CN107507885A - 基于多通道传感器数据的太阳能电池生产过程监测方法 - Google Patents
基于多通道传感器数据的太阳能电池生产过程监测方法 Download PDFInfo
- Publication number
- CN107507885A CN107507885A CN201710580158.4A CN201710580158A CN107507885A CN 107507885 A CN107507885 A CN 107507885A CN 201710580158 A CN201710580158 A CN 201710580158A CN 107507885 A CN107507885 A CN 107507885A
- Authority
- CN
- China
- Prior art keywords
- feature
- manufacture
- solar cells
- photovoltaic material
- envelope
- 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
- 238000000034 method Methods 0.000 title claims abstract description 82
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 54
- 230000008569 process Effects 0.000 title claims abstract description 38
- 238000012544 monitoring process Methods 0.000 title claims abstract description 33
- 239000000463 material Substances 0.000 claims abstract description 35
- 238000000605 extraction Methods 0.000 claims abstract description 25
- 230000009514 concussion Effects 0.000 claims abstract description 9
- 238000006243 chemical reaction Methods 0.000 claims description 12
- 230000005611 electricity Effects 0.000 claims description 12
- 230000011218 segmentation Effects 0.000 claims description 6
- 238000002790 cross-validation Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 238000010200 validation analysis Methods 0.000 claims 1
- 230000009466 transformation Effects 0.000 abstract description 5
- 239000000284 extract Substances 0.000 abstract description 3
- 239000002699 waste material Substances 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 238000001704 evaporation Methods 0.000 description 3
- 230000008020 evaporation Effects 0.000 description 3
- 230000000246 remedial effect Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000005622 photoelectricity Effects 0.000 description 2
- 238000003466 welding Methods 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000010307 cell transformation Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000007769 metal material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
- H01L31/00—Semiconductor devices sensitive to infrared radiation, light, electromagnetic radiation of shorter wavelength or corpuscular radiation and specially adapted either for the conversion of the energy of such radiation into electrical energy or for the control of electrical energy by such radiation; Processes or apparatus specially adapted for the manufacture or treatment thereof or of parts thereof; Details thereof
