CN106326577A - 一种基于危化品事故扩散模型的短期风速计算方法 - Google Patents
一种基于危化品事故扩散模型的短期风速计算方法 Download PDFInfo
- Publication number
- CN106326577A CN106326577A CN201610742117.6A CN201610742117A CN106326577A CN 106326577 A CN106326577 A CN 106326577A CN 201610742117 A CN201610742117 A CN 201610742117A CN 106326577 A CN106326577 A CN 106326577A
- Authority
- CN
- China
- Prior art keywords
- wind speed
- short
- term wind
- data
- food source
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于危化品事故扩散模型的短期风速计算方法,利用人工蜂群(ABC)算法结合BP神经网络,采用人工蜂群算法优化BP神经网络中的权值和阈值,可以准确地进行风速预测,能够迅速高效地对化工园区的危化品泄漏事故的影响程度、影响范围进行精确估计;该方法与PSO‑BP神经网络以及GA‑BP神经网络相比,可以显著地提高预测精度,实现高效预测,降低经济成本;提高了对短期风速的预测精度,误差率仅为1.82%;可以对现场事故的进行有效处理,迅速展开应急救援和高效的人群疏散,降低事故中人员伤亡以及经济损失。
Description
技术领域
本发明涉及应急通信技术领域,特别是涉及一种基于危化品事故扩散模型的短期风速计算方法。
背景技术
随着工业技术的迅速发展,危化品(危险化学品)的使用不断增多,而危化品的生产、运输、存储和使用中的各个环节中,极易发生危害气体的泄漏事故。有些危化品气体极具毒性和扩散性,一旦此类事故发生,将对周围区域的生态环境、人身安全等造成严重的影响,产生重大的经济损失,不利于生态环境和生命安全的保护,以及工业顺利生产的连续性。在有毒危化品气体的泄露现场,基于高精度估计的短期风速来控制气体扩散可以对现场事故进行有效处理、应急救援和高效的人群疏散,降低事故中人员伤亡以及经济损失具有重要的意义。风速是决定气体泄漏趋势的主要因素之一,也会影响传感器对气体泄漏的有效性监测。短期风速预测对化工园区的危化品泄漏事故的影响程度、影响范围的精确估计起到了关键作用。短期风速具有很大的波动性和间歇性,风速的变化将直接影响危险气体的扩散速度和扩散范围,同时对气体泄漏事故的有效监测具有重要影响,是主要的现场敏感参数。因此,对短期风速预测对直接影响气体扩散控制的精度,具有重要的研究和应用价值。短期风速预测控制方法按照模型的类别分为:物理式模型、线性统计式的线性模型。
物理式模型:该模型中的典型代表是数值天气预报(Numerical WeatherPrediction,NWP),其结合热力学、流体力学的知识,根据实际的大气状况,用揭示物理学规律公式—流体力学和热力学方程组的数值计算方式获得风速等气象参数数据,求解的流体力学和热力学的方程式较为复杂,同时需要用到多种复杂的观测手段来获取需要的气象资料参与计算,如雷达观测、常规观测以及卫星观测等。
线性统计式线性模型:统计式模型以传统的数理统计为理论背景,应用预测对象的历史真实数据资料,结合预测对象自身的规律性原理、连续性原理,如周期性、持续性等特征,通过研究分析做出对未来发展趋势的预测。该类对象的发展往往符合线性规律或是分段线性的规律,这种模型对于规律性、周期性等特性比较明显的对象具有较好的预测效果,而对于规律性呈现的不是很明显、或是波动性较大的时候预测效果则不是很理想,预测方式稍微偏简单、在早期较为实用。随着数理统计知识、技术的发展,统计式模型中技术较多,主要常用的线性预测技术大致有以下几种:持续时间法、回归法、时间序列法、模糊逻辑法、卡尔曼滤波法、灰色预测法等。但是由于短时的风速具有波动性,变化规律难以把握,一般的线性预测手段难以做到精确的逼近。
发明内容
本发明针对短期风速具有波动性、变化规律难以把握,一般的线性预测手段难以做到精确的逼近的缺陷问题,利用人工蜂群算法结合BP神经网络,采用人工蜂群算法优化BP神经网络中的权值和阈值,提出基于危化品事故扩散模型的短期风速计算方法,通过提高短期风速序列的预测精度,使得在化工园区中发生气体泄漏时能够迅速高效地对化工园区的危化品泄漏事故的影响程度、影响范围进行精确估计。
本发明所要求解决的技术问题可以通过以下技术方案来实现:
一种基于危化品事故扩散模型的短期风速计算方法,包括以下步骤,
S1、利用人工蜂群算法优化BP神经网络的权值和阈值;
S1.1、初始化人工蜂群(ABC)算法中的食物源,设共有F个食物源,每个食物源代表一个可行解,食物源的参数就是需要优化BP神经网络的权值和阈值,每个食物源的形式为:
W111W112…W11n…W1m1W1m2…W1mn、b111b112…b11s…b1n1b1n2…b1ns、W21…W2n、b21b22…b2s,随机初始化每个食物源,
