CN106127308B - 一种能耗设备模型的辨识方法以及装置 - Google Patents
一种能耗设备模型的辨识方法以及装置 Download PDFInfo
- Publication number
- CN106127308B CN106127308B CN201610444304.6A CN201610444304A CN106127308B CN 106127308 B CN106127308 B CN 106127308B CN 201610444304 A CN201610444304 A CN 201610444304A CN 106127308 B CN106127308 B CN 106127308B
- Authority
- CN
- China
- Prior art keywords
- energy consumption
- consumption equipment
- fuzzy
- data
- equipment model
- 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.)
- Active
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
- G06N5/048—Fuzzy inferencing
Landscapes
- Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Automation & Control Theory (AREA)
- Air Conditioning Control Device (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开一种能耗设备模型的辨识方法以及装置。其中,所述方法包括:根据所述能耗设备模型的输入组合和输出组合确定所述能耗设备模型的结构;根据所述输出组合中的数据对所述输入组合中的数据的敏感性和误差阈值获得所述能耗设备模型的模糊隶属函数的数量和边界;根据给定的测量数据辨识获得根据所述能耗设备模型的结构和模糊隶属函数描述的模糊关系,生成模糊关系规则库,从而实现所述能耗设备模型的辨识。本发明通过引入模糊模型概念和层次化模型概念,解决了现有的能耗设备模型辨识方法存在的辨识速度慢、无法解决不确定性问题以及对于复杂模型辨识实现困难,难以克服维度灾难等问题。
Description
技术领域
本发明涉及能源管理信息化技术领域,具体地,涉及一种能耗设备模型的辨识方法以及装置。
背景技术
建筑能源管理系统中,面对单个项目的具体设备,需要根据既有的设备情况进行针对性的优化运行,这就需要得到基于现有设备的相关“知识”,比如制冷主机的部分负荷效率特性,水泵在不同频率下的流量和扬程。大量实测数据表明,厂家提供的样本参数与实际参数差异很大。在线获得安装在现场的建筑用能设备的模型,是进行优化运行的重要前提。
现有的能耗设备模型的辨识方法的主要思想是运用模糊逻辑。模糊逻辑指模仿人脑的不确定性概念判断、推理思维方式,对于模型未知或不能确定的描述系统,以及强非线性、大滞后的控制对象,应用模糊集合和模糊规则进行推理,表达过渡性界限或定性知识经验,模拟人脑方式,实行模糊综合判断,推理解决常规方法难于对付的规则型模糊信息问题。
然而,现有的能耗设备模型的辨识方法存在辨识速度过慢,无法解决不确定性问题,对于复杂模型辨识实现困难,难以克服维度灾难等问题。
发明内容
本发明的目的是提供一种能耗设备模型的辨识方法以及装置。其中,所述方法通过引入模糊模型概念和层次化模型概念,解决了现有的能耗设备模型辨识方法存在的辨识速度慢、无法解决不确定性问题以及对于复杂模型辨识实现困难,难以克服维度灾难等问题。
为了实现上述目的,本发明提供一种能耗设备模型的辨识方法。所述方法包括:
根据所述能耗设备模型的输入组合和输出组合确定所述能耗设备模型的结构;
根据所述输出组合中的数据对所述输入组合中的数据的敏感性和误差阈值获得所述能耗设备模型的模糊隶属函数的数量和边界;
根据给定的测量数据辨识获得根据所述能耗设备模型的结构和模糊隶属函数描述的模糊关系,生成模糊关系规则库,从而实现所述能耗设备模型的辨识。
可选地,所述能耗设备模型的结构包括所述能耗设备模型的中间层级的数量、中间变量的数量以及所述中间变量与所述输入组合的变量的对应关系。
可选地,所述根据所述能耗设备模型的输入组合和输出组合确定所述能耗设备模型的结构,包括:
基于信息分析的智能算法和预设的精度,根据所述能耗设备模型的输入组合和输出组合分析获得所述能耗设备模型的结构。
可选地,所述根据所述输出组合中的数据对所述输入组合中的数据的敏感性和误差阈值获得所述能耗设备模型的模糊隶属函数的数量和边界之前,所述方法还包括:
基于数据敏感性分析和数据聚类分析,根据所述输入组合和所述输出组合获得所述输出组合中的数据对所述输入组合中的数据的敏感性和误差阈值。
可选地,所述根据给定的测量数据辨识获得根据所述能耗设备模型的结构和模糊隶属函数描述的模糊关系,生成模糊关系规则库,包括:
