课程资源的优化整合及开放共享

课程资源是知识的载体，是教学的物质基础之一，对其进行优化整合是提升课程资源质量的需要，建立共享机制与平台有助于课程知识的传播。本文介绍利用FTP技术在校园网内构建共享平台，有利于实现教师对课程资源的优化整合，有助于学生通过FTP查阅下载相关课程资源，增强学习效果。该平台具有成本低、扩展性强、易于建设管理、易操作等优点，具有很强的应用推广价值。     

基于CNN-LSTM组合模型的碳价预测方法

对碳价波动的特征进行分析，说明碳价预测的意义；然后，基于卷积神经网络（convolutional neural network,CNN）与长短期记忆网络（long short-term memory, LSTM）提出一种CNN-LSTM组合模型的碳价预测方法，充分考虑碳价的时序特性，通过改善相关模型，从时序数据中提取特征的能力从而提高预测准确性；最后，通过欧洲能源交易所及我国广州碳市场的碳价实例验证，将CNN-LSTM模型的预测结果与其他常用预测模型对比，结果表明CNN-LSTM模型在碳价预测中具有更高的预测准确性。     

基于机器学习的短期电力负荷预测方法比较及改进研究

针对电力系统对短期电力负荷预测精确性的需求，以长短期记忆算法为基础，采用差分自适应进化算法对其进一步改进，从而提出一种基于机器学习的混合算法（SaDE-LSTM）对电力负荷进行短期预测。基于我国2004—2018年间月度社会用电负荷数据，对改进后的混合算法进行性能测试，首先利用差分进化算法的自适应变异和交叉因子来优化长短期记忆算法的初始参数，在此基础上，运用寻优得到的参数训练长短期记忆算法从而得到优化后的预测结果。为证明其优越性，对同组数据采用支持向量机（SVM）、反向传播神经网络、自回归积分滑动平均等算法分别预测。各方法预测结果和真实结果对比分析证明，SaDE-LSTM算法对时间序列数据量要求较低，同时相比其他传统算法有更高的预测精度。该改进算法能够为参与电力系统调度的虚拟电厂、负荷聚合商等对小样本和高精度预测有需求的主体提供参考。