- H01L31/18—Processes or apparatus specially adapted for the manufacture or treatment of these devices or of parts thereof
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P70/00—Climate change mitigation technologies in the production process for final industrial or consumer products
- Y02P70/50—Manufacturing or production processes characterised by the final manufactured product
Landscapes
- Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Physics & Mathematics (AREA)
- Condensed Matter Physics & Semiconductors (AREA)
- Electromagnetism (AREA)
- General Physics & Mathematics (AREA)
- Computer Hardware Design (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Power Engineering (AREA)
- Photovoltaic Devices (AREA)
Abstract
本发明公布了种基于多通道传感器数据的太阳能电池生产过程监测方法，针对多通道传感器信号通过特征提取和过程监测，自动预测太阳能电池生产过程中的电池效率，并监测太阳能电池生产过程；包括：根据工艺曲线对多通道传感数据进行分段，提取有光伏材料层生长的温度曲线段C和反射系数曲线段；提取有光伏材料层生长的温度曲线段的长度l(C)；提取反射系数曲线段的震荡包络z；进行监督学习和特征选择，得到光伏材料生长的有效特征；建立控制图对生产过程进行监测。本发明方法可有效地根据外延过程的传感器数据，预测太阳能电池光电转化效率数值，同时可通过监测外延过程实时监测生产过程状态。
Description
技术领域
本发明属于生产过程质量监测技术领域，涉及生产过程质量自动监测方法，尤其涉及太阳能电池生产过程中基于多通道传感器数据的自动监测方法。
背景技术
太阳能电池广泛应用于军事、航天、农业、通讯等各个领域。太阳能电池的光电转化效率是太阳能电池产品的一个重要关键性指标。例如，一个低光电转化效率的太阳能电池产品会严重缩短飞行器在太空的使用时间，造成飞行器的使用浪费。因此对太阳能电池相关产品来说，保证生产过程中太阳能电池的光电转化效率的稳定性是极为重要的。
太阳能电池生产分为多个工序，其中重要的工序包含：外延、蒸镀和焊接。外延过程主要是实现光伏材料的生长，是核心工序；蒸镀过程主要是实现蒸金属材料到外延生产完毕的光伏材料表面，形成电极；焊接是焊电池的其他部件，如互联片。目前太阳能电池的光电转化效率主要是在蒸镀环节结束之后进行实验离线测量，具体为利用I-V曲线计算太阳能电池的光电转化效率。当出现较低的光电转化效率电池片，也将无法弥补，只能废弃。所以，如何在太阳能电池生产的第一个阶段(即：外延阶段)进行潜在的太阳能电池的光电转化效率监测是极为重要的。
随着传感器的发展，越来越多的制造系统都安装了传感器。传感器数据采集包含了大量生产过程的信息，可以用来监测生产过程变化。在外延阶段，传感器可以测量多通道生产过程数据。现有技术还无法实现在太阳能电池生产过程中，通过对上述多通道传感器数据进行监测，获取材料生长过程变化信息以及后续太阳能电池光电转化效率的信息。
发明内容
为了克服上述现有技术的不足，本发明提供一种基于多通道函数型数据的太阳能电池生产过程监测方法，并在实际生产的太阳能电池片对本发明方法进行了验证。结果表明，本发明方法可以有效地在外延阶段提前发现生产过程异常，使工厂可以提前做出相应的补救措施，以避免不必要的浪费。
本发明提供的技术方案是：
一种基于多通道函数型传感器数据的太阳能电池生产过程监测方法，针对多通道传感器信号通过特征提取和过程监测，自动预测太阳能电池生产过程中的电池效率并监测生产过程异常；包括如下步骤：
1)根据工艺曲线对多通道传感器温度数据进行分段；
光伏材料的生长往往具有多段材料层，不同材料层之间会进行温度调整，层与层之间的温度转换过程是没有材料生长的。该步骤就是对有光伏材料层生长的温度曲线段和反射系数曲线进行分段，提取有光伏材料层生长的温度曲线段和反射系数曲线段。
2)根据分段后的温度数据，提取有光伏材料层生长的温度曲线段的长度特征；
根据式1所示的弧长公式计算步骤1)中提取的有光伏材料层生长的温度曲线段C(t)的曲线长度l(C(t))：
其中，C(t)为温度区间[a,b]上的曲线；
3)根据分段后的反射系数数据，提取有光伏材料层生长的反射系数曲线段的震荡包络特征；
根据式2所示的包络公式计算步骤1)中提取的有有光伏材料层生长的反射系数曲线的包络特征：
z＝α(1-βe-kt) (式2)
其中，z为反射系数震荡的曲线包络，α可以理解为包络的极限，β可以理解为0时刻的反射系数数值，k可以理解为反射系数包络衰减的速率。其中α，β和k的估计来自于非线性最小二乘。数值方法可以求解非线性最小二乘，如高斯-牛顿法，信赖域反射算法方法(Trust-region-reflective method)。
4)根据式1和式2提取的特征进行监督学习和特征选择，得到有效特征；
根据提取的特征(包括步骤2)中温度的曲线长度、步骤3)中包络线的参数)，对已有的数据取25％的数据做训练数据集，75％的数据做交叉验证，采用lasso进行模型学习和特征选择。Lasso模型见式3，该模型是一种惩罚方法，惩罚项为式3中的该项的存在可以对和因变量关系较小的特征进行惩罚，使其相关的模型系数缩减为0。利用数值解法可以求解式3中β的数值。