将所述测量数据转换为模糊数据;
根据预设的模糊规则对所述模糊数据进行推理,获得输出的模糊数据;
根据所述输出的模糊数据确定所述模糊关系,生成模糊关系数据库。
相应地,本发明还提供一种能耗设备模型的辨识装置。所述装置包括:
结构分析模块,用于根据所述能耗设备模型的输入组合和输出组合确定所述能耗设备模型的结构;
模糊隶属函数分析模块,用于根据所述输出组合中的数据对所述输入组合中的数据的敏感性和误差阈值获得所述能耗设备模型的模糊隶属函数的数量和边界;
关系辨识模块,用于根据给定的测量数据辨识获得根据所述能耗设备模型的结构和模糊隶属函数描述的模糊关系,生成模糊关系规则库,从而实现所述能耗设备模型的辨识。
可选地,所述能耗设备模型的结构包括所述能耗设备模型的中间层级的数量、中间变量的数量以及所述中间变量与所述输入组合的变量的对应关系。
可选地,所述结构分析模块,还用于:
基于信息分析的智能算法和预设的精度,根据所述能耗设备模型的输入组合和输出组合分析获得所述能耗设备模型的结构。
可选地,所述模糊隶属函数分析模块,还用于:
基于数据敏感性分析和数据聚类分析,根据所述输入组合和所述输出组合获得所述输出组合中的数据对所述输入组合中的数据的敏感性和误差阈值。
可选地,所述关系辨识模块,还用于:
将所述测量数据转换为模糊数据;
根据预设的模糊规则对所述模糊数据进行推理,获得输出的模糊数据;
根据所述输出的模糊数据确定所述模糊关系,生成模糊关系数据库。
通过上述技术方案,根据能耗设备模型的输入组合和输出组合确定能耗设备模型的结构;在确定结构之后,根据输出组合中的数据对输入组合中的数据的敏感性和误差阈值获得能耗设备模型的模糊隶属函数的数量和边界;最后,根据给定的测量数据辨识获得根据能耗设备模型的结构和模糊隶属函数描述的模糊关系,生成模糊关系规则库,从而实现能耗设备模型的辨识,解决了现有的能耗设备模型辨识方法存在的辨识速度慢、无法解决不确定性问题以及对于复杂模型辨识实现困难,难以克服维度灾难等问题。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍。显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些图获得其他的附图。
图1是本发明一实施例提供的能耗设备模型的辨识方法的流程图;
图2是本发明一实施例提供的层次化模型的示意图;
图3是本发明一实施例提供的室温变化模型的示意图;
图4是现有的9个模糊集描述讨论区间的示意图;
图5是本发明一实施例提供的使用3个参数描述讨论区间的示意图;
图6是本发明一实施例提供的能耗设备模型的辨识装置的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
图1是本发明一实施例提供的能耗设备模型的辨识方法的流程图。如图1所示,本发明一实施例提供的能耗设备模型的辨识方法包括:
在步骤S101中,根据所述能耗设备模型的输入组合和输出组合确定所述能耗设备模型的结构。
具体地,该步骤包括:基于信息分析的智能算法和预设的精度,根据所述能耗设备模型的输入组合和输出组合分析获得所述能耗设备模型的结构。其中,所述能耗设备模型的结构包括所述能耗设备模型的中间层级的数量、中间变量的数量以及所述中间变量与所述输入组合的变量的对应关系。
简单来说,此步骤是为了将能耗设备模型层次化。这就涉及到层次化模型的概念。层次化模型指的是输入输出的对应关系不是直接描述的,而是通过输入得到中间结论,再通过中间结论得到输出。即改变A->B的模型为A->A1->A2->B。图2是本发明一实施例提供的层次化模型的示意图。如图2所示,在单层规则中,由5个输入参数直接对应一个输出参数,这种对应关系是直接描述的。在层次化规则(图中示出两层规则)中,两个输入参数对应一个内部变量,两个内部变量对应一个输出参数,还有一个输入参数直接对应输出参数。如果输入参数和变量均用3个模糊集描述,那么能够得到单层模型和层次化模型的规则数量,如下表1所示。
表1 层次化模型和单层模型的规则数量的对比
由上表可知,通过将能耗设备模型层次化,可以减少每个层中输入维度,将描述输入输出对应关系的规则数量从指数级别减少到线性级别。藉此,可将输入维度较高的模型对象简化为具有多个内在层次的低维度模型,减少模型辨识需要的数据量,缩小模型规则库,提高辨识结果的精度。
接着,在步骤S102中,根据所述输出组合中的数据对所述输入组合中的数据的敏感性和误差阈值获得所述能耗设备模型的模糊隶属函数的数量和边界。
具体地,在该步骤之前,所述方法还包括:基于数据敏感性分析和数据聚类分析,根据所述输入组合和所述输出组合获得所述输出组合中的数据对所述输入组合中的数据的敏感性和误差阈值。
最后,在步骤S103中,根据给定的测量数据辨识获得根据所述能耗设备模型的结构和模糊隶属函数描述的模糊关系,生成模糊关系规则库,从而实现所述能耗设备模型的辨识。
具体地,该步骤包括:将所述测量数据转换为模糊数据;根据预设的模糊规则对所述模糊数据进行推理,获得输出的模糊数据;根据所述输出的模糊数据确定所述模糊关系,生成模糊关系数据库。