其中,W111W112…W11n…W1m1W1m2…W1mn是输入层与隐含层之间的连接权值,W21…W2n是隐含层与输出层之间的连接权值,b21b22…b2s是输出层阈值,b111b112…b11s…b1n1b1n2…b1ns是隐含层阈值;
S1.2、将每个食物源代入公式(1)中进行计算,
其中,ok是输出节点在训练样本作用下的输出,yk是在训练样本作用下的目标值,n是输出变量的维数,N为训练样本数量;
将计算结果代入公式(2)中,计算适应度值,
S1.3、根据公式(3)进行交叉变异,
Vij=xij+φij(xij-xkj) 公式(3)
其中,Vij是交叉变异后的解,xij是第i个食物源的第j个参数,xkj是与i不同邻居食物源的第j个参数,φij是范围为[-1,1]之间的随机数,得到Vij后根据公式(2)计算适应度值,如果适应度值优于之前的适应度值,则参数变为交叉变异后的参数;
S1.4、根据公式(4)进行概率计算,
计算概率并且与[0,1]范围内的随机数比较,如果概率小于随机数,则根据公式(3)继续进行交叉变异;
S1.5、在一定的交叉变异次数内可行解仍然无法收敛,则丢弃该可行解,重新产生一个解,继续进行迭代;
S2、采集风速数据,
风速样本数据通过移动安全应急平台采集,数据采集时,把移动应急平台停靠采集区域中风向合适的位置,启动平台,通过控制室内的控制按钮升起平台车辆顶部的气象站,保持平稳直立,通过把气象站专用数据传输线的数据针通过串口器,再通过网线链接到PC机上,在PC机上安装串口调试工具,设置好server和client端的ip地址,实现把气象站采集到的风速数据传输、存储到PC上,其中需要的风速数据位于文件当中$WIMDA传输语句当中;
S3、利用ABC-BP神经网络进行短期风速预测,
BP神经网络获得ABC算法优化后的权值和阈值之后,进行二次优化训练,网络隐含层和输出层神经元节点的转换函数f和g分别使用matlab神经网络工具箱中的函数,为非线性的s型函数tansig函数和线性的purelin函数。
进一步地,所述步骤S1中人工蜂群(ABC)算法中食物源为100个,迭代次数为10000次,实验重复30次,优化结果取30次实验的平均值。
进一步地,所述步骤S2中移动安全应急平台集成气象数据的检测、采集、存储和分析功能,平台中的气象参数的监测、采集模块是Airmar LB150气象站。
进一步地,所述Airmar LB150气象站在风速的监测采集上的风速范围是0-40m/s,风速的分辨率为0.1m/s,供电电压为9-16VDC,供电电流小于150mA。
进一步地,所述Airmar LB150气象站把提取到的12803个时刻点的数据按分钟为间隔单位进行合并处理,处理后得到214个综合数据,以此作为短时风速预测的实验样本数据。
进一步地,所述步骤S3中误差性能目标goal值为0.005,间隔显示次数为10,初始学习率为0.5,最大训练步数为5000步,训练函数采取基于LM算法的训练函数trainlm,其余参数采用默认值。
本发明的有益效果:利用人工蜂群算法结合BP神经网络,提出人工蜂群算法优化BP神经网络中的权值和阈值,可以准确地进行风速预测,能够迅速高效地对化工园区的危化品泄漏事故的影响程度、影响范围进行精确估计;该方法与PSO-BP神经网络以及GA-BP神经网络相比,可以显著地提高预测精度,实现高效预测,降低经济成本;提高了对短期风速的预测精度,误差率仅为1.82%;可以对现场事故的进行有效处理,迅速展开应急救援和高效的人群疏散,降低事故中人员伤亡以及经济损失。
附图说明
下面结合附图和具体实施方式对本发明做进一步说明:
图1为风速样本波形图;
图2为不同算法的预测值与实际值对比曲线图;
图3为不同算法的平均预测误差率;
图4为本发明流程图。
具体实施方式
为了使本发明技术方案的内容和优势更加清楚明了,下面结合附图对本发明的一种基于危化品事故扩散模型的短期风速计算方法进行进一步描述。
具体实施时,结合流程图4,一种基于危化品事故扩散模型的短期风速计算方法,包括以下步骤,
S1、利用人工蜂群算法优化BP神经网络的权值和阈值;
具体优化过程如下,
S1.1、初始化人工蜂群(ABC)算法中的食物源。设共有F个食物源,每个食物源代表一个可行解,食物源的参数就是需要优化BP神经网络的权值和阈值,每个食物源的形式为:
W111W112…W11n…W1m1W1m2…W1mn、b111b112…b11s…b1n1b1n2…b1ns、W21…W2n、b21b22…b2s,随机初始化每个食物源,
其中,W111W112…W11n…W1m1W1m2…W1mn是输入层与隐含层之间的连接权值,W21…W2n是隐含层与输出层之间的连接权值,b21b22…b2s是输出层阈值,b111b112…b11s…b1n1b1n2…b1ns是隐含层阈值;
S1.2、将每个食物源代入公式(1)中进行计算,
其中,ok是输出节点在训练样本作用下的输出,yk是在训练样本作用下的目标值,n是输出变量的维数,N为训练样本数量;
将计算结果代入公式(2)中,计算适应度值,
S1.3、根据公式(3)进行交叉变异。
Vij=xij+φij(xij-xkj) 公式(3)
