CN105335818A - 基于bp神经算法的输变电工程造价风险评估预测方法 - Google Patents
基于bp神经算法的输变电工程造价风险评估预测方法 Download PDFInfo
- Publication number
- CN105335818A CN105335818A CN201510688301.2A CN201510688301A CN105335818A CN 105335818 A CN105335818 A CN 105335818A CN 201510688301 A CN201510688301 A CN 201510688301A CN 105335818 A CN105335818 A CN 105335818A
- Authority
- CN
- China
- Prior art keywords
- project
- cost
- data
- transmitting
- cost risk
- 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
- 238000012502 risk assessment Methods 0.000 title claims abstract description 18
- 230000001537 neural effect Effects 0.000 title claims abstract description 17
- 230000005540 biological transmission Effects 0.000 title abstract description 9
- 230000009466 transformation Effects 0.000 title abstract 8
- 238000013277 forecasting method Methods 0.000 title abstract 4
- 238000000034 method Methods 0.000 claims abstract description 25
- 238000012549 training Methods 0.000 claims abstract description 20
- 238000010606 normalization Methods 0.000 claims abstract description 8
- 238000013528 artificial neural network Methods 0.000 claims abstract description 4
- 230000005611 electricity Effects 0.000 claims description 38
- 230000006870 function Effects 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 7
- DTTPWCNKTMQMTE-UHFFFAOYSA-N delphelatine Natural products O1COC2(C3C4OC)CC(OC)C4CC3(O)C34C(OC)CCC5(C)CN(CC)C4C21C(OC(C)=O)C53 DTTPWCNKTMQMTE-UHFFFAOYSA-N 0.000 claims description 4
- MECHNRXZTMCUDQ-RKHKHRCZSA-N vitamin D2 Chemical compound C1(/[C@@H]2CC[C@@H]([C@]2(CCC1)C)[C@H](C)/C=C/[C@H](C)C(C)C)=C\C=C1\C[C@@H](O)CCC1=C MECHNRXZTMCUDQ-RKHKHRCZSA-N 0.000 claims description 4
- 235000001892 vitamin D2 Nutrition 0.000 claims description 4
- 239000011653 vitamin D2 Substances 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 241001269238 Data Species 0.000 claims description 2
- 230000000644 propagated effect Effects 0.000 claims description 2
- 238000010276 construction Methods 0.000 abstract description 9
- 230000008901 benefit Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000009853 xinfeng Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Educational Administration (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于BP神经算法的输变电工程造价风险评估预测方法,包括步骤有:运用BP神经算法对影响造价的风险指标进行指标分析,形成造价风险指标体系;收集已产生的造价样本数据,根据造价风险指标体系对造价样本数据进行归类汇总;运用数据归一化函数进行归一化处理,获得分组样本数据,并计算期望值;创建BP神经网络函数,将每组样本数据和期望值进行数据训练,得到输变电工程造价风险评估预测模型,预测出新的输变电工程造价风险;模型训练结束后,采用专家预测法对新的输变电工程进行造价数据预测,用于评价新的输变电工程造价风险。能准确可靠评估新的输变电工程的造价风险,给工程投资建设方提供积极的指导意义。
