CN107358295A - 基于遗传算法和支持向量机的配网运行维护费预测方法 - Google Patents
基于遗传算法和支持向量机的配网运行维护费预测方法 Download PDFInfo
- Publication number
- CN107358295A CN107358295A CN201710391841.3A CN201710391841A CN107358295A CN 107358295 A CN107358295 A CN 107358295A CN 201710391841 A CN201710391841 A CN 201710391841A CN 107358295 A CN107358295 A CN 107358295A
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- munderover
- operation maintenance
- maintenance expense
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Genetics & Genomics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于遗传算法和支持向量机的配网运行维护费预测方法。目前配网运行维护费与影响因素之间的关系很难用线性来表述。本发明包括:1)配网运行维护费影响因素的遗传算法分析:利用遗传算法确定配网运行维护费预测模型的训练参数;2)建立支持向量机配网运行维护费预测模型:在遗传算法的基础上,利用支持向量机具有无限逼近非线性连续函数关系的性质,将其作为配网运行维护费的预测模型;3)基于遗传算法和支持向量机的配网运行维护费预测。本发明可对配网运行维护费进行准确合理的估算,便于电网企业有效地管理和控制电网运行维护成本。
Description
技术领域
本发明属于电网运营成本管理技术领域,涉及一种基于遗传算法和支持向量机的配网运行维护费预测方法。
背景技术
配网运行维护费是电网企业投资的重要组成部分,为了制定最佳的投资策略,需要对配网运行维护费进行准确合理的估算。但是配网运行维护费受到社会、经济、政策、资源等多种因素影响,且各因素的作用机理复杂,导致配网运行维护费与影响因素之间的关系很难用线性来表述。
发明内容
本发明所要解决的技术问题是针对现有配网运行维护费与影响因素之间的关系很难用线性表述,提供一种基于遗传算法和支持向量机的配网运行维护费预测模型,其通过遗传算法分析确定预测模型的训练参数,并将其作为支持向量机模型的训练参数,建立配网运行维护费预测模型,以便于电网企业有效地管理和控制电网运行维护成本。
为此,本发明采用如下的技术方案:基于遗传算法和支持向量机的配网运行维护费预测方法,包括:
1)配网运行维护费影响因素的遗传算法分析:利用遗传算法确定配网运行维护费预测模型的训练参数;
2)建立支持向量机配网运行维护费预测模型:在遗传算法的基础上,利用支持向量机具有无限逼近非线性连续函数关系的性质,将其作为配网运行维护费的预测模型;
3)基于遗传算法和支持向量机的配网运行维护费预测:依据遗传算法确定配网运行维护费预测模型的训练参数,同时将支持向量机作为配网运行维护费的预测模型,对配网运行维护费进行准确合理的估算,便于电网企业有效地管理和控制电网运行维护成本。
进一步地,遗传算法的步骤如下:
1)参数编码:将配网运行维护费预测模型的训练参数以二进制的形式进行染色体基因编码;
2)适应度评估:遗传算法中通过适应度函数表明解的优劣性;
3)选择:选择的目的是为了从当前群体中选出优良的个体,使它们有机会作为父代进行下一代个体的繁殖;
4)交叉:通过以一定的交叉率交换染色体串结构中数据以得到新一代染色体;
5)变异:在群体中随机选择个体,对于选中的个体以一定的概率随机地改变串结构数据中某个串的值;
6)当满足终止条件时,进化过程结束;否则,转到步骤2)。
传统的网格优化不仅收敛速度慢,而且收敛精度低,遗传算法很好克服了这个缺点,不仅收敛速度快,而且收敛精度高。
进一步地,所述支持向量机配网运行维护费预测模型的建立包括:
1)由于支持向量机具有无限逼近非线性连续函数关系的性质,选择支持向量机作为配网运行维护费的预测模型;
2)设样本集为(xi,yi),i=1,2,...,n;其中xi表示输入值,yi是对应的输出值,超平面方程为:
ωxi+b=0,
在约束条件上加入一个松弛变量ξi≥0,这时的最大间隔超平面称为广义最优分类超平面,则约束条件变为:
yi(ωxi+b)≥1-ξi,
对应的优化问题转变为:
s.t yi(ωxi+b)≥1-ξi,i=1,2,...,n;
其中:ω为权向量,b为偏置,ξi为松弛变量;C>0是控制惩罚程度的常数,C越大,惩罚就越大;引入Lagrange乘子α,β有:
Lagrange函数L在鞍点处是关于ω,ξ,b的极小点,对ω,ξ,b分别求偏导,再整理L最终得到原问题的对偶问题:
式中,ψ(·)是映射函数,将数据映射到高维空间,K(·)是核函数;
则最优判断函数为:
3)建立支持向量机的方法是通过一个非线性映射将数据x映射到高维空间,并在这个空间上进行线性回归,即寻找系统输入x与输出y之间的依赖关系,使其尽可能准确地预测输出。
