Construction of mesoporous frameworks by noncovalent bonding still remains a great challenge. Here, we report a micelle-directed nanocluster modular self-assembly approach to synthesize a novel type of two-dimensional (2-D) hydrogen-bonded mesoporous frameworks (HMFs) for the first time based on nanoscale cluster units (1.0-3.0 nm in size). In this 2-D structure, a mesoporous cluster plate with ∼100 nm in thickness and several micrometers in size can be stably formed into uniform hexagonal arrays. Meanwhile, such a porous plate consists of several (3-4) dozens of layers of ultrathin mesoporous cluster nanosheets. The size of the mesopores can be precisely controlled from 11.6 to 18.5 nm by utilizing the amphiphilic diblock copolymer micelles with tunable block lengths. Additionally, the pore configuration of the HMFs can be changed from spherical to cylindrical by manipulating the concentration of the micelles. As a general approach, various new HMFs have been achieved successfully via a modular self-assembly of nanoclusters with switchable configurations (nanoring, Keggin-type, and cubane-like) and components (titanium-oxo, polyoxometalate, and organometallic clusters). As a demonstration, the titanium-oxo cluster-based HMFs show efficient photocatalytic activity for hydrogen evolution (3.6 mmol g

PV power is difficult to predict accurately during fluctuation, and considering the correction of prediction error in PV power prediction is an effective countermeasure to increase PV power prediction accuracy. For this reason, this essay suggests a day-ahead PV power combination prediction method considering prediction error correction. Firstly, Numerical Weather Prediction (NWP) data and measured PV power are utilized to obtain the PV predicted power of every individual model through the single forecasting model. Then, the weight coefficients of each single prediction model are determined according to the gray wolf optimization algorithm, and the PV predicted power of the combined model is obtained by weighting. Finally, based on the PV predicted power acquired from the combined model and the measured PV power, an error prediction model is established using the AdaBoost algorithm to obtain the corrected intraday PV power prediction results. Validation is performed using a two-year dataset that was gathered from a PV field station located in a region of China. The prediction accuracies using different prediction models and with or without prediction error correction are compared to comprehensively assess the suggested method's efficacy. The prediction results under diverse weather types demonstrate that the suggested error correction technique can significantly increase the accuracy of the PV power forecast and that the suggested prediction method's performance is stable.