Description
技术领域
本发明涉及一种造价风险评估预测方法,特别是涉及一种基于BP神经算法的输变电工程造价风险评估预测方法,属于动态预测工程造价领域。
背景技术
近年来,我国经济快速发展,导致用电需求迅猛增长,只有大力开展输变电工程建设,才能缓解电力供应紧张的状况。但是,伴随电网建设的突飞猛进发展,在其建设过程中,也凸显了当前输变电工程建设中存在一些问题,如投资大、效益低、造价管理存在漏洞等问题。
其中,造价管理面临复杂多变的环境和各种各样的不确定因素,这些不确定因素往往会造成输变电工程投资目标失控、“三超”现象的发生、降低输变电工程建设效果和制约电网企业的效益提升。
发明内容
本发明的主要目的在于,克服现有技术中的不足,提供一种基于BP神经算法的输变电工程造价风险评估预测方法,可以准确、可靠地评估新的输变电工程的造价风险,给工程投资建设方提供积极的指导意义。
为了达到上述目的,本发明所采用的技术方案是:
一种基于BP神经算法的输变电工程造价风险评估预测方法,包括以下步骤:
1)收集已完成的输变电工程中目标工程的风险指标,运用BP神经算法,对影响造价的风险指标进行指标分析,确定造价风险指标后,形成造价风险指标体系;
2)收集已完成的输变电工程中目标工程已产生的造价样本数据,根据造价风险指标体系对造价样本数据进行归类汇总;
3)运用MATLAB处理数据归一化函数对归类汇总后的造价样本数据进行归一化处理,将造价样本数据映射到[0,1]之间,获得分组样本数据,并计算每组样本数据的期望值;
4)运用MATLAB软件,创建BP神经网络函数,将每组样本数据和期望值进行数据训练,得到输变电工程造价风险评估预测模型,用以预测出新的输变电工程造价风险;
5)模型训练结束后,采用专家预测法,邀请专家对新的输变电工程按照造价风险指标体系进行造价数据预测,用于评价步骤4)预测的新的输变电工程造价风险。
本发明进一步设置为:所述目标工程为变电站工程项目。
本发明进一步设置为:所述MATLAB处理数据归一化函数为,
[Pn,meanp,stdp,Tn,meant,stdt]=prestd(P,T)
其中,p是所收集的一组数据,minp,maxp分别是该组数据的最小值和最大值,Pn是映射后的数据。
本发明进一步设置为,所述数据训练包括以下步骤:
(1)用随机数对每一层的权值w和阀值b初始化,并进行参数初始化;
参数初始化包括设定期望误差最小值err_goal,设定最大循环次数max_epoch,设定修正权值的学习速率lr=0.01-0.7,设定从1开始循环训练forepoch=1:max_epoch;
(2)按照以下公式计算网络各层输出矢量A1和A2,以及网络误差E、与其对应的输出样本T;
A1=tansig(w1*p,b1)
A2=purelin(w2*A1,b2)
E=T-A2
其中,w1表示隐含层权值、w2表示输出层权值、b1表示隐含层阀值、b2表示输出层阀值;
(3)按照以下公式计算各层方向传播的误差变化D2和D1,计算各层权值的修正值以及新的权值;
D2=deltalin(A2,E)
D1=deltalin(A1,D2w2)
[dw1,db1]=learnbp(p,D1,Ir)
[dw2,db2]=learnbp(A1,D2,Ir)
w1=w1+dw1;b1=b1+db1
w2=w2+dw2;b2=b2+db2
其中,dw1表示隐含层权值的修正值、dw2表示输出层权值的修正值、db1表示隐含层阀值的修正值、db2表示输出层阀值的修正值、Ir表示学习速率;
(4)按照以下公式计算修正后的误差平方和;
SSE=sumsqr(T-purelin(w2*tansig(wl*p,bl),b2))
(5)检查修正后的误差平方和SSE是否小于设定期望误差最小值err_goal,若是,训练结束,否则继续;
(6)循环步骤(1)至步骤(5),进行下一组样本数据的训练,直至所有样本数据将模型训练完为止。
与现有技术相比,本发明具有的有益效果是:
提供一种基于BP神经算法的输变电工程造价风险评估预测方法,简单易行,应用范围广泛,能准确可靠地评估新的输变电工程的造价风险,可以动态预测输变电工程的造价风险,给工程投资建设方提供积极的指导意义。
上述内容仅是本发明技术方案的概述,为了更清楚的了解本发明的技术手段,下面结合附图对本发明作进一步的描述。
附图说明
图1为本发明实施例中数据训练的训练误差曲线图。
具体实施方式
下面结合说明书附图,对本发明作进一步的说明。
本发明提供一种基于BP神经算法的输变电工程造价风险评估预测方法,包括以下步骤:
1)收集已完成的输变电工程中目标工程的风险指标,运用BP神经算法,对影响造价的风险指标进行指标分析,确定造价风险指标后,形成造价风险指标体系。
本实施例的目标工程为变电站工程项目,如从某电力企业得到已经完工220KV变电站工程的造价风险指标体系,如表1所示。
表1
2)收集已完成的输变电工程中目标工程已产生的造价样本数据,根据造价风险指标体系对造价样本数据进行归类汇总。
从已经完工的220KV变电站工程获得其造价样本数据的相关来源统计表,如表2所示。
样本序号 | 样本名称 |
1 | 220KV艾山变电站工程(x1) |
2 | 张家港晨港220kV变电站工程(x2) |
3 | 宝应220kv黄腾变电站工程(x3) |
4 | 泰州建安220kV变电站工程(x4) |
5 | 220kV剑门输变电工程(x5) |
6 | 江都220kv锦西变电站工程(x6) |
7 | 江阴220kV景阳(祝塘)变电站工程(x7) |
8 | 泰州六助(马桥)220kV变电站工程(x8) |
9 | 南京牧龙220kV变电站工程(x9) |
10 | 220kV南蔡变电站工程(x10) |
11 | 220kV旗杰~涟水单线开断环入牌坊变送电线路工程(x11) |
12 | 宿迁七雄220kV变电站工程(x12) |
13 | 高邮220kv勤王变电站工程(x13) |