其中,Vij是交叉变异后的解,xij是第i个食物源的第j个参数,xkj是与i不同邻居食物源的第j个参数,φij是范围为[-1,1]之间的随机数,得到Vij后根据公式(2)计算适应度值,如果适应度值优于之前的适应度值,则参数变为交叉变异后的参数。
S1.4、根据公式(4)进行概率计算,
计算概率并且与[0,1]范围内的随机数比较,如果概率小于随机数,则根据公式(3)继续进行交叉变异。
S1.5、在一定的交叉变异次数内可行解仍然无法收敛,则丢弃该可行解,重新产生一个解,继续进行迭代。其中,人工蜂群(ABC)算法中食物源为100个,迭代次数为10000次,实验重复30次,优化结果取30次实验的平均值。
S2、采集风速数据。风速的采集过程为:
风速样本数据通过移动安全应急平台采集,该平台集成的有气象数据的检测、采集、存储和分析等功能,平台中的气象参数的监测、采集模块是Airmar LB150气象站。该气象站集成有多种功能,可以计算采集到虚拟的风速、风向,大气压,气温,相对湿度,露点和风寒温度。该气象站在风速的监测采集上的风速范围是0-40m/s,风速的分辨率为0.1m/s。气象站的供电电压为9-16VDC,供电电流小于150mA,可以根据需要自行调整比特率的大小以满足自己的要求。
数据采集时,把移动应急平台停靠采集区域中风向合适的位置,启动平台,通过控制室内的控制按钮升起平台车辆顶部的气象站,保持平稳直立,通过把气象站专用数据传输线的数据针通过串口器,再通过网线链接到PC机上,在PC机上安装串口调试工具,设置好server和client端的ip地址,实现把气象站采集到的风速数据传输、存储到PC上,其中需要的风速数据位于文件当中$WIMDA传输语句当中。
由于本发明针对短时风速数值进行预测,加之移动应急平台设备的数据采集的最低频率较高,采集到的风速数据相邻时刻点区分度很小,数据值出现连续多个没有变化或是变化太小的情况比较常见,结合风速预测问题中短时风速预测和超短时风速预测中指导性准则,把提取到的12803个时刻点的数据按分钟为间隔单位进行合并处理,处理后得到214个综合数据,以此作为短时风速预测的实验样本数据。最终获得的风速样本数据的波形如图1所示。
S3、利用ABC-BP神经网络进行短期风速预测。短期风速预测的具体过程为:
BP神经网络获得ABC算法优化后的权值和阈值之后,进行二次优化训练,网络隐含层和输出层神经元节点的转换函数f和g分别使用matlab神经网络工具箱中的函数,为非线性的s型函数tansig函数和线性的purelin函数,误差性能目标goal值为0.005,间隔显示次数为10,初始学习率为0.5,最大训练步数为5000步,训练函数采取基于LM算法的训练函数trainlm,其余参数采用默认值。
为了比较不同算法的预测精度,本发明提出的算法与PSO-BP神经网络和GA-PSO算法的预测结果进行了比较,如图2所示,曲线①表示实际测量的风速值,曲线②表示PSO优化BP神经网络的预测结果,曲线③表示GA算法优化BP神经网络的预测结果,曲线④表示ABC算法优化BP神经网络的预测结果,可以看出,本发明的预测结果更接近实际测量值,所以该方法可以有效地应用于短期风速预测中。图3给出了不同算法中的平均预测误差,ABC-BP算法对风速预测的平均误差率是最小的,为1.82%,显著地提高了预测精确度。
本发明利用人工蜂群算法优化了BP神经网络的权值和阈值,提高了对短期风速的预测精度,误差率仅为1.82%;可以对现场事故的进行有效处理,迅速展开应急救援和高效的人群疏散,降低事故中人员伤亡以及经济损失。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。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同物界定。
Claims (6)
1.一种基于危化品事故扩散模型的短期风速计算方法,其特征在于,包括以下步骤:
S1、利用人工蜂群算法优化BP神经网络的权值和阈值;
S1.1、初始化人工蜂群(ABC)算法中的食物源,设共有F个食物源,每个食物源代表一个可行解,食物源的参数就是需要优化BP神经网络的权值和阈值,每个食物源的形式为:
W111W112…W11n…W1m1W1m2…W1mn、b111b112…b11s…b1n1b1n2…b1ns、W21…W2n、b21b22…b2s,随机初始化每个食物源,
其中,W111W112…W11n…W1m1W1m2…W1mn是输入层与隐含层之间的连接权值,W21…W2n是隐含层与输出层之间的连接权值,b21b22…b2s是输出层阈值,b111b112…b11s…b1n1b1n2…b1ns是隐含层阈值;
S1.2、将每个食物源代入公式(1)中进行计算,
其中,ok是输出节点在训练样本作用下的输出,yk是在训练样本作用下的目标值,n是输出变量的维数,N为训练样本数量;
将计算结果代入公式(2)中,计算适应度值,
S1.3、根据公式(3)进行交叉变异,
Vij=xij+φij(xij-xkj) 公式(3)
其中,Vij是交叉变异后的解,xij是第i个食物源的第j个参数,xkj是与i不同邻居食物源的第j个参数,φij是范围为[-1,1]之间的随机数,得到Vij后根据公式(2)计算适应度值,如果适应度值优于之前的适应度值,则参数变为交叉变异后的参数;
S1.4、根据公式(4)进行概率计算,
计算概率并且与[0,1]范围内的随机数比较,如果概率小于随机数,则根据公式(3)继续进行交叉变异;
S1.5、在一定的交叉变异次数内可行解仍然无法收敛,则丢弃该可行解,重新产生一个解,继续进行迭代;
S2、采集风速数据,
风速样本数据通过移动安全应急平台采集,数据采集时,把移动应急平台停靠采集区域中风向合适的位置,启动平台,通过控制室内的控制按钮升起平台车辆顶部的气象站,保持平稳直立,通过把气象站专用数据传输线的数据针通过串口器,再通过网线链接到PC机上,在PC机上安装串口调试工具,设置好server和client端的ip地址,实现把气象站采集到的风速数据传输、存储到PC上,其中需要的风速数据位于文件当中$WIMDA传输语句当中;
S3、利用ABC-BP神经网络进行短期风速预测,
BP神经网络获得ABC算法优化后的权值和阈值之后,进行二次优化训练,网络隐含层和输出层神经元节点的转换函数f和g分别使用matlab神经网络工具箱中的函数,为非线性的s型函数tansig函数和线性的purelin函数。
2.按照权利要求1所述的一种基于危化品事故扩散模型的短期风速计算方法,其特征在于:所述步骤S1中人工蜂群(ABC)算法中食物源为100个,迭代次数为10000次,实验重复30次,优化结果取30次实验的平均值。
3.按照权利要求1所述的一种基于危化品事故扩散模型的短期风速计算方法,其特征在于:所述步骤S2中移动安全应急平台集成气象数据的检测、采集、存储和分析功能,平台中的气象参数的监测、采集模块是Airmar LB150气象站。
4.按照权利要求3所述的一种基于危化品事故扩散模型的短期风速计算方法,其特征在于:所述Airmar LB150气象站在风速的监测采集上的风速范围是0-40m/s,风速的分辨率为0.1m/s,供电电压为9-16VDC,供电电流小于150mA。
5.按照权利要求3所述的一种基于危化品事故扩散模型的短期风速计算方法,其特征在于:所述Airmar LB150气象站把提取到的12803个时刻点的数据按分钟为间隔单位进行合并处理,处理后得到214个综合数据,以此作为短时风速预测的实验样本数据。
6.按照权利要求1所述的一种基于危化品事故扩散模型的短期风速计算方法,其特征在于:所述步骤S3中误差性能目标goal值为0.005,间隔显示次数为10,初始学习率为0.5,最大训练步数为5000步,训练函数采取基于LM算法的训练函数trainlm,其余参数采用默认值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610742117.6A CN106326577B (zh) | 2016-08-26 | 2016-08-26 | 一种基于危化品事故扩散模型的短期风速计算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610742117.6A CN106326577B (zh) | 2016-08-26 | 2016-08-26 | 一种基于危化品事故扩散模型的短期风速计算方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106326577A true CN106326577A (zh) | 2017-01-11 |
CN106326577B CN106326577B (zh) | 2019-06-14 |
Family
ID=57791180
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610742117.6A Active CN106326577B (zh) | 2016-08-26 | 2016-08-26 | 一种基于危化品事故扩散模型的短期风速计算方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106326577B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108256683A (zh) * | 2018-01-16 | 2018-07-06 | 云南电网有限责任公司电力科学研究院 | 一种基于改进bp神经网络的风电场短期功率预测方法 |
CN108491598A (zh) * | 2018-03-09 | 2018-09-04 | 山东师范大学 | 一种基于路径规划的人群疏散仿真方法及系统 |
CN109919229A (zh) * | 2019-03-08 | 2019-06-21 | 杭州麦乐克科技股份有限公司 | 基于人工蜂群和神经网络的监测有害气体预测方法及系统 |
CN110263907A (zh) * | 2019-07-01 | 2019-09-20 | 上海海事大学 | 基于改进ga-pso-bp的船舶短路故障诊断方法 |
CN110852480A (zh) * | 2019-10-14 | 2020-02-28 | 杭州中恒云能源互联网技术有限公司 | 一种电力数据补全方法 |
CN111611749A (zh) * | 2020-05-25 | 2020-09-01 | 山东师范大学 | 基于rnn的室内人群疏散自动引导仿真方法及系统 |
CN113191730A (zh) * | 2021-04-30 | 2021-07-30 | 中国安全生产科学研究院 | 一种基于大数据的危险化学品全生命周期信息监管系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130175437A1 (en) * | 2011-10-20 | 2013-07-11 | Draka Comteq, B.V. | Hydrogen-Sensing Optical Fiber |
CN103413174A (zh) * | 2013-08-30 | 2013-11-27 | 哈尔滨工业大学 | 基于深度学习方法的短期风速多步预测方法 |
CN104898674A (zh) * | 2015-05-26 | 2015-09-09 | 中国安全生产科学研究院 | 危化品泄漏事故环境监测移动机器人及监测系统 |
-
2016
- 2016-08-26 CN CN201610742117.6A patent/CN106326577B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130175437A1 (en) * | 2011-10-20 | 2013-07-11 | Draka Comteq, B.V. | Hydrogen-Sensing Optical Fiber |
CN103413174A (zh) * | 2013-08-30 | 2013-11-27 | 哈尔滨工业大学 | 基于深度学习方法的短期风速多步预测方法 |
CN104898674A (zh) * | 2015-05-26 | 2015-09-09 | 中国安全生产科学研究院 | 危化品泄漏事故环境监测移动机器人及监测系统 |
Non-Patent Citations (1)
Title |
---|
夏之秋: "BP神经网络和蚁群算法在防灾产品优化中的应用", 《辽宁工程技术大学学报(自然科学版)》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108256683A (zh) * | 2018-01-16 | 2018-07-06 | 云南电网有限责任公司电力科学研究院 | 一种基于改进bp神经网络的风电场短期功率预测方法 |
CN108491598A (zh) * | 2018-03-09 | 2018-09-04 | 山东师范大学 | 一种基于路径规划的人群疏散仿真方法及系统 |
CN108491598B (zh) * | 2018-03-09 | 2022-04-01 | 山东师范大学 | 一种基于路径规划的人群疏散仿真方法及系统 |
CN109919229A (zh) * | 2019-03-08 | 2019-06-21 | 杭州麦乐克科技股份有限公司 | 基于人工蜂群和神经网络的监测有害气体预测方法及系统 |
CN110263907A (zh) * | 2019-07-01 | 2019-09-20 | 上海海事大学 | 基于改进ga-pso-bp的船舶短路故障诊断方法 |
CN110263907B (zh) * | 2019-07-01 | 2020-12-29 | 上海海事大学 | 基于改进ga-pso-bp的船舶短路故障诊断方法 |
CN110852480A (zh) * | 2019-10-14 | 2020-02-28 | 杭州中恒云能源互联网技术有限公司 | 一种电力数据补全方法 |
CN110852480B (zh) * | 2019-10-14 | 2023-03-10 | 杭州中恒云能源互联网技术有限公司 | 一种电力数据补全方法 |
CN111611749A (zh) * | 2020-05-25 | 2020-09-01 | 山东师范大学 | 基于rnn的室内人群疏散自动引导仿真方法及系统 |
CN113191730A (zh) * | 2021-04-30 | 2021-07-30 | 中国安全生产科学研究院 | 一种基于大数据的危险化学品全生命周期信息监管系统 |
CN113191730B (zh) * | 2021-04-30 | 2023-07-21 | 中国安全生产科学研究院 | 一种基于大数据的危险化学品全生命周期信息监管系统 |
Also Published As
Publication number | Publication date |
---|---|
CN106326577B (zh) | 2019-06-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106326577A (zh) | 一种基于危化品事故扩散模型的短期风速计算方法 | |
Xu et al. | Research and application of a hybrid model based on dynamic fuzzy synthetic evaluation for establishing air quality forecasting and early warning system: A case study in China | |
CN115063020B (zh) | 基于风险监测融合的梯级水电站多维安全调度装置及方法 | |
Fadare | Modelling of solar energy potential in Nigeria using an artificial neural network model | |
CN103557884B (zh) | 一种输电线路杆塔监控的多传感器数据融合预警方法 | |
CN103914622A (zh) | 一种化学品泄漏快速预测预警应急响应决策方法 | |
CN106815971A (zh) | 一种基于rbf神经网络的滑坡灾害预报方法 | |
Liu et al. | Air pollution concentration forecasting based on wavelet transform and combined weighting forecasting model | |
CN107222333A (zh) | 一种基于bp神经网络的网络节点安全态势评估方法 | |
Nadiri et al. | Supervised intelligence committee machine to evaluate field performance of photocatalytic asphalt pavement for ambient air purification | |
CN107993039A (zh) | 一种基于物联网的危化品在途监控与事故应急救援方法 | |
CN105678439A (zh) | 基于bp神经网络的输电线路动态增容运行风险评估方法 | |
Rui et al. | Impact assessment of climate change on algal blooms by a parametric modeling study in Han River | |
CN107067080A (zh) | 基于核极限学习机的泄露气体监测浓度数据虚拟扩展方法 | |
Zhang | Environment pollution analysis on smart cities using wireless sensor networks | |
Braik et al. | Hybrid neural network models for forecasting ozone and particulate matter concentrations in the Republic of China | |
El Shafie et al. | Radial basis function neural networks for reliably forecasting rainfall | |
Yadav et al. | Daily prediction of PM 10 using radial basis function and generalized regression neural network | |
Prachi et al. | Artificial neural network applications in air quality monitoring and management | |
Kwon et al. | Accident prediction model using environmental sensors for industrial internet of things | |
Peng et al. | A method for real-time estimation of gas leakage flow from leakage source based on point detection data | |
Dey et al. | NeSDeepNet: A Fusion Framework for Multi-step Forecasting of Near-surface Air Pollutants | |
Guerrero-Santana et al. | Prediction of air temperature and relative humidity in a solar greenhouse dryer using neuro-fuzzy models | |
Yauri et al. | Sprinkler Irrigation Automation System to Reduce the Frost Impact Using Machine Learning | |
El Houari et al. | Prediction of air temperature using Multi-layer perceptrons with Levenberg-Marquardt training algorithm |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |