概述了用于预测聚合物和聚合物复合材料长期机械性能的最新模型和加速测试方法。概述了在环境因素的单一或耦合影响下预测各种聚合物和聚合物复合材料的静态、蠕变和疲劳寿命的加速测试方法。通过降解率模型、叠加原理和参数化技术预测使用寿命。本综述是作者关于聚合物复合材料环境老化建模工作的延续：综述的第一部分涵盖了环境降解的多尺度和模块化建模方法。本研究的重点是工程机械性能建模。
多轴疲劳载荷下缺口部件疲劳临界点预测方法
这是以下文章的同行评审版本：Luo, P, Yao, W, Susmel, L, Li, P. 多轴疲劳载荷下缺口部件疲劳临界点的预测方法。 Fatigue Fract Eng Mater Struct. 2019; 1– 12.，最终版本已发布于 https://doi.org/10.1111/ffe.13116。本文可用于非商业用途，符合 Wiley 自存档版本使用条款和条件。