本发明先利用遗传算法确定配网运行维护费预测模型的训练参数,同时选取支持向量机作为配网运行维护费的预测模型,再将通过遗传算法确定的配网运行维护费预测模型的训练参数代入支持向量机,最后建立基于遗传算法和支持向量机的配网运行维护费预测方法,为电网企业有效地管理和控制输配电成本,使输配电项目管理能够动态追踪其各项成本费用因素所引起的不确定性并形成风险控制决策响应。
附图说明
图1是遗传算法示意图;
图2是本发明的流程图。
具体实施方式
针对电网企业的运行维护成本,本发明构造一种基于遗传算法和支持向量机的配网运行维护费预测方法,使得电网企业能够对运行维护费进行准确合理的估算,便于电网企业有效地管理和控制电网运行维护成本。具体实施方式包括以下步骤:
(1)配网运行维护费影响因素的遗传算法分析:利用遗传算法确定配网运行维护费预测模型的训练参数;
(2)支持向量机配网运行维护费预测模型:在遗传算法的基础上,利用支持向量机具有无限逼近非线性连续函数关系的性质,将其作为配网运行维护费的预测模型;
(3)基于遗传算法和支持向量机的配网运行维护费预测:依据遗传算法确定配网运行维护费预测机的训练参数,同时将支持向量机作为配网运行维护费的预测模型,建立配网运行维护费预测方法。由此,本发明可对配网运行维护费进行准确合理的估算,便于电网企业有效地管理和控制电网运行维护成本。
遗传算法的步骤如下:
1)参数编码:将配网运行维护费预测模型的训练参数以二进制的形式进行染色体基因编码;
2)适应度评估:遗传算法中通过适应度函数表明解的优劣性;
3)选择:选择的目的是为了从当前群体中选出优良的个体,使它们有机会作为父代进行下一代个体的繁殖;
4)交叉:通过以一定的交叉率交换染色体串结构中数据以得到新一代染色体;
5)变异:在群体中随机选择个体,对于选中的个体以一定的概率随机地改变串结构数据中某个串的值;
6)当满足终止条件时,进化过程结束;否则,转到步骤2)。
传统的网格优化不仅收敛速度慢,而且收敛精度低,遗传算法很好克服了这个缺点,不仅收敛速度快,而且收敛精度高。
所述支持向量机配网运行维护费预测模型的建立包括:
1)由于支持向量机具有无限逼近非线性连续函数关系的性质,选择支持向量机作为配网运行维护费的预测模型;
2)设样本集为(xi,yi),i=1,2,...,n;其中xi表示输入值,yi是对应的输出值,超平面方程为:
ωxi+b=0,
在约束条件上加入一个松弛变量ξi≥0,这时的最大间隔超平面称为广义最优分类超平面,则约束条件变为:
yi(ωxi+b)≥1-ξi,
对应的优化问题转变为:
s.t yi(ωxi+b)≥1-ξi,i=1,2,...,n;
其中:ω为权向量,b为偏置,ξi为松弛变量;C>0是控制惩罚程度的常数,C越大,惩罚就越大;引入Lagrange乘子α,β有:
Lagrange函数L在鞍点处是关于ω,ξ,b的极小点,对ω,ξ,b分别求偏导,再整理L最终得到原问题的对偶问题:
式中,ψ(·)是映射函数,将数据映射到高维空间,K(·)是核函数;
则最优判断函数为:
3)建立支持向量机的方法是通过一个非线性映射将数据x映射到高维空间,并在这个空间上进行线性回归,即寻找系统输入x与输出y之间的依赖关系,使其尽可能准确地预测输出。
上述实施例和图式并非限定本发明的产品形态和式样,任何所属技术领域的普通技术人员对其所做的适当变化或修饰,皆应视为不脱离本发明的专利范畴。
Claims (3)
1.基于遗传算法和支持向量机的配网运行维护费预测方法,包括:
1)配网运行维护费影响因素的遗传算法分析:利用遗传算法确定配网运行维护费预测模型的训练参数;
2)建立支持向量机配网运行维护费预测模型:在遗传算法的基础上,利用支持向量机具有无限逼近非线性连续函数关系的性质,将其作为配网运行维护费预测模型;
3)基于遗传算法和支持向量机的配网运行维护费预测:依据遗传算法确定配网运行维护费预测模型的训练参数,同时将支持向量机作为配网运行维护费的预测模型,对配网运行维护费进行准确合理的估算。
2.根据权利要求1所述的配网运行维护费预测方法,其特征在于,遗传算法的步骤如下:
1)参数编码:将配网运行维护费预测模型的训练参数以二进制的形式进行染色体基因编码;
2)适应度评估:遗传算法中通过适应度函数表明解的优劣性;
3)选择:选择的目的是为了从当前群体中选出优良的个体,使它们有机会作为父代进行下一代个体的繁殖;
4)交叉:通过以一定的交叉率交换染色体串结构中数据以得到新一代染色体;
5)变异:在群体中随机选择个体,对于选中的个体以一定的概率随机地改变串结构数据中某个串的值;
6)当满足终止条件时,进化过程结束;否则,转到步骤2)。
3.根据权利要求1或2所述的配网运行维护费预测方法,其特征在于,所述支持向量机配网运行维护费预测模型的建立包括:
1)由于支持向量机具有无限逼近非线性连续函数关系的性质,选择支持向量机作为配网运行维护费的预测模型;
2)设样本集为(xi,yi),i=1,2,...,n;其中xi表示输入值,yi是对应的输出值,超平面方程为:
ωxi+b=0,
在约束条件上加入一个松弛变量ξi≥0,这时的最大间隔超平面称为广义最优分类超平面,则约束条件变为:
yi(ωxi+b)≥1-ξi,
对应的优化问题转变为:
<mrow>
<msup>
<mi>min&omega;</mi>
<mn>2</mn>
</msup>
<mo>/</mo>
<mn>2</mn>
<mo>+</mo>
<mi>C</mi>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<msub>