为了更好地针对具有不确定信息的数据来源,进行设备运行结果的预测,上述步骤还引入了相关的模糊算法。这就涉及到模糊模型的概念。模糊模型是一种把只取0和1二值的普通集合概念推广为在[0,1]区间上取无穷多值的模糊集合概念,并用“隶属度”这一概念来精确地刻画元素与模糊集合之间的关系,模糊模型有多种表现方法,本申请所涉及的模糊模型特指模糊规则模型。
常用的模糊规则的表现形式为:
IF Input1 IS M1 THEN Output1 IS R2;
其中:IF,IS和THEN为模糊规则特有的模糊运算符,是二维逻辑运算符的推广;Input1为输入参数;Output1为输出参数;M1是Input1的模糊取值;R2是Output1的模糊取值。
在实际应用时,测量值要先转变为模糊数值(该过程称为模糊化),按照规则进行推理,得到输出的模糊数值(该过程称为去模糊化)。
本实施例的方法通过引入模糊模型和层次化模型的概念,适用于复杂、非线性非线性模型在高不确定度的环境下的快速辨识,减少了需要的数据量,缩短了辨识需要的时间周期。
图3是本发明一实施例提供的室温变化模型的示意图。如图3所示,室温变化模型是建筑能源管理中的重要模型,结合室温变化模型的辨识和应用来进一步详细描述本发明提供的辨识方法。
建筑室温模型在给定室外温度、室外湿度、太阳辐射、内部发热量、房间温度、房间湿度、结构温度的前提下,对室温变化进行预测,作为建筑负荷需求侧管理,建筑供冷供热预测优化控制的依据。如果没有将室温变化模型进行层次化,那么对于6个输入参数,即使每个输入参数用5个等级进行描述,规则数量也将达到56=15625个需要辨识的关系,需要大量的数据,计算量也比较大。结构分析模块通过对物理关系和数据进行自动分析,引入热量输入、环境差距和结构蓄热这3个中间变量后,规则数量减少为625+625+25+125=1400个,仅为原规则库规模的8.96%,大幅度降低了规则数量。
图4是现有的9个模糊集描述讨论区间的示意图。图5是本发明一实施例提供的使用3个参数描述讨论区间的示意图。如图4和图5所示,在结构分析模块确定模型的结构后,模糊隶属函数分析模块通过数据敏感性分析和聚类分析,根据输出数据对输入数据的敏感性和误差阈值,得到模糊隶属函数的数量和边界。上图给出隶属函数分析模块在研究室内温度从18-22℃的范围内,通过对输出数据对于输入数据的敏感性分析,将使用9个模糊集描述讨论区间简化为使用3个参数描述讨论区间,进一步降低规则数量和辨识所需要的数据量的要求。
在结构和模糊隶属函数都已经确定的前提下,通过给出的测量数据,辨识得到根据给定结构和模糊隶属函数描述的模糊关系,生成模糊关系规则库。即在不同的输入条件下,通过研究历史数据,得到输出决策,形成规则库结论部分。
本发明提供的能耗设备模型的辨识方法,具有以下优势:
1)辨识速度快
辨识速度快是本申请的核心优势之一,通过对现有数据的研究,进行了结构优化分析,在给定精度前提下,大幅度降低了模糊规则的数量,从而缩短了辨识需要的计算时间。此外,模糊规则计算相对于其他的经典优化算法来说,本身计算负担也较小。
2)数据要求少
由于引入层次化模型,精简了模型模糊规则的数量,使得辨识需要的历史数据大幅减少,对于复杂系统来说,数据可降低为单层模型的10%甚至更少。
3)可进行不确定性计算
由于引入了模糊模型,可以灵活地处理测量环节带来的不确定性,并在计算预测结果时,定量不确定性信息,指导项目进行决策。
4)可维护性
由于采用IF-THEN类型的模糊规则,并采用具有语义的模糊集作为模型形式,获得的模型能够被专业人员理解和解释,相对其他数学模型来说,具有较好的可维护性。
对于方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本发明实施例并不受所描述的动作顺序的限制,因为依据本发明实施例,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作并不一定是本发明实施例所必须的。
图6是本发明一实施例提供的能耗设备模型的辨识装置的结构示意图。如图6所示,本发明一实施例提供的能耗设备模型的辨识装置包括:
结构分析模块201,用于根据所述能耗设备模型的输入组合和输出组合确定所述能耗设备模型的结构;
模糊隶属函数分析模块202,用于根据所述输出组合中的数据对所述输入组合中的数据的敏感性和误差阈值获得所述能耗设备模型的模糊隶属函数的数量和边界;
关系辨识模块203,用于根据给定的测量数据辨识获得根据所述能耗设备模型的结构和模糊隶属函数描述的模糊关系,生成模糊关系规则库,从而实现所述能耗设备模型的辨识。
在本发明一实施例中,所述能耗设备模型的结构包括所述能耗设备模型的中间层级的数量、中间变量的数量以及所述中间变量与所述输入组合的变量的对应关系。
在本发明一实施例中,所述结构分析模块201,还用于:
基于信息分析的智能算法和预设的精度,根据所述能耗设备模型的输入组合和输出组合分析获得所述能耗设备模型的结构。
在本发明一实施例中,所述模糊隶属函数分析模块202,还用于:
基于数据敏感性分析和数据聚类分析,根据所述输入组合和所述输出组合获得所述输出组合中的数据对所述输入组合中的数据的敏感性和误差阈值。