14 | 220kv双泗-泗阳开环泗阳南线路工程(x14) |
15 | 泰州泰常220kV变电站工程(x15) |
16 | 220kv新丰输变电工程(x16) |
17 | 220kv新街变电站工程(x17) |
18 | 连云港洋桥220kV变电站工程(x18) |
19 | 220kv药城(界牌)变电站工程(x19) |
表2
3)运用MATLAB处理数据归一化函数对归类汇总后的造价样本数据进行归一化处理,将造价样本数据映射到[0,1]之间,获得分组样本数据,并计算每组样本数据的期望值。
针对表2中19个220KV变电站工程的造价样本数据运用MATLAB处理数据归一化函数
[Pn,meanp,stdp,Tn,meant,stdt]=prestd(P,T)
获得如表3所示的造价样本数据归一化处理后的结果统计表;其中,p是所收集的一组数据,minp,maxp分别是该组数据的最小值和最大值,Pn是映射后的数据。
表3
4)运用MATLAB软件,创建BP神经网络函数,将每组样本数据和期望值进行数据训练,直至得到满足如图1所示的训练误差要求,从而得到训练后的输变电工程造价风险评估预测模型,用以预测出新的输变电工程造价风险。
5)模型训练结束后,采用专家预测法,邀请专家对新的输变电工程按照造价风险指标体系并可参考如表4所示的风险损失影响程度评分表进行造价数据预测,用于评价步骤4)预测的新的输变电工程造价风险。
表4
以上显示和描述了本发明的基本原理、主要特征及优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (4)
1.一种基于BP神经算法的输变电工程造价风险评估预测方法,其特征在于,包括以下步骤:
1)收集已完成的输变电工程中目标工程的风险指标,运用BP神经算法,对影响造价的风险指标进行指标分析,确定造价风险指标后,形成造价风险指标体系;
2)收集已完成的输变电工程中目标工程已产生的造价样本数据,根据造价风险指标体系对造价样本数据进行归类汇总;
3)运用MATLAB处理数据归一化函数对归类汇总后的造价样本数据进行归一化处理,将造价样本数据映射到[0,1]之间,获得分组样本数据,并计算每组样本数据的期望值;
4)运用MATLAB软件,创建BP神经网络函数,将每组样本数据和期望值进行数据训练,得到输变电工程造价风险评估预测模型,用以预测出新的输变电工程造价风险;
5)模型训练结束后,采用专家预测法,邀请专家对新的输变电工程按照造价风险指标体系进行造价数据预测,用于评价步骤4)预测的新的输变电工程造价风险。
2.根据权利要求1所述的基于BP神经算法的输变电工程造价风险评估预测方法,其特征在于:所述目标工程为变电站工程项目。
3.根据权利要求1所述的基于BP神经算法的输变电工程造价风险评估预测方法,其特征在于:所述MATLAB处理数据归一化函数为,
[Pn,meanp,stdp,Tn,meant,stdt]=prestd(P,T)
其中,p是所收集的一组数据,minp,maxp分别是该组数据的最小值和最大值,Pn是映射后的数据。
4.根据权利要求1或2所述的基于BP神经算法的输变电工程造价风险评估预测方法,其特征在于,所述数据训练包括以下步骤:
(1)用随机数对每一层的权值w和阀值b初始化,并进行参数初始化;
参数初始化包括设定期望误差最小值err_goal,设定最大循环次数max_epoch,设定修正权值的学习速率lr=0.01-0.7,设定从1开始循环训练forepoch=1:max_epoch;
(2)按照以下公式计算网络各层输出矢量A1和A2,以及网络误差E、与其对应的输出样本T;A1=tansig(wl*p,b1)
A2=purelin(w2*A1,b2)
E=T-A2
其中,w1表示隐含层权值、w2表示输出层权值、b1表示隐含层阀值、b2表示输出层阀值;
(3)按照以下公式计算各层方向传播的误差变化D2和D1,计算各层权值的修正值以及新的权值;
D2=deltalin(A2,E)
D1=deltalin(A1,D2,w2)
[dw1,dbl]=learnbp(p,D1,Ir)
[dw2,db2]=learnbp(A1,D2,Ir)
w1=w1+dw1;b1=b1+db1
w2=w2+dw2;b2=b2+db2
其中,dw1表示隐含层权值的修正值、dw2表示输出层权值的修正值、db1表示隐含层阀值的修正值、db2表示输出层阀值的修正值、Ir表示学习速率;
(4)按照以下公式计算修正后的误差平方和;
SSE=sumsqr(T-purelin(w2*tansig(wl*p,bl),b2))
(5)检查修正后的误差平方和SSE是否小于设定期望误差最小值err_goal,若是,训练结束,否则继续;
(6)循环步骤(1)至步骤(5),进行下一组样本数据的训练,直至所有样本数据将模型训练完为止。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510688301.2A CN105335818A (zh) | 2015-10-21 | 2015-10-21 | 基于bp神经算法的输变电工程造价风险评估预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510688301.2A CN105335818A (zh) | 2015-10-21 | 2015-10-21 | 基于bp神经算法的输变电工程造价风险评估预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105335818A true CN105335818A (zh) | 2016-02-17 |
Family
ID=55286333
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510688301.2A Pending CN105335818A (zh) | 2015-10-21 | 2015-10-21 | 基于bp神经算法的输变电工程造价风险评估预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105335818A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106918119A (zh) * | 2017-03-23 | 2017-07-04 | 上海巽晔计算机科技有限公司 | 一种运行风险低的中央空调系统 |
CN108108877A (zh) * | 2017-11-29 | 2018-06-01 | 海南电网有限责任公司电力科学研究院 | 一种基于bp神经网络的输电线路雷害风险评估方法 |
CN109214503A (zh) * | 2018-08-01 | 2019-01-15 | 华北电力大学 | 基于kpca-la-rbm的输变电工程造价预测方法 |
CN110991730A (zh) * | 2019-11-28 | 2020-04-10 | 中国船舶重工集团公司第七一九研究所 | 一种基于神经网络的滨海核电站海洋致灾物量化预估方法 |
CN111897220A (zh) * | 2020-09-01 | 2020-11-06 | 北京清立科技有限公司 | 一种基于神经网络运行模式的工程项目控制方法及控制系统 |
CN113128125A (zh) * | 2021-04-23 | 2021-07-16 | 广东电网有限责任公司 | 输变电工程材料量预测方法和装置 |
CN115034648A (zh) * | 2022-06-24 | 2022-09-09 | 湖北工业大学 | 少样本条件下基于bp神经网络的桥梁工程风险评估方法 |
CN115526393A (zh) * | 2022-09-23 | 2022-12-27 | 国网冀北电力有限公司经济技术研究院 | 一种基于变电工程关键影响因素筛选的造价预测方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009005454A (ja) * | 2007-06-20 | 2009-01-08 | Kyushu Keiso Engineering Kk | 電力監視システム |
CN102360455A (zh) * | 2011-10-21 | 2012-02-22 | 南京航空航天大学 | 基于专家知识和神经网络的太阳翼展开可靠性评估方法 |
-
2015
- 2015-10-21 CN CN201510688301.2A patent/CN105335818A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009005454A (ja) * | 2007-06-20 | 2009-01-08 | Kyushu Keiso Engineering Kk | 電力監視システム |
CN102360455A (zh) * | 2011-10-21 | 2012-02-22 | 南京航空航天大学 | 基于专家知识和神经网络的太阳翼展开可靠性评估方法 |
Non-Patent Citations (3)
Title |
---|
安然: "基于BP神经网络的物流园区建设风险评价研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
施彦等: "《神经网络设计方法与实例分析》", 31 December 2009 * |
曹娜: "基于变权神经网络的电网工程造价风险分析", 《电网技术》 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106918119A (zh) * | 2017-03-23 | 2017-07-04 | 上海巽晔计算机科技有限公司 | 一种运行风险低的中央空调系统 |
CN106918119B (zh) * | 2017-03-23 | 2019-04-19 | 天津锋尚智慧能源科技发展有限公司 | 一种运行风险低的中央空调系统 |
CN108108877A (zh) * | 2017-11-29 | 2018-06-01 | 海南电网有限责任公司电力科学研究院 | 一种基于bp神经网络的输电线路雷害风险评估方法 |
CN109214503A (zh) * | 2018-08-01 | 2019-01-15 | 华北电力大学 | 基于kpca-la-rbm的输变电工程造价预测方法 |
CN109214503B (zh) * | 2018-08-01 | 2021-09-10 | 华北电力大学 | 基于kpca-la-rbm的输变电工程造价预测方法 |
CN110991730A (zh) * | 2019-11-28 | 2020-04-10 | 中国船舶重工集团公司第七一九研究所 | 一种基于神经网络的滨海核电站海洋致灾物量化预估方法 |
CN111897220A (zh) * | 2020-09-01 | 2020-11-06 | 北京清立科技有限公司 | 一种基于神经网络运行模式的工程项目控制方法及控制系统 |
CN113128125A (zh) * | 2021-04-23 | 2021-07-16 | 广东电网有限责任公司 | 输变电工程材料量预测方法和装置 |
CN115034648A (zh) * | 2022-06-24 | 2022-09-09 | 湖北工业大学 | 少样本条件下基于bp神经网络的桥梁工程风险评估方法 |
CN115034648B (zh) * | 2022-06-24 | 2024-05-17 | 湖北工业大学 | 少样本条件下基于bp神经网络的桥梁工程风险评估方法 |