<mi>&xi;</mi>
<mi>i</mi>
</msub>
<mo>,</mo>
</mrow>
s.t yi(ωxi+b)≥1-ξi,i=1,2,...,n;
其中:ω为权向量,b为偏置,ξi为松弛变量;C>0是控制惩罚程度的常数,C越大,惩罚就越大;引入Lagrange乘子α,β有:
<mrow>
<mi>L</mi>
<mrow>
<mo>(</mo>
<mi>&omega;</mi>
<mo>,</mo>
<mi>&xi;</mi>
<mo>,</mo>
<mi>&alpha;</mi>
<mo>,</mo>
<mi>&beta;</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msup>
<mi>&omega;</mi>
<mn>2</mn>
</msup>
<mo>/</mo>
<mn>2</mn>
<mo>+</mo>
<mi>C</mi>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<msub>
<mi>&xi;</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<msub>
<mi>&alpha;</mi>
<mi>i</mi>
</msub>
<mo>&lsqb;</mo>
<msub>
<mi>y</mi>
<mi>i</mi>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>&omega;x</mi>
<mi>i</mi>
</msub>
<mo>+</mo>
<mi>b</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mn>1</mn>
<mo>+</mo>
<msub>
<mi>&xi;</mi>
<mi>i</mi>
</msub>
<mo>&rsqb;</mo>
<mo>-</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<msub>
<mi>&beta;</mi>
<mi>i</mi>
</msub>
<msub>
<mi>&xi;</mi>
<mi>i</mi>
</msub>
</mrow>
Lagrange函数L在鞍点处是关于ω,ξ,b的极小点,对ω,ξ,b分别求偏导,再整理L最终得到原问题的对偶问题:
<mrow>
<mi>max</mi>
<mi> </mi>
<mi>Q</mi>
<mrow>
<mo>(</mo>
<mi>&alpha;</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>L</mi>
<mrow>
<mo>(</mo>
<mrow>
<mi>&omega;</mi>
<mo>,</mo>
<mi>&xi;</mi>
<mo>,</mo>
<mi>&alpha;</mi>
<mo>,</mo>
<mi>&beta;</mi>
</mrow>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munderover>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<msub>
<mi>&alpha;</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mrow>
<munderover>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<munderover>
<mi>&Sigma;</mi>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<msub>
<mi>&alpha;</mi>
<mi>i</mi>
</msub>
<msub>
<mi>&alpha;</mi>
<mi>j</mi>
</msub>
<msub>
<mi>y</mi>
<mi>i</mi>
</msub>
<msub>
<mi>y</mi>
<mi>j</mi>
</msub>
<mi>&psi;</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mi>&psi;</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mi>j</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
<mo>)</mo>
</mrow>
<mo>/</mo>
<mn>2</mn>
<mo>=</mo>
<munderover>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<msub>
<mi>&alpha;</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mrow>
<munderover>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<munderover>