式3中，yi为生产的电池的光电转化效率，n为样本数，xij为第i个样本提取的第j个特征，p为提取特征维数，也是提取的特征的个数，β为模型系数包含β0和βj。若βj＝0，则相应的第jth个特征对太阳能电池光电转化效率的影响不是很大，可以忽略。反之，若βj≠0，则相应的特征是对光伏材料光电转化效率有明显影响关系的有效特征。
在本发明具体实施中，选择的有效特征为光伏材料生长第一层的下包络系数极限特征和第二层上包络震荡频率特征。
5)根据4)中选择得到的有效特征建立控制图，对生产过程进行监测。
根据4)中选择的有效特征建立Hotelling控制图。Hotelling T2统计量见式4。
其中，和S为所选择特征的受控样本均值和方差，x为特征样本。控制上限或其中q为所选择特征的维数。
与现有技术相比，本发明的有益效果是：
本发明方法利用多通道传感器数据对太阳能电池生产过程进行监测，针对多通道传感器信号通过特征提取和过程监测，自动预测太阳能电池生产过程中的电池效率并监测生产过程异常。使用该方法在实际生产的太阳能电池片进行了验证，结果表明，本发明方法可以有效地根据外延过程的传感器数据，提前预测太阳能电池光电转化效率数值，同时可以通过监测外延过程，使工厂实时了解生产过程状态，一旦出现生产过程异常，可以及时采取补救措施，以避免不必要的浪费。
附图说明
图1是本发明方法的流程图。
图2是本方法建立的监测控制图。
图3是本方法建立的监测控制图对应的太阳能电池产品的光电转化效率。
具体实施方式
下面结合附图，通过实施例进一步描述本发明，但不以任何方式限制本发明的范围。
本发明提供一种基于多通道传感器数据的太阳能电池生产过程监测方法，针对双通道温度进行了过程监测，并在实际生产的59批太阳能电池片对本发明方法进行了验证。结果表明，本发明方法可以有效地在外延阶段进行生产过程监测，预测后续工艺结束后的太阳能电池光电转化效率，当生产过程出现异常时，通过本发明的质量监测方法可以使工厂可以提前做出相应的补救措施，以避免不必要的浪费。
图1是本发明方法的流程框图。以下实施例利用工厂采集的59批太阳能电池片的外延三通道数据，通过本发明方法对太阳能电池生产过程进行质量监测，具体实施步骤如下：
A.根据工艺曲线对双通道温度数据进行分段：
采集的59组太阳能电池片的外延生产环节中，具有两个通道温度传感器数据，每个通道的温度工艺曲线和反射系数曲线分为3段，所以在A步骤，对于每个样本，截取6段外延采集的温度曲线和3段反射系数曲线，分别记为Tcar1,Tcar2,Tcar3,Twaf1,Twaf2,Twaf3和R1,R2,R3。其中Tcar1,Tcar2,Tcar3为同一个通道不同光伏材料生长的温度曲线，Twaf1,Twaf2,Twaf3为另一个通道不同光伏材料生长的温度曲线。反射系数曲线段为R1,R2,R3。
B.根据分段后的温度数据提取曲线长度特征；
对每个样本截取的6段外延采集的温度曲线根据如下的弧长式1计算A中提取的有光伏材料层生长的温度曲线段曲线长度。
其中，C(t)为区间[a,b]上的曲线。注：传感器采样情况下，曲线长度即使采样点之间欧几里得距离求和。所以，对每个样本，有6个曲线长度值对应着A中提取的有光伏材料层生长的温度曲线段。
C.根据分段后的反射系数数据，提取有光伏材料层生长的反射系数曲线段的震荡包络特征；根据式2所示的包络公式有光伏材料层生长的反射系数曲线的包络特征。
z＝α(1-βe-kt) (式2)
其中，z为反射系数震荡的曲线包络，α可以理解为包络的极限，β可以理解为0时刻的反射系数数值，k可以理解为反射系数包络衰减的速率。采用非线性最小二乘估计α，β和k。该案例中采用信赖域反射算法求解该非线性最小二乘问题。
D.根据式1和式2提取的特征进行监督学习
根据已有的数据，根据提取的温度曲线长度和包络线参数特征，取25％的数据做训练数据集，75％的数据做交叉验证，采用lasso进行模型学习和特征选择。Lasso模型见式3。
其中，yi为生产的电池的光电转化效率，n为样本数，xij为第i个样本提取的第j个特征，p为提取特征维数，也是提取的特征的个数，β为模型系数包含β0和βj。
其中响应变量为太阳能电池产品的光电转化效率，预测变量为提取的特征。利用文献(A.Beck and M.Teboulle.A fast iterative shrinkage-thresholding algorithmfor linear inverse problems.SIAM Journal on Imaging Sciences,2(1):183-202,2009.)记载的数值解法FISTA可以求解β的数值。根据求解的β数值计算回归模型在测试数据上的误差。随机选择25％数据作为测试数据，重复100次，得到平均测试误差RMSE为0.1891。所选择的特征为光伏材料生长第一层的下包络系数极限特征和第二层上包络震荡频率特征。
E.根据上述所选择的两个特征建立控制图；由此实现太阳能电池生产过程的监测；
根据选择的有效特征建立Hotelling控制图。Hotelling T2统计量见式4。
其中，和S为所选择特征的受控样本均值和方差，x为特征样本。控制上限或其中q为所选择特征的维数。
本实施例中，控制上限这里q为2维。对受控数据建立第一阶段控制图，之后对新生产批次的样本建立第二阶段控制图，见图2所示。对应的电池效率见图3所示。从图2中可以看出，在第二阶段控制图中明显存在生产过程变动，对应图3中的电池效率明显有下降趋势。
这些结果表明，本发明方法可以有效地实现在外延阶段根据双通道温度传感器数据和反射系数数据可以对太阳能电池的光电转化效率进行提前预测并进行实时生产过程监测。
需要注意的是，公布实施例的目的在于帮助进一步理解本发明，但是本领域的技术人员可以理解：在不脱离本发明及所附权利要求的精神和范围内，各种替换和修改都是可能的。因此，本发明不应局限于实施例所公开的内容，本发明要求保护的范围以权利要求书界定的范围为准。
Claims (8)
1.一种基于多通道传感器数据的太阳能电池生产过程监测方法，针对多通道传感器信号通过特征提取和过程监测，自动预测太阳能电池生产过程中的电池效率，并监测太阳能电池生产过程；包括如下步骤：
1)根据工艺曲线对多通道传感数据进行分段，获得分段后的温度数据和反射系数数据，提取得到有光伏材料层生长的温度曲线段和反射系数曲线段；
2)根据分段后的温度数据，通过弧长公式进行计算，提取得到有光伏材料层生长的温度曲线段的长度；
3)根据分段后的反射系数数据，通过包络公式进行计算，提取得到有光伏材料层生长的反射系数曲线段的震荡包络；
4)根据上述提取得到的有光伏材料层生长的温度曲线段的长度和反射系数曲线段的震荡包络，进行监督学习和特征选择，得到光伏材料生长的有效特征；
5)根据步骤4)中选择得到的有效特征建立控制图，实现对生产过程进行监测。
2.如权利要求1所述太阳能电池生产过程监测方法，其特征是，步骤2)弧长公式为式1：
其中，C(t)为温度区间[a,b]上的曲线；l(C(t))为有光伏材料层生长的温度曲线段的长度。
3.如权利要求1所述太阳能电池生产过程监测方法，其特征是，步骤3)包络公式具体为式2：
z＝α(1-βe-kt) (式2)
其中，z为反射系数震荡的曲线包络，α为包络的极限，β为0时刻的反射系数数值，k为反射系数包络衰减的速率。
4.如权利要求3所述太阳能电池生产过程监测方法，其特征是，α，β和k的取值通过采用数值方法求解非线性最小二乘得到；数值方法优选采用高斯-牛顿法和信赖域反射算法方法。
5.如权利要求1所述太阳能电池生产过程监测方法，其特征是，步骤4)进行监督学习和特征选择，得到光伏材料生长的有效特征；具体包括如下过程：
41)将已有数据取25％的数据作为训练数据集用于训练，75％的数据作为验证数据集用于交叉验证；
42)根据提取得到的有光伏材料层生长的温度曲线段的长度l(C)和反射系数曲线段的震荡包络z，采用式3所示lasso模型进行模型学习和特征选择：
其中，yi为生产的电池的光电转化效率；n为样本数；xij为第i个样本提取的第j个特征；p为提取特征维数，也是提取的特征的个数；β0和βj为模型系数；
43)利用数值解法求解得到模型系数的数值；由此得到光伏材料生长的有效特征。
6.如权利要求1所述太阳能电池生产过程监测方法，其特征是，选择得到的有效特征具体为光伏材料生长第一层的下包络系数极限特征和第二层上包络震荡频率特征。
7.如权利要求1所述太阳能电池生产过程监测方法，其特征是，步骤5)具体建立Hotelling控制图；Hotelling T2统计量表示为式4：
其中，和S为所选择特征的受控样本均值和方差，x为特征样本。
8.如权利要求7所述太阳能电池生产过程监测方法，其特征是，Hotelling控制图中，设定控制上限或其中q为所选择特征的维数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710580158.4A CN107507885B (zh) | 2017-07-17 | 2017-07-17 | 基于多通道传感器数据的太阳能电池生产过程监测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710580158.4A CN107507885B (zh) | 2017-07-17 | 2017-07-17 | 基于多通道传感器数据的太阳能电池生产过程监测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107507885A true CN107507885A (zh) | 2017-12-22 |
| CN107507885B CN107507885B (zh) | 2019-04-02 |
Family
ID=60679848
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710580158.4A Active CN107507885B (zh) | 2017-07-17 | 2017-07-17 | 基于多通道传感器数据的太阳能电池生产过程监测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107507885B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109828545A (zh) * | 2019-02-28 | 2019-05-31 | 武汉三工智能装备制造有限公司 | Ai智能过程异常识别闭环控制方法、主机及装备系统 |
| US20210136153A1 (en) * | 2019-10-31 | 2021-05-06 | Lg Electronics Inc. | Server |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20110244603A1 (en) * | 2008-12-11 | 2011-10-06 | Michael Dovrat | Customized metallization patterns during fabrication of semiconductor devices |
| CN202259386U (zh) * | 2011-09-08 | 2012-05-30 | 浙江向日葵光能科技股份有限公司 | 一种在线监控pe镀膜均匀性的装置 |
| CN102842520A (zh) * | 2012-08-31 | 2012-12-26 | 深圳市创益科技发展有限公司 | 薄膜太阳能电池光电转换层的在线检测装置及方法 |
| KR20140084397A (ko) * | 2012-12-26 | 2014-07-07 | 주식회사 선익시스템 | 인라인 증착장비의 게이트 밸브 |
| CN105655235A (zh) * | 2015-12-29 | 2016-06-08 | 中国电子科技集团公司第十八研究所 | 一种基于连续蒸发工艺制备梯度带隙光吸收层的方法和装置 |
-
2017
- 2017-07-17 CN CN201710580158.4A patent/CN107507885B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20110244603A1 (en) * | 2008-12-11 | 2011-10-06 | Michael Dovrat | Customized metallization patterns during fabrication of semiconductor devices |
| CN202259386U (zh) * | 2011-09-08 | 2012-05-30 | 浙江向日葵光能科技股份有限公司 | 一种在线监控pe镀膜均匀性的装置 |
| CN102842520A (zh) * | 2012-08-31 | 2012-12-26 | 深圳市创益科技发展有限公司 | 薄膜太阳能电池光电转换层的在线检测装置及方法 |
| KR20140084397A (ko) * | 2012-12-26 | 2014-07-07 | 주식회사 선익시스템 | 인라인 증착장비의 게이트 밸브 |
| CN105655235A (zh) * | 2015-12-29 | 2016-06-08 | 中国电子科技集团公司第十八研究所 | 一种基于连续蒸发工艺制备梯度带隙光吸收层的方法和装置 |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109828545A (zh) * | 2019-02-28 | 2019-05-31 | 武汉三工智能装备制造有限公司 | Ai智能过程异常识别闭环控制方法、主机及装备系统 |
| WO2020172919A1 (zh) * | 2019-02-28 | 2020-09-03 | 武汉三工智能装备制造有限公司 | Ai智能过程异常识别闭环控制方法、主机及装备系统 |
| CN109828545B (zh) * | 2019-02-28 | 2020-09-11 | 武汉三工智能装备制造有限公司 | Ai智能过程异常识别闭环控制方法、主机及装备系统 |
| US20210136153A1 (en) * | 2019-10-31 | 2021-05-06 | Lg Electronics Inc. | Server |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107507885B (zh) | 2019-04-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109272146B (zh) | 一种基于深度学习模型和bp神经网络校正的洪水预测方法 | |
| CN110705789A (zh) | 一种光伏电站短期功率预测方法 | |
| CN102236795B (zh) | 风电场风速预测方法 | |
| CN111626518A (zh) | 基于深度学习神经网络的城市天级需水量在线预测方法 | |
| CN105303263A (zh) | 一种区域电网的负荷预测系统及其方法 | |
| CN109146063B (zh) | 一种基于重要点分割的多分段短期负荷预测方法 | |
| CN111461921B (zh) | 一种基于机器学习的负荷建模典型用户数据库更新方法 | |
| CN110889535A (zh) | 一种基于卷积循环神经网络的风电场内多点位风速预测方法 | |
| CN110619182A (zh) | 一种基于wams大数据的输电线路参数辨识及输电网建模方法 | |
| CN105844334B (zh) | 一种基于径向基神经网络的温度插值方法 | |
| CN109032117B (zh) | 基于arma模型的单回路控制系统性能评价方法 | |
| CN107507885A (zh) | 基于多通道传感器数据的太阳能电池生产过程监测方法 | |
| CN110197307A (zh) | 一种结合注意力机制的区域型海表面温度预测方法 | |
| CN112288157A (zh) | 一种基于模糊聚类与深度强化学习的风电场功率预测方法 | |
| CN108204997A (zh) | 常一线油闪点在线软测量方法 | |
| CN109902743A (zh) | 一种风电机组输出功率预测方法 | |
| CN107808209B (zh) | 基于加权kNN距离的风电场异常数据辨识方法 | |
| CN112926772A (zh) | 一种基于lstm-gpr混合模型的光能预测方法 | |
| CN104834981B (zh) | 短期电站光伏功率的主因隐含型预测方法 | |
| CN116485582A (zh) | 一种基于深度学习的供热优化调控方法及装置 | |
| Tai et al. | Power prediction of photovoltaic power generation based on LSTM model with additive Attention mechanism | |
| CN102830624A (zh) | 基于自学习统计分析的聚丙烯生产过程半监督监测方法 | |
| CN116090635A (zh) | 一种气象驱动的新能源发电功率预测方法 | |
| CN108960332A (zh) | 一种基于多向主元素分析法的在线监测方法 | |
| CN111191826A (zh) | 一种基于余弦相似度分类的负荷预测方法 |
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 |