在本发明一实施例中,所述关系辨识模块203,还用于:
将所述测量数据转换为模糊数据;
根据预设的模糊规则对所述模糊数据进行推理,获得输出的模糊数据;
根据所述输出的模糊数据确定所述模糊关系,生成模糊关系数据库。
对于本发明一实施例提供的能耗设备模型的辨识装置中还涉及的具体细节已在本发明一实施例提供的能耗设备模型的辨识方法中作了详细的描述,在此不再赘述。
应当注意的是,在本发明的系统的各个部件中,根据其要实现的功能而对其中的部件进行了逻辑划分,但是,本发明不受限于此,可以根据需要对各个部件进行重新划分或者组合,例如,可以将一些部件组合为单个部件,或者可以将一些部件进一步分解为更多的子部件。
本发明的各个部件实施例可以以硬件实现,或者以在一个或者多个处理器上运行的软件模块实现,或者以它们的组合实现。本领域的技术人员应当理解,可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本发明实施例的系统中的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如,计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上,或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到,或者在载体信号上提供,或者以任何其他形式提供。
应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制,并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中,不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中,这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
以上实施方式仅适于说明本发明,而并非对本发明的限制,有关技术领域的普通技术人员,在不脱离本发明的精神和范围的情况下,还可以做出各种变化和变型,因此所有等同的技术方案也属于本发明的范畴,本发明的专利保护范围应由权利要求限定。
Claims (6)
1.一种能耗设备模型的辨识方法,其特征在于,所述方法包括:
根据所述能耗设备模型的输入组合和输出组合确定所述能耗设备模型的结构;
根据所述输出组合中的数据对所述输入组合中的数据的敏感性和误差阈值获得所述能耗设备模型的模糊隶属函数的数量和边界;
根据给定的测量数据辨识获得根据所述能耗设备模型的结构和模糊隶属函数描述的模糊关系,生成模糊关系规则库,从而实现所述能耗设备模型的辨识;
其中,所述根据所述能耗设备模型的输入组合和输出组合确定所述能耗设备模型的结构,包括:基于信息分析的智能算法和预设的精度,根据所述能耗设备模型的输入组合和输出组合分析获得所述能耗设备模型的结构;
所述根据所述输出组合中的数据对所述输入组合中的数据的敏感性和误差阈值获得所述能耗设备模型的模糊隶属函数的数量和边界之前,所述方法还包括:基于数据敏感性分析和数据聚类分析,根据所述输入组合和所述输出组合获得所述输出组合中的数据对所述输入组合中的数据的敏感性和误差阈值。
2.根据权利要求1所述的能耗设备模型的辨识方法,其特征在于,所述能耗设备模型的结构包括所述能耗设备模型的中间层级的数量、中间变量的数量以及所述中间变量与所述输入组合的变量的对应关系。
3.根据权利要求1所述的能耗设备模型的辨识方法,其特征在于,所述根据给定的测量数据辨识获得根据所述能耗设备模型的结构和模糊隶属函数描述的模糊关系,生成模糊关系规则库,包括:
将所述测量数据转换为模糊数据;
根据预设的模糊规则对所述模糊数据进行推理,获得输出的模糊数据;
根据所述输出的模糊数据确定所述模糊关系,生成模糊关系数据库。
4.一种能耗设备模型的辨识装置,其特征在于,所述装置包括:
结构分析模块,用于根据所述能耗设备模型的输入组合和输出组合确定所述能耗设备模型的结构;
模糊隶属函数分析模块,用于根据所述输出组合中的数据对所述输入组合中的数据的敏感性和误差阈值获得所述能耗设备模型的模糊隶属函数的数量和边界;
关系辨识模块,用于根据给定的测量数据辨识获得根据所述能耗设备模型的结构和模糊隶属函数描述的模糊关系,生成模糊关系规则库,从而实现所述能耗设备模型的辨识;
其中,所述结构分析模块,还用于:基于信息分析的智能算法和预设的精度,根据所述能耗设备模型的输入组合和输出组合分析获得所述能耗设备模型的结构;
所述模糊隶属函数分析模块,还用于:基于数据敏感性分析和数据聚类分析,根据所述输入组合和所述输出组合获得所述输出组合中的数据对所述输入组合中的数据的敏感性和误差阈值。
5.根据权利要求4所述的能耗设备模型的辨识装置,其特征在于,所述能耗设备模型的结构包括所述能耗设备模型的中间层级的数量、中间变量的数量以及所述中间变量与所述输入组合的变量的对应关系。
6.根据权利要求4所述的能耗设备模型的辨识装置,其特征在于,所述关系辨识模块,还用于:
将所述测量数据转换为模糊数据;
根据预设的模糊规则对所述模糊数据进行推理,获得输出的模糊数据;
根据所述输出的模糊数据确定所述模糊关系,生成模糊关系数据库。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610444304.6A CN106127308B (zh) | 2016-06-20 | 2016-06-20 | 一种能耗设备模型的辨识方法以及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610444304.6A CN106127308B (zh) | 2016-06-20 | 2016-06-20 | 一种能耗设备模型的辨识方法以及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106127308A CN106127308A (zh) | 2016-11-16 |
CN106127308B true CN106127308B (zh) | 2018-11-23 |
Family
ID=57470264
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610444304.6A Active CN106127308B (zh) | 2016-06-20 | 2016-06-20 | 一种能耗设备模型的辨识方法以及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106127308B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5608846A (en) * | 1993-01-25 | 1997-03-04 | Omron Corporation | Fuzzy rule generator |
CN104238368A (zh) * | 2014-10-12 | 2014-12-24 | 刘岩 | 一种基于模拟退火粒子群的空调能耗模型参数辨识方法 |
CN104613602A (zh) * | 2015-02-02 | 2015-05-13 | 河海大学 | 一种中央空调精细化控制方法 |
CN105117787A (zh) * | 2015-07-14 | 2015-12-02 | 温州科技职业学院 | 一种温室能耗的模型优化预测方法 |
-
2016
- 2016-06-20 CN CN201610444304.6A patent/CN106127308B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5608846A (en) * | 1993-01-25 | 1997-03-04 | Omron Corporation | Fuzzy rule generator |
CN104238368A (zh) * | 2014-10-12 | 2014-12-24 | 刘岩 | 一种基于模拟退火粒子群的空调能耗模型参数辨识方法 |
CN104613602A (zh) * | 2015-02-02 | 2015-05-13 | 河海大学 | 一种中央空调精细化控制方法 |
CN105117787A (zh) * | 2015-07-14 | 2015-12-02 | 温州科技职业学院 | 一种温室能耗的模型优化预测方法 |
Non-Patent Citations (4)
Title |
---|
Adaptive neural/fuzzy control for interpolated nonlinear systems;Yixin Diao etal.;《IEEE Transactions on Fuzzy Systems》;20021231;第10卷(第5期);第583-595页 * |
基于模糊神经网络的篦式冷却机熟料流动建模;李海滨 等;《仪器仪表学报》;20050831;第26卷(第8期);第171-173页 * |
基于模糊递归神经网络的污泥容积指数预测模型;许少鹏 等;《化工学报》;20131231;第64卷(第12期);第4550-4556页 * |
基于自适应模糊推理的非线性系统辨识器设计;刘霞 等;《化工自动化及仪表》;20091231;第36卷(第5期);第29-33页 * |
Also Published As
Publication number | Publication date |
---|---|
CN106127308A (zh) | 2016-11-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Sun et al. | A dynamic feedback mechanism with attitudinal consensus threshold for minimum adjustment cost in group decision making | |