<mi>&Sigma;</mi>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<msub>
<mi>&alpha;</mi>
<mi>i</mi>
</msub>
<msub>
<mi>&alpha;</mi>
<mi>j</mi>
</msub>
<msub>
<mi>y</mi>
<mi>i</mi>
</msub>
<msub>
<mi>y</mi>
<mi>j</mi>
</msub>
<mi>K</mi>
<mrow>
<mo>(</mo>
<mrow>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>,</mo>
<msub>
<mi>x</mi>
<mi>j</mi>
</msub>
</mrow>
<mo>)</mo>
</mrow>
</mrow>
<mo>)</mo>
</mrow>
</mrow>
<mfenced open = "" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mi>s</mi>
<mo>.</mo>
<mi>t</mi>
</mrow>
</mtd>
<mtd>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<msub>
<mi>&alpha;</mi>
<mi>i</mi>
</msub>
<msub>
<mi>y</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<mn>0</mn>
<mo>,</mo>
<msub>
<mi>&alpha;</mi>
<mi>i</mi>
</msub>
<mo>&GreaterEqual;</mo>
<mn>0</mn>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
式中,ψ(·)是映射函数,将数据映射到高维空间,K(·)是核函数;
则最优判断函数为:
<mrow>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>s</mi>
<mi>g</mi>
<mi>n</mi>
<mrow>
<mo>(</mo>
<munderover>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<msubsup>
<mi>&alpha;</mi>
<mi>i</mi>
<mo>*</mo>
</msubsup>
<msub>
<mi>y</mi>
<mi>i</mi>
</msub>
<mi>K</mi>
<mo>(</mo>
<mrow>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>,</mo>
<msub>
<mi>x</mi>
<mi>j</mi>
</msub>
</mrow>
<mo>)</mo>
<mo>+</mo>
<mi>b</mi>
<mo>)</mo>
</mrow>
<mo>;</mo>
</mrow>
3)建立支持向量机的方法是通过一个非线性映射将数据x映射到高维空间,并在这个空间上进行线性回归,即寻找系统输入x与输出y之间的依赖关系。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710391841.3A CN107358295A (zh) | 2017-05-27 | 2017-05-27 | 基于遗传算法和支持向量机的配网运行维护费预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710391841.3A CN107358295A (zh) | 2017-05-27 | 2017-05-27 | 基于遗传算法和支持向量机的配网运行维护费预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107358295A true CN107358295A (zh) | 2017-11-17 |
Family
ID=60271250
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710391841.3A Pending CN107358295A (zh) | 2017-05-27 | 2017-05-27 | 基于遗传算法和支持向量机的配网运行维护费预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107358295A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109002918A (zh) * | 2018-07-16 | 2018-12-14 | 国网浙江省电力有限公司经济技术研究院 | 基于果蝇优化算法-支持向量机的售电量预测方法 |
CN112633528A (zh) * | 2020-12-22 | 2021-04-09 | 国网经济技术研究院有限公司 | 基于支持向量机的电网一次设备运维检修成本确定方法 |
-
2017
