This study investigated the dynamic characteristics and heat transfer performance of single bubble in nucleate boiling process under a uniform vertical electric field through numerical simulation. It detailed the dynamic behavior and characteristics of bubbles, focusing on the process from deformation to detachment, to reveal the influence of the electric field on nucleate boiling. By quantitatively comparing the effects of the electric field and gravity on bubble detachment period and system heat transfer performance, it was confirmed that under microgravity conditions, the electric field can be an effective means of enhancing nucleate boiling heat transfer. Furthermore, this work has also conducted three-dimensional (3D) numerical simulations and qualitatively and quantitatively compared it with the two-dimensional (2D) results. The research results indicate that although the 2D and 3D results are qualitatively similar, there are some quantitative differences. However, the 2D results still have reference value for analyzing the flow patterns and transition characteristics of the system. Quantitative results indicate that, for 2D results, the heat transfer enhancement ratio of the electric field is 2.07 at Bo = 1.2. For BoE = 500, the decrease in gravity acceleration leads to a 36 % decrease in heat transfer. For 3D cases, the electric field only increases the heat transfer capacity by 40.1 %, while the decrease in gravity acceleration leads to a 38.6 % decrease in heat transfer capacity.

In recent years, the rapid development of photovoltaic (PV) power generation has led to an increased focus on accurate forecasting of PV power output. Interval forecasting, which provides uncertainty measurement information for forecasting results, has become a hot research topic in this field. However, the accuracy of single models or traditional multi-model forecasting methods is often insufficient for meeting the forecasting requirements. In addition, interval forecasting places higher demands on the learning and generalization capabilities of forecasting models. To address these issues, this paper proposes an intelligent multi-model forecasting method based on output features clustering and convolutional neural network–long short term memory (CNN–LSTM) for PV power interval forecasting. First, multiple feature indices are constructed to represent the differences in PV output features for different months. The intelligent clustering method is then employed to achieve the multi-model clustering for forecasting model. Finally, CNN–LSTM is utilized to implement the PV power interval forecasting. The combination of CNN and LSTM effectively improves the modeling accuracy of the intelligent forecasting model. Based on actual data from PV power stations, the method described in this paper narrows down the forecasting interval compared with the single model, reducing prediction interval normalized average width by more than 4%.

Abstract There is growing interest in discovering interpretable, closed‐form equations for subgrid‐scale (SGS) closures/parameterizations of complex processes in Earth systems. Here, we apply a common equation‐discovery technique with expansive libraries to learn closures from filtered direct numerical simulations of 2D turbulence and Rayleigh‐Bénard convection (RBC). Across common filters (e.g., Gaussian, box), we robustly discover closures of the same form for momentum and heat fluxes. These closures depend on nonlinear combinations of gradients of filtered variables, with constants that are independent of the fluid/flow properties and only depend on filter type/size. We show that these closures are the nonlinear gradient model (NGM), which is derivable analytically using Taylor‐series. Indeed, we suggest that with common (physics‐free) equation‐discovery algorithms, for many common systems/physics, discovered closures are consistent with the leading term of the Taylor‐series (except when cutoff filters are used). Like previous studies, we find that large‐eddy simulations with NGM closures are unstable, despite significant similarities between the true and NGM‐predicted fluxes (correlations >0.95). We identify two shortcomings as reasons for these instabilities: in 2D, NGM produces zero kinetic energy transfer between resolved and subgrid scales, lacking both diffusion and backscattering. In RBC, potential energy backscattering is poorly predicted. Moreover, we show that SGS fluxes diagnosed from data, presumed the “truth” for discovery, depend on filtering procedures and are not unique. Accordingly, to learn accurate, stable closures in future work, we propose several ideas around using physics‐informed libraries, loss functions, and metrics. These findings are relevant to closure modeling of any multi‐scale system.

The intermittent and stochastic nature of photovoltaic (PV) power generation poses significant challenges to the operation of modern power systems, necessitating precise predictions for efficient integration of renewable energy. This paper addresses the difficulty in training deep learning models for PV power stations in regions with limited sample data by proposing a novel few-sample PV power generation prediction method. The approach combines ensemble learning and migration learning, which adopts the MLP-LightGBM-LSTM adaptive fusion integration model training for the power stations with complete power generation data in the source domain to improve the accuracy of the power station power generation model in the source domain. subsequently transferring the trained model to less-sampled PV power stations in the target domain based on optimized weights. This migration improves prediction accuracy for power stations with limited data in the target domain. Experimental validation demonstrates the effectiveness of the proposed method, showcasing a 13.56 %-14.39 % reduction in prediction errors for individual power stations and a 1.95 % 4.09 % decrease in prediction errors for overall regional power generation compared to alternative methods.