CN115526393A (zh) * | 2022-09-23 | 2022-12-27 | 国网冀北电力有限公司经济技术研究院 | 一种基于变电工程关键影响因素筛选的造价预测方法 |
CN115526393B (zh) * | 2022-09-23 | 2023-09-29 | 国网冀北电力有限公司经济技术研究院 | 一种基于变电工程关键影响因素筛选的造价预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105335818A (zh) | 基于bp神经算法的输变电工程造价风险评估预测方法 | |
Gong et al. | Renewable energy accommodation potential evaluation of distribution network: A hybrid decision-making framework under interval type-2 fuzzy environment | |
Dong et al. | Regional differences study of renewable energy performance: A case of wind power in China | |
CN104408562B (zh) | 一种基于bp神经网络的光伏系统发电效率综合评估方法 | |
CN103617447B (zh) | 智能变电站的评价系统及评价方法 | |
CN107741578A (zh) | 一种用于智能电能表运行误差远程校准的原始抄表数据处理方法 | |
Minli et al. | Research on the application of artificial neural networks in tender offer for construction projects | |
CN109685374A (zh) | 一种基于复杂网络的电网关键单元辨识评估方法 | |
CN105305488A (zh) | 一种考虑新能源并网对输电网利用率影响的评价方法 | |
Chen et al. | Safety assessment of natural gas purification plant | |
Sun et al. | Research on the competitive and synergistic evolution of the water-energy-food system in China | |
CN104156885B (zh) | 一种基于可靠性函数的风电容量可信度的快速计算方法 | |
CN109615246B (zh) | 一种主动配电网经济运行状态确定方法 | |
CN116957262A (zh) | 一种基于三进程耦合的园区综合能源系统的优化调度方法 | |
Zhang et al. | Comparing BP and RBF neural network for forecasting the resident consumer level by MATLAB | |
He et al. | Photovoltaic power prediction based on improved grey wolf algorithm optimized back propagation | |
CN114611877A (zh) | 一种充光储能源站安全评价方法及系统 | |
Shi et al. | Construction and research of regional green finance statistical model based on CVM-MLP neural network | |
Zhao et al. | Fuzzy modelling of power system economic dispatch incorporating load and wind generation uncertainties | |
Li et al. | Electricity consumption forecast of hunan province using combined model based on multivariate linear regression and BP neural network | |
Fu et al. | Comparison of modeling methods of dynamic economic dispatch with stochastic wind power integration | |
Liua et al. | Neural Network in the Forecast of Compensation for Ecological Environment Damage Caused by Trade | |
Mulia et al. | Method for Real-Time Prediction of Tsunami Inundation Directly from Offshore Observations Using Machine Learning | |
Puji Yao et al. | Check for updates | |
Hu et al. | Sustainable comprehensive evaluation of highway construction project based on ANP-FCE model |
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 |
Application publication date: 20160217 |
|
RJ01 | Rejection of invention patent application after publication |