- 2017-05-27 CN CN201710391841.3A patent/CN107358295A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109002918A (zh) * | 2018-07-16 | 2018-12-14 | 国网浙江省电力有限公司经济技术研究院 | 基于果蝇优化算法-支持向量机的售电量预测方法 |
CN112633528A (zh) * | 2020-12-22 | 2021-04-09 | 国网经济技术研究院有限公司 | 基于支持向量机的电网一次设备运维检修成本确定方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102622530B (zh) | 基于改进遗传算法的抽汽供热机组热电负荷分配优化方法 | |
CN106599519B (zh) | 面向生产订单组合优化的中厚板母板与板坯协同设计方法及系统 | |
CN111861774B (zh) | 一种基于并行代理模型的油藏生产机器学习方法 | |
CN109858673A (zh) | 一种光伏发电系统功率预测方法 | |
CN109146121A (zh) | 基于pso-bp模型的停限产情况下的电量预测方法 | |
Chen et al. | Prediction and control for silicon content in pig iron of blast furnace by integrating artificial neural network with genetic algorithm | |
CN108846526A (zh) | 一种二氧化碳排放量预测方法 | |
CN104636801A (zh) | 一种基于优化bp神经网络的预测输电线路可听噪声方法 | |
CN106845012A (zh) | 一种基于多目标密度聚类的高炉煤气系统模型隶属度函数确定方法 | |
CN103425743A (zh) | 基于贝叶斯神经网络算法的蒸汽管网预测系统 | |
CN108596242A (zh) | 基于小波神经网络和支持向量机的电网气象负荷预测方法 | |
CN104573857A (zh) | 一种基于智能算法优化组合的电网负荷率预测方法 | |
Shang et al. | Production scheduling optimization method based on hybrid particle swarm optimization algorithm | |
CN112085156B (zh) | 一种分压线损率预测及降损潜力评估方法及系统 | |
CN107400935A (zh) | 基于改进elm的熔融纺丝工艺的调节方法 | |
Yang et al. | The stochastic decision making framework for long-term multi-objective energy-water supply-ecology operation in parallel reservoirs system under uncertainties | |
CN112396301A (zh) | 基于能源大数据驱动的电力用户需求响应特性控制方法 | |
Shang et al. | Performance of genetic algorithms with different selection operators for solving short-term optimized reservoir scheduling problem | |
CN107358295A (zh) | 基于遗传算法和支持向量机的配网运行维护费预测方法 | |
Li et al. | A novel seasonal grey model for forecasting the quarterly natural gas production in China | |
Jiang et al. | Elite collaborative search algorithm and its application in power generation scheduling optimization of cascade reservoirs | |
Bai et al. | Evaluation for development effect of enterprise innovation with neural network from low-carbon economy | |
CN115994459B (zh) | 一种海量电网基建项目建设时序优化方法、系统及设备 | |
CN116542385A (zh) | 一种针对风、光功率预测的集成学习方法及系统 | |
Kuang | Prediction of Urban Scale Expansion Based on Genetic Algorithm Optimized Neural Network Model |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20171117 |
|
RJ01 | Rejection of invention patent application after publication |