CN103548027B (zh) | 用于实现建筑系统的系统和方法 | |
CN103714261B (zh) | 二阶段混合模型的智能辅助医疗决策支持方法 | |
CN109242149A (zh) | 一种基于教育数据挖掘的学生成绩早期预警方法及系统 | |
Peláez-Aguilera et al. | Fuzzy linguistic protoforms to summarize heart rate streams of patients with ischemic heart disease | |
Ren et al. | Technology opportunity discovery based on constructing, evaluating, and searching knowledge networks | |
Pourjavad et al. | Evaluating manufacturing systems by fuzzy ANP: a case study | |
CN108416458A (zh) | 一种基于bp神经网络的隧道富水岩体综合超前地质预报方法 | |
Galli et al. | Bridging the gap between complexity and interpretability of a data analytics-based process for benchmarking energy performance of buildings | |
Ozden et al. | Optimized machine learning algorithms for investigating the relationship between economic development and human capital | |
Fernandez-Basso et al. | A fuzzy mining approach for energy efficiency in a Big Data framework | |
Saleh et al. | Predicting systolic blood pressure in real-time using streaming data and deep learning | |
CN113253709B (zh) | 一种适用于轨道交通车辆健康诊断方法及装置 | |
CN114548494A (zh) | 一种可视化造价数据预测智能分析系统 | |
CN109255389A (zh) | 一种装备评价方法、装置、设备及可读存储介质 | |
CN106127308B (zh) | 一种能耗设备模型的辨识方法以及装置 | |
Park et al. | Exploring promising technology in ICT sector using patent network and promising index based on patent information | |
Chrisnanto et al. | The uses of educational data mining in academic performance analysis at higher education institutions (case study at UNJANI) | |
Jiang et al. | Empirical research of hot topic recognition and its evolution path method for scientific and technological literature | |
Ruan et al. | An ordered weighted averaging operator-based cumulative belief degree approach for energy policy evaluation | |
CN106339357A (zh) | 寻优参数化的网络信息安全检测系统和方法 | |
Pellegrino | THE APPLICATION OF DRIVERS'COGNITIVE RELIABILITY USING FUZZY TECHNIQUES | |
Machlev et al. | Explaining the decisions of deep learning models for load disaggregation (nilm) based on xai | |
CN114330859A (zh) | 一种实时质量控制的优化方法、系统和设备 | |
Duan et al. | Fuzzy neural network learning based on hierarchical agglomerative TS fuzzy inference |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |