CN103345660A - 一种基于猫群算法优化支持向量机参数的冷负荷预测方法 - Google Patents
一种基于猫群算法优化支持向量机参数的冷负荷预测方法 Download PDFInfo
- Publication number
- CN103345660A CN103345660A CN2013102714054A CN201310271405A CN103345660A CN 103345660 A CN103345660 A CN 103345660A CN 2013102714054 A CN2013102714054 A CN 2013102714054A CN 201310271405 A CN201310271405 A CN 201310271405A CN 103345660 A CN103345660 A CN 103345660A
- Authority
- CN
- China
- Prior art keywords
- cat
- vector machine
- support vector
- refrigeration duty
- group algorithm
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Air Conditioning Control Device (AREA)
Abstract
本发明涉及一种基于猫群算法优化支持向量机参数的冷负荷预测方法。包括如下步骤:1)冷负荷预测特征的选取;2)冷负荷历史数据预处理;3)冷负荷历史数据分析;4)利用猫群算法自动优化支持向量机参数;5)利用优化后的支持向量机进行冷负荷预测。本发明利用猫群算法所具备的局部搜索能力和全局搜索能力对支持向量机的参数进行寻优,以此提高支持向量机的预测能力,达到提高预测精度的效果。本发明猫群算法应用到支持向量机参数优化的过程中,实现支持向量机参数的自动优化,最终提高冷负荷预测的预测精度。本发明实用性高,推广能力强。
Description
技术领域
本发明涉及一种基于数据挖掘的预测方法,具体涉及一种基于猫群算法优化支持向量机参数的冷负荷预测方法。
背景技术
目前的冷预测技术主要是统计回归预测方法,统计回归预测方法包括多元线性回归方法、指数平滑法(时间序列预测)、灰色预测、神经网络及支持向量机(SVM)等。
基于多元线性回归技术的冷负荷预测模型对于提前4小时的预测效果较好,但不能较好地处理较长期的预测问题。季节性空调指数平滑法冷负荷预测模型在整个预测期内平均预测误差较低,但是该方法适合于办公类建筑空调负荷的预测。灰色理论进行冷负荷预测时,预测精度不高。
把人工神经网络与线性回归分析法和时间序列预测法用于未来24小时冷负荷预测,结果表明,人工神经网络对冷负荷预测的相对误差明显低于其他两种模型。基于小波变换的递归BP网络模型预测冷负荷在速度及精度上都有较大提高。
基于支持向量机理论的建筑物空调负荷预测模型具有更高的预测精度和更好的泛化能力,是建筑物空调负荷预测的一种有效方法。基于改进粒子群优化算法和最小二乘支持向量机的短期电力负荷预测法,较单一方法具有更好的预测精确度。
综上所述,现有冷负荷预测方法存在如下问题:①多元线性回归预测精度不高,不能做较长期的预测;②时间序列预测模型对原始数据的平稳性要求高,而实际冷负荷一般均不满足平稳性的要求,从而导致预测精度不理想;③神经网络对冷负荷预测存在易于陷入局部极小点,推广能力差,预测精度在实际应用中不够理想等问题;④基于支持向量机(SVM)的冷负荷预测方法比上述方法能取得更好的预测精度,特别是基于遗传算法、蚁群算法及粒子群算法等对SVM参数进行寻优后的预测方法。但是其在冷负荷预测中的应用还存在精度不高,时间复杂度较高等问题,因此有必要对现有的SVM预测算法提出进一步的改进。
发明内容
为解决上述中存在的问题与缺陷,本发明提供了一种提高支持向量机的预测能力,提高预测精度的基于猫群算法优化支持向量机参数的冷负荷预测方法。本发明实用性高,推广能力强。
本发明通过以下技术方案实现:
本发明基于猫群算法优化支持向量机参数的冷负荷预测方法,包括如下步骤:
1)冷负荷预测特征的选取;
2)冷负荷历史数据预处理;
3)冷负荷历史数据分析;
4)利用猫群算法自动优化支持向量机参数;
5)利用优化后的支持向量机进行冷负荷预测。
上述步骤2)所述的冷负荷历史数据预处理包括数据清洗和数据结构调整两部分。
上述数据清洗用于对数据中的明显错误进行改正,使用取相邻两个数据算术平均值的方法对数据中的一些缺失进行填补,在保证数据有效性和高质量的前提下,尽最大努力使数据完整、无缺、无错误;上述数据结构调整用于对冷负荷历史数据的结构进行调整,调整成适合支持向量机训练和预测的结构。
上述步骤3)所述的冷负荷历史数据分析使用主成分分析算法,在保证数据有效性的前提下,对冷负荷历史数据做降维处理。
上述步骤4)所述的自动优化支持向量机参数是通过使用猫群算法对支持向量机做参数寻优实现的,其步骤为:
11)创建N只猫,N的取值范围为100-500,设定算法相关参数;
12)随机设定每只猫的初始位置和速度;
13)按照模式配合比设置随机设定每只猫的模式标记;
14)根据每只猫的模式标记,判断猫是否处在搜寻模式,若是则进入搜寻模式,否则进入跟踪模式;
15)根据每只猫的适应度值挑选出最优的猫的位置和速度;
16)更新全局最优位置、速度和适应度;
17)判断是否满足结束条件,是则结束,否则跳回步骤13)。
上述步骤11)所述的设定算法相关参数包括全局寻优范围、最大迭代次数、猫的个数、搜寻记忆池大小、记忆池中猫位置的变化范围和模式配合比。
上述步骤14)包括搜寻模式和跟踪模式:所述的搜寻模式用于在局部小范围内进行局部寻优;所述的跟踪模式用于在全局范围内进行全局寻优。
上述步骤17)所述的结束条件包括达到最大迭代次数和适应度值已收敛。
上述步骤14)中猫群算法的搜寻模式包括如下步骤:
21)对猫的位置做与搜寻记忆池大小相等的复制,并放入搜寻记忆池中;
22)除了保留一个位置不变外,对搜寻记忆池中其它的位置做随机变化;
23)计算每个变化位置的适应度;
24)选取最佳适应的位置并把猫移动到该位置。
上述步骤14)中猫群算法的跟踪模式包括如下步骤:
31)使用产生的随机数和当前位置与最优位置的距离差更新猫的速度;
32)检查猫的速度是否在规定的范围之内;
33)是则根据步骤(1)中产生的新速度更新猫的位置,否则调整猫的速度到规定的范围之内,再根据步骤31)中产生的新速度更新猫的位置;
34)计算猫的适应度。
上述步骤11)中,N取200。
与现有技术相比,本发明的优点和效果在于构造了猫群算法——支持向量机模型,利用猫群算法控制支持向量机的参数选择方向,实现支持向量机参数自动优化并最终实现冷负荷的预测。
本发明所提供的技术方案的积极效果是:
1)全局搜索能力:猫群算法是一个具有全局搜索能力的优化算法,算法在每一次迭代运算中,挑选适应度最好的点作为全局最优点,并保存,以此作为支持向量机的最优参数。
2)局部搜索能力:猫群算法也具有较强的局部搜索能力,每一只猫,特别是处于搜寻模式中的猫,使用一个随机的扰动对其所在的位置周围做一个局部搜索,并挑选其中的适应度最好的点作为猫的新位置。
3)鲁棒性强:猫群算法不针对特定问题,而且不强调算法参数设置和初始解的质量,利用其启发式的智能搜索机制,即使起步于劣质解,最终也可以搜索到问题的全局最优解,对问题和初始解的依赖性不强,具有很强的适应性和鲁棒性。
本发明利用猫群算法所具备的局部搜索能力和全局搜索能力对支持向量机的参数进行寻优,提高了支持向量机的预测能力,提高了预测精度,实用性高,推广能力强。
附图说明
图1是一种基于猫群算法优化支持向量机参数的冷负荷预测方法流程图。
图2是猫群算法自动优化支持向量机参数方法流程图。
图3是猫群算法中搜寻模式流程图。
图4是猫群算法中跟踪模式流程图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明实施方式进一步的详细描述:
图1所示为本发明基于猫群算法优化支持向量机参数的冷负荷预测方法的流程图,包括如下步骤:
1)冷负荷预测特征的选取。众所周知,影响冷负荷的因素有很多,本发明主要选取预测日前1天、前2天的冷负荷值,预测日前1天、前2天的最高及最低温度,预测日前1天、前2天的最高及最低湿度,预测日的最高及最低温度,预测日的最高及最低湿度共14个属性作为冷负荷预测的特征。
2)冷负荷历史数据预处理。在采集到冷负荷预测特征后,会发现数据总是存在这样或那样的问题,有些数据明显不符合实际情况,有些数据有跳变等。造成这些问题出现的原因有很多,监测仪器的损坏、天气的突变、人为的失误等等都会使数据出现误差。因此,在采集完冷负荷预测的特征后,需对冷负荷历史数据进行预处理,主要包括数据清洗和数据结构调整两部分。
所述的数据清洗用于对数据中的明显错误进行改正,使用取相邻两个数据算术平均值的方法对数据中的一些缺失进行填补,在保证数据有效性和高质量的前提下,尽最大努力使数据完整、无缺、无错误。
所述的数据结构调整用于对冷负荷历史数据的结构进行调整,调整成适合支持向量机训练和预测的结构。
3)冷负荷历史数据分析。如上文所述,在采集完冷负荷预测的特征后,得到的是由上述14个特征组成的一个14列矩阵,这会增大支持向量机做训练与预测的难度和时间复杂度,所以本发明实施例引入主成分分析算法,在保证数据的有效性的前提下,对冷负荷历史数据做降维处理,以此降低支持向量机做训练与预测的难度和时间复杂度。
4)利用猫群算法自动优化支持向量机参数。本发明实施例提供了一种基于猫群算法优化支持向量机参数的冷负荷预测方法。利用猫群算法所具备的局部搜索能力和全局搜索能力对支持向量机的参数进行寻优,以此提高支持向量机的预测能力,达到提高预测精度的效果,且具有实用性高,推广能力强等优点。
5)利用优化后的支持向量机进行冷负荷预测。根据步骤(4)所述的利用猫群算法自动优化支持向量机参数,据此建立基于猫群算法优化支持向量机的冷负荷预测模型,当需要做冷负荷预测是,仅需提供预测日的相关特征并输入到预测模型中即可快速、准确地得到预测的冷负荷。
图2所示为猫群算法自动优化支持向量机参数方法流程图,包括如下步骤:
11)创建N只猫,设定算法相关参数。设计编码方案,是基于先粗搜索后精搜索的思想,粗搜索是为了快速定位最优参数的区间范围,提高搜索效率,精搜索是为了得到更准确、更优的参数。每一只猫由支持向量机的惩罚参数σ、核参数γ、σ增量Δσ、γ增量Δγ、参数适应度和模式标记共6部分组成。首先通过粗搜索确定最优(σ,γ)所在的区域,然后再在该区域内按横、纵坐标的精度要求搜索。
12)随机设定每只猫的初始位置和速度。创建N只猫后,把猫随机放到σ-γ坐标内,并随机定义每只猫的初始速度。
13)按照模式配合比设置随机设定每只猫的模式标记。
14)根据每只猫的模式标记,判断猫是否处在搜寻模式,若是则进入搜寻模式,否则进入跟踪模式。
15)根据每只猫的适应度值挑选出最优的猫的位置和速度。当每只猫的位置或速度更新了一次后,每只猫的适应度也会随之更新,因此从中挑选出最优的猫的位置和速度。
16)更新全局最优位置、速度和适应度。
17)判断是否满足结束条件,即精度是否达到设定值或迭代次数是否已满足,是则结束,否则跳回步骤3。
图3所示为猫群算法中搜寻模式流程图,包括如下步骤:
21)对猫的位置做与搜寻记忆池大小相等的复制,并放入搜寻记忆池中。
22)除了保留一个位置不变外,对搜寻记忆池中其它的位置做随机变化。
23)计算每个变化位置的适应度。
24)选取最佳适应的位置并把猫移动到该位置。
图4所示为猫群算法中跟踪模式流程图,包括如下步骤:
31)使用产生的随机数和当前位置与最优位置的距离差更新猫的速度。
32)检查猫的速度是否在规定的范围之内。
33)根据步骤21)中产生的新速度更新猫的位置,否则调整猫的速度到规定的范围之内,再根据步骤21)中产生的新速度更新猫的位置。
34)计算猫的适应度。
本发明提供了一种基于猫群算法优化支持向量机参数的冷负荷预测方法。借助于猫群算法对支持向量机冷负荷预测模型进行参数优化选择,进一步提高的预测的准确性和高效性。
Claims (10)
1.一种基于猫群算法优化支持向量机参数的冷负荷预测方法,其特征在于包括如下步骤:
1)冷负荷预测特征的选取;
2)冷负荷历史数据预处理;
3)冷负荷历史数据分析;
4)利用猫群算法自动优化支持向量机参数;
5)利用优化后的支持向量机进行冷负荷预测。
2.根据权利要求1所述的基于猫群算法优化支持向量机参数的冷负荷预测方法,其特征在于上述步骤2)所述的冷负荷历史数据预处理包括数据清洗和数据结构调整两部分。
3.根据权利要求2所述的基于猫群算法优化支持向量机参数的冷负荷预测方法,其特征在于上述数据清洗用于对数据中的明显错误进行改正,使用取相邻两个数据算术平均值的方法对数据中的一些缺失进行填补,在保证数据有效性和高质量的前提下,尽最大努力使数据完整、无缺、无错误;上述数据结构调整用于对冷负荷历史数据的结构进行调整,调整成适合支持向量机训练和预测的结构。
4.根据权利要求1所述的基于猫群算法优化支持向量机参数的冷负荷预测方法,其特征在于上述步骤3)所述的冷负荷历史数据分析使用主成分分析算法,在保证数据有效性的前提下,对冷负荷历史数据做降维处理。
5.根据权利要求1所述的基于猫群算法优化支持向量机参数的冷负荷预测方法,其特征在于上述步骤4)所述的自动优化支持向量机参数是通过使用猫群算法对支持向量机做参数寻优实现的,其步骤为:
11)创建N只猫,N的取值范围为100-500,设定算法相关参数;
12)随机设定每只猫的初始位置和速度;
13)按照模式配合比设置随机设定每只猫的模式标记;
14)根据每只猫的模式标记,判断猫是否处在搜寻模式,若是则进入搜寻模式,否则进入跟踪模式;
15)根据每只猫的适应度值挑选出最优的猫的位置和速度;
16)更新全局最优位置、速度和适应度;
17)判断是否满足结束条件,是则结束,否则跳回步骤13)。
6.根据权利要求5所述的基于猫群算法优化支持向量机参数的冷负荷预测方法,其特征在于上述步骤11)所述的设定算法相关参数包括全局寻优范围、最大迭代次数、猫的个数、搜寻记忆池大小、记忆池中猫位置的变化范围和模式配合比。
7.根据权利要求5所述的基于猫群算法优化支持向量机参数的冷负荷预测方法,其特征在于上述步骤14)包括搜寻模式和跟踪模式:所述的搜寻模式用于在局部小范围内进行局部寻优;所述的跟踪模式用于在全局范围内进行全局寻优。
8.根据权利要求5所述的基于猫群算法优化支持向量机参数的冷负荷预测方法,其特征在于上述步骤17)所述的结束条件包括达到最大迭代次数和适应度值已收敛。
9.根据权利要求5所述的基于猫群算法优化支持向量机参数的冷负荷预测方法,其特征在于上述步骤14)中猫群算法的搜寻模式包括如下步骤:
21)对猫的位置做与搜寻记忆池大小相等的复制,并放入搜寻记忆池中;
22)除了保留一个位置不变外,对搜寻记忆池中其它的位置做随机变化;
23)计算每个变化位置的适应度;
24)选取最佳适应的位置并把猫移动到该位置。
10.根据权利要求5所述的基于猫群算法优化支持向量机参数的冷负荷预测方法,其特征在于上述步骤14)中猫群算法的跟踪模式包括如下步骤:
31)使用产生的随机数和当前位置与最优位置的距离差更新猫的速度;
32)检查猫的速度是否在规定的范围之内;
33)是则根据步骤(1)中产生的新速度更新猫的位置,否则调整猫的速度到规定的范围之内,再根据步骤31)中产生的新速度更新猫的位置;
34)计算猫的适应度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2013102714054A CN103345660A (zh) | 2013-06-28 | 2013-06-28 | 一种基于猫群算法优化支持向量机参数的冷负荷预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2013102714054A CN103345660A (zh) | 2013-06-28 | 2013-06-28 | 一种基于猫群算法优化支持向量机参数的冷负荷预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN103345660A true CN103345660A (zh) | 2013-10-09 |
Family
ID=49280455
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2013102714054A Pending CN103345660A (zh) | 2013-06-28 | 2013-06-28 | 一种基于猫群算法优化支持向量机参数的冷负荷预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103345660A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105467305A (zh) * | 2016-01-13 | 2016-04-06 | 安徽理工大学 | 一种变工况下Buck-Boost电路故障特征提取方法 |
CN105974794A (zh) * | 2016-06-08 | 2016-09-28 | 江南大学 | 基于改进的猫群算法的离散制造车间调度方法 |
CN105976057A (zh) * | 2016-05-04 | 2016-09-28 | 三峡大学 | 一种基于改进灰色理论的中长期负荷预测方法 |
CN107168402A (zh) * | 2017-05-12 | 2017-09-15 | 淮阴工学院 | 基于can现场总线的鸡舍环境温度智能监测系统 |
CN107844868A (zh) * | 2017-11-27 | 2018-03-27 | 中山路得斯空调有限公司 | 一种融合plc技术与主元分析‑bp神经网络的负荷预测系统 |
CN109615139A (zh) * | 2018-12-14 | 2019-04-12 | 西安理工大学 | 一种基于文化遗传算法的居民中长期用电量预测方法 |
CN110110388A (zh) * | 2019-04-12 | 2019-08-09 | 天津大学 | 基于数据前处理及小波分解的建筑空调负荷预测方法 |
CN110795833A (zh) * | 2019-10-15 | 2020-02-14 | 山东师范大学 | 基于猫群算法的人群疏散仿真方法、系统、介质及设备 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102855385A (zh) * | 2012-07-31 | 2013-01-02 | 上海交通大学 | 一种风力发电短期负荷预测方法 |
CN103150610A (zh) * | 2013-02-28 | 2013-06-12 | 哈尔滨工业大学 | 基于模糊信息粒化与支持向量机的供热负荷预报方法 |
-
2013
- 2013-06-28 CN CN2013102714054A patent/CN103345660A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102855385A (zh) * | 2012-07-31 | 2013-01-02 | 上海交通大学 | 一种风力发电短期负荷预测方法 |
CN103150610A (zh) * | 2013-02-28 | 2013-06-12 | 哈尔滨工业大学 | 基于模糊信息粒化与支持向量机的供热负荷预报方法 |
Non-Patent Citations (2)
Title |
---|
牛志华 等: "基于猫群优化算法的2n周期优秀二元序列的研究与分析", 《电子与信息学报》 * |
石海波: "PCA-SVM在电力负荷预测中的应用研究", 《计算机仿真》 * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105467305A (zh) * | 2016-01-13 | 2016-04-06 | 安徽理工大学 | 一种变工况下Buck-Boost电路故障特征提取方法 |
CN105467305B (zh) * | 2016-01-13 | 2018-06-26 | 安徽理工大学 | 一种变工况下Buck-Boost电路故障特征提取方法 |
CN105976057A (zh) * | 2016-05-04 | 2016-09-28 | 三峡大学 | 一种基于改进灰色理论的中长期负荷预测方法 |
CN105976057B (zh) * | 2016-05-04 | 2021-07-20 | 三峡大学 | 一种基于改进灰色理论的中长期负荷预测方法 |
CN105974794B (zh) * | 2016-06-08 | 2018-07-17 | 江南大学 | 基于改进的猫群算法的离散制造车间调度方法 |
CN105974794A (zh) * | 2016-06-08 | 2016-09-28 | 江南大学 | 基于改进的猫群算法的离散制造车间调度方法 |
CN107168402A (zh) * | 2017-05-12 | 2017-09-15 | 淮阴工学院 | 基于can现场总线的鸡舍环境温度智能监测系统 |
CN107844868A (zh) * | 2017-11-27 | 2018-03-27 | 中山路得斯空调有限公司 | 一种融合plc技术与主元分析‑bp神经网络的负荷预测系统 |
CN107844868B (zh) * | 2017-11-27 | 2022-05-10 | 中山路得斯空调有限公司 | 一种融合plc技术与主元分析-bp神经网络的负荷预测系统 |
CN109615139A (zh) * | 2018-12-14 | 2019-04-12 | 西安理工大学 | 一种基于文化遗传算法的居民中长期用电量预测方法 |
CN110110388A (zh) * | 2019-04-12 | 2019-08-09 | 天津大学 | 基于数据前处理及小波分解的建筑空调负荷预测方法 |
CN110795833A (zh) * | 2019-10-15 | 2020-02-14 | 山东师范大学 | 基于猫群算法的人群疏散仿真方法、系统、介质及设备 |
CN110795833B (zh) * | 2019-10-15 | 2023-04-18 | 山东师范大学 | 基于猫群算法的人群疏散仿真方法、系统、介质及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103345660A (zh) | 一种基于猫群算法优化支持向量机参数的冷负荷预测方法 | |
CN110285532B (zh) | 基于人工智能的机房空调控制方法、装置及系统 | |
CN103218675B (zh) | 一种基于聚类和滑动窗口的短期负荷预测方法 | |
CN109118025A (zh) | 一种电力系统预测的方法和装置 | |
CN110739696B (zh) | 智能配网环境中需求侧资源与可再生能源的集成调度方法 | |
CN107704875A (zh) | 基于改进ihcmac神经网络的建筑负荷预测方法和装置 | |
CN105719028B (zh) | 一种基于多因素混沌支持向量机的空调负荷动态预测方法 | |
CN103912966A (zh) | 一种地源热泵制冷系统优化控制方法 | |
CN104715292A (zh) | 基于最小二乘支持向量机模型的城市短期用水量预测方法 | |
CN105139264A (zh) | 一种基于粒子群算法小波神经网络的光伏发电量的预测方法 | |
CN105160444A (zh) | 电力设备故障率确定方法及系统 | |
CN101551884A (zh) | 面向大规模样本的cvr电力负荷快速预测方法 | |
CN112598195A (zh) | 楼宇型综合能源系统运行优化方法、装置及终端设备 | |
CN104992244A (zh) | 一种基于sarima和rbf神经网络集成组合模型的机场货运量预测分析方法 | |
CN111928429A (zh) | 数据中心制冷系统的节能控制方法与装置 | |
CN110598923A (zh) | 基于支持向量回归机优化与误差修正的空调负荷预测方法 | |
CN105678397A (zh) | 一种基于改进EMD算法及Elman算法的短期光伏功率预测方法 | |
CN106980874B (zh) | 一种面向配网大数据的多时态维度数据融合方法 | |
CN105005825A (zh) | 一种基于动态神经网络预测光伏功率的方法及系统 | |
CN116544934B (zh) | 根据电力负荷预测的电力调度方法及系统 | |
CN107871157B (zh) | 基于bp和pso的数据预测方法、系统及相关装置 | |
CN110163444A (zh) | 一种基于gasa-svr的需水预测方法 | |
CN115271253A (zh) | 一种水风光发电功率预测模型构建方法、装置及存储介质 | |
CN113762387A (zh) | 一种基于混合模型预测的数据中心站多元负荷预测方法 | |
CN110848892B (zh) | 一种冰蓄冷系统的节能运行方法、装置、